Content

把一篇核心文章变成 12 条 LinkedIn/Twitter/IG 帖(还不像机器人)

把一篇核心文章变成 12 条 LinkedIn/Twitter/IG 帖(还不像机器人)

上周二我把一篇 2400 字讲 AI 营销漏斗的长文,40 分钟内拆成了 12 条平台原生 social 帖。没有任何一条读起来像品牌代笔。诀窍不是某个巧妙 prompt,而是在我开口让 AI 帮我复用之前,先把自己写得最好的三篇原文喂进 Claude。

如果你已经用 AI 生成过 social 内容,你肯定见过这个翻车模式:输出在技术上没问题,hook 还算合理,结构也过得去。但读起来就像一个人穿着租来的西装——袖口太长,肩线偏了一点点,没人会把这件衣服认成是他的。这锅不在模型,在于你给模型的只是一份岗位说明书,让它去扮演你。模型并不懂你怎么写,它们只懂"一篇平均水平的博客"听起来是什么样。

这是 18 个月里给 B2B SaaS(Software as a Service,软件即服务)客户和我自己品牌做内容复用后,我最终固定的 workflow。

Step 1:把三篇你自己的真帖喂给模型,不是 brand voice 文档

brand voice 文档(品牌语调文档)是委员会才会写的东西。模型是从样例里学语气的,不是从形容词里学的。打开你过去 30 天的内容,挑三篇数据最好的(评论、收藏、互动最多),每篇完整贴进去,再加一行小字说明它为什么有效。例:

POST 1(LinkedIn,14 个收藏,6 条评论):
<完整原文>
NOTE:用反共识的观点开头,结尾用一句直接的提问

POST 2(Twitter 推文,4000 曝光):
<完整原文>
NOTE:短句为主,不加小标题,大量换行

三篇是甜点。两篇信号不够,四篇模型开始把你的声音"平均化",丢掉了最有棱角的部分。

Step 2:保留人味的 prompt 层(voice-preservation prompt)

真正起作用的就是这一层。贴完三篇样例,跑下面这段 prompt:

你正在帮我把一篇核心文章(pillar post)改写成各平台 social 帖。
你的任务是从原文里抽取结构,不是重写措辞。下面三篇是我真实在用的
写作风格。它们是以下这些事的事实来源:句长、标点习惯、我是否用
疑问句、怎么开头、怎么收尾、哪些词我用得偏多。

先读两遍。然后每生成一条,都模仿这个声音——不要"优化"它,不要
加任何企业腔的 hedging(回避性套话),不要解释我不会解释的东西。
如果原声音用了片段句,你就用片段句。如果它不用 hashtag,你也不用。
如果它骂了一句脏话,你就跟着骂一句。

下面是三篇声音样例:
[贴这里]

下面是 pillar 原文:
[贴这里]

现在生成 12 条平台原生 social 帖,每平台 4 条(LinkedIn / Twitter /
Instagram),每条都要标清楚。每条输出包含:
- PLATFORM: ...
- INTENT: (这条是用来 hook / teach / 收集案例 / 抛争议的)
- WHY THIS FORMAT FITS:一句话说明这个角度为什么适合这个平台

其中两句最关键,就是"抽取结构,不是重写措辞"和"不要优化它"。少了这两句,模型会自动把你那些"不太漂亮"的棱角磨平——而这恰恰是 AI 味儿的来源。

Step 3:真实的 before/after

同样的原文段落,两种输出。

原文:"Most AI content fails because it tries to be helpful at the wrong scale. A 2,000-word post that gets read in 4 minutes isn't a content problem, it's a packaging problem."

没有 voice-preservation(典型 AI 改写): "Many marketers struggle with content engagement. The key is to understand that the issue isn't necessarily the content itself, but rather how it's presented to the audience."

有 voice-preservation(我实际产出的,微调过): "The reason your long post isn't working isn't the writing. It's that you're treating a tweet like a memoir. Cut by 80%. Keep the part that made you write it."

第二条读起来像个具体的人,第一条读起来像一本宣传册。同一个观点,完全是两种语域(register——指说话人所在的"语气级别")。

Step 4:12 条帖的分配图

prompt 让我一次要 12 条,是为了逼出多样性。我默认的分配是:

  • 4 条 LinkedIn——一条反共识 hook、一条故事带、一条 list 格式、一条提问体
  • 4 条 Twitter/X——一条独立帖、一条短推文串(3-5 条)、一条 quote-tweet 风格、一条诱导回复
  • 4 条 Instagram——一条轮播文案、一条 Reel 脚本(15-30 秒)、一条 story 投票引导、一条"值得收藏"轮播

INTENT 标签比 PLATFORM 标签更重要。"hook" 类和 "teach" 类的开头完全不同。生成时就打上标签,避免连发四条 hook。

Step 5:90 秒人工复核

模型不是作者,你才是。每条发出之前,我跑这份清单:

  1. 这条我会用 DM 发给同行看吗?不会,重写开头。
  2. 第一句让我(作者)听起来像一个有具体观点的人,还是一个品牌?是品牌,重写。
  3. 我是不是至少删掉了一句?模型总会过度解释,永远要砍。
  4. "WHY THIS FORMAT FITS" 那个理由是真的,还是模型编的?编的直接扔。

最后一条是大多数人跳过的。模型会一本正经地编出"这条应该做成 thread"的理由。看理由,不是看帖。

这个方法的边界

它对 thought leadership(思想领导力内容)、战术类 how-to、观点类内容有效。但对新闻周期、有 embargo date(禁运期,媒体在统一时间点前不能发布)的产品发布、任何"速度比人味更重要"的事,都不适合。如果你要抢新闻,自己 90 秒写一条,模型是错的工具。

还有一点要小心:如果你把自己三篇原文喂进第三方模型,你其实是在把还没发布的声音风格送进别人家的训练管道(指模型方可能会把这些输入用于后续训练)里。给客户做项目时,我的做法是只在 Claude 的 project-scoped context(项目隔离上下文)里跑这一步,绝不用 ChatGPT 免费版。prompt 是可以复用的,你的声音不是。