当我们开始开发由 AI 驱动的 LinkedIn 服务时，我们以为在 AirOps 里建两个工作流就够了：一个把原始素材转成提纲，另一个把提纲转成帖子。我们的编辑会优化开头、删掉冗余内容，并确保客户的表达听起来像客户本人。
我们判断需要两个工作流，这一点是对的。但我们错在认为它们已经足够。
要用 AI 创作出有差异化的内容，我们必须搭建一个系统，包含数据基础设施、面向客户的工具，以及反馈循环。
这就是我们如何一层一层构建出后来被我们称为 AI 洋葱 的过程。
首先，你的工作流程必须真正运转起来
要建立一个系统，你确实需要能运转的工作流程，这些流程不会产出劣质内容 。大多数尝试的团队都永远卡在这一步 。
大多数 AI 工作流的第一个版本，往往只是一个拐弯抹角地生成垃圾的办法。只有不断尝试、调整、测试、失败、再试一次、对着电脑咒骂，然后继续调整、测试、咒骂，才能最终得到一个尚可接受的东西。
这个过程听起来也许像写作——写、重写、编辑、咒骂、再重写、润色——但它并不是。它更像是 工程 。
广告行业多年前就弄明白了这一点。随着广告公司从电视广告转向多平台营销活动，他们意识到，讲故事的人和构建系统的人从根本上说是不同类型的人。
Nick Law，R/GA 前首席创意官，在 Hey Whipple, Squeeze This 中这样说道：“讲故事关乎简化，而系统思维关乎可能性。当你只有简单的故事叙述时，你得到的是清晰的思考，却没有创新。而当你只有系统思考者时，你会得到有趣且多样的战术，但它们无法上升为一个简单的品牌理念。”
内容营销正撞上同一堵墙。AI 内容系统需要两者兼备：既要有知道什么才算好的编辑直觉，也要有构建生产内容机器的工程思维。问题在于，这两种能力很少存在于同一个人身上。
当我们把 Nathan Wahl——我们的编辑总监、全方位品味把关人、常驻废稿斩杀者——指派去驯服我们的工作流时，我们才意识到这一点。
Nathan Wahl，废稿斩杀者，品质守护者，做着他最喜欢的事。
Nathan 的编辑直觉极其敏锐，所以我们原以为 AI + Nathan 会带来高质量的工作流产出。但他突然整天都在纠结这样的问题：
-
当我从品牌手册中移除这一行时，这个系统是在变好吗？
-
这个提示词能处理边缘情况吗？
-
为什么这一批产出的东西一团糟，而上一批明明还好好的？
-
是不是因为我修了那边的某个东西，结果这边又真的坏了？
Nathan取得了进展 ，但他讨厌这项工作。所以我们让他重新专注于工艺和质量，并把工作流问题交给了一位固执的构建者和 AI 爱好者来处理：我。
我仍然花了好几个月才让这些工作流按我们想要的方式运作，而这时我们才终于推进到了洋葱的下一层——却发现运转良好的工作流也会带来它们自己的问题。
山外有山。 ——海地谚语
让数据成为你系统的核心
把数据整理好本来就已经够难了。再加上 AI 工作流，你就会被它淹没。
有效的工作流会让你被草稿淹没，因为点击“运行工作流”和听起来一样简单。与此同时，客户资料不断通过电子邮件、Slack 和 Google Docs 送来。你会逐渐弄不清哪些内容存放在哪里、哪个版本是最新的，以及哪些已经处理过。
当你的工作流运转良好时，你的“发布”按钮最终会变成这样，而你也会开始淹没在数据中。
我们转向数据库，以抵御这场信息冲击。
我们选择 Notion，是因为无论对人还是对机器人来说，它都很容易访问。我们的 LinkedIn 团队可以在他们已经熟悉的环境里工作——编辑、审阅简报、提供反馈——而不必每次都进入 AirOps。像 Claude Code 这样的工具也可以读取和写入其中，这就让自动化成为可能。
但要让这个架构真正落地，我们不得不搭建基础设施。
Notion 不能直接与 AirOps 对接——两者的数据格式不匹配——所以我们创建了一个服务器端路由器来充当它们之间的翻译器。（公平地说，这是 Claude 的点子。）
有了这些之后，数据库开始为工作流供给数据。添加一项原材料会触发 brief 生成，然后将 brief 返回到 Notion，在那里 AI 会检查它，并将其送入内容创作流程，最终完成的草稿再回到 Notion。
这个路由器的用途远远超出了最初的职责：状态触发器、Slack 通知，以及对提交的 YouTube 链接进行自动转录。（图示由 Claude Code 和 Whimsical MCP 制作。）
最终，我们抬头看了看自己凭意志创造出来的东西。
工作流不再居于中心。数据才是。我们构建了一个内容系统：基础设施与工作流协同运作，大规模产出内容，并通过自身的反馈循环不断改进。而它开始向我们提供那些我们从未计划过的机会。
抛开效率，构建你梦想中的解决方案
速度、降本、提效。这往往是大多数团队思考 AI 时的起点，也是终点。但这种视角太过狭窄：你只会优化已有的东西，却永远不会发现自己还能构建什么。
我们是偶然发现这一点的。
我们需要为新的 LinkedIn 项目接入第一位客户。我们传统的录入表单无法收集新系统所需的信息。客户已经准备好开始，但已经没有时间让开发人员去搭建新表单了。于是我转向了唯一可行的解决方案：vibe coding。
在那次尝试中，我意识到 AI 可能不只是能创建一张新表单。
任何与代理机构合作过的人都知道，反复提供你已经给过的信息有多令人沮丧。要是我们把销售流程中的所有材料——通话记录、提案、调研——都喂给 AI，让它尽可能预填表单，会怎样？
只需一个简短提示和几张网站截图，我们就做出了一个符合品牌调性的多步骤表单，其中高亮显示并预先填好了字段。
客户很喜欢。
旧表单常常被匆匆填写，甚至根本没人填。新版表单虽然比原版更长，但 80% 的客户会在不到 24 小时内完成填写。
我们的一个客户甚至来询问，我们究竟是怎么做出这样一个预填表单的！
这个表单是一个转折点。它表明，我们一直认为不切实际——或者根本没考虑过——的理想方案，如今已经触手可及。
一旦想通了这一点，问题就会自然而然地冒出来：理想方案是什么？
我们开始把这个视角应用到各个地方。
许多创始人和初创公司并没有成熟的风格指南（即便有，也未必完善）。
旧方案：安排更多访谈，追着要更多反馈。
理想方案：构建一个风格校准器，通过让用户从定制生成的示例中进行选择来捕捉他们的声音，而不是要求他们去描述一种自己也无法定义的风格。
客户通过 Slack 和电子邮件提交的原始素材，已经超过了我们团队的处理能力。
旧方案：一个共享文件夹和电子表格。
理想方案：一个表单，端到端处理提交内容——提取文章、转录视频、执行 QA 检查——并将所有内容直接写入数据库。
然后，有人想在浏览时顺手收集素材。
旧方案：复制粘贴到文档里。
理想方案：一个 Chrome 扩展，可捕获你当前打开的页面。
两年前，内容团队自己搭建工具还听起来荒谬。如今，这已经成了周二下午就能完成的项目。
利用反馈循环
一个系统提供了工作流永远无法拥有的东西：从自身产出中学习的能力。
手工改进一篇内容，你只是修好了那一篇。改进你系统中的一个部分，未来每一份输出都会变得更好。这就是本文标题所承诺的复利效应。
这要从一些小调整开始。添加一个步骤去搜寻并处理长破折号，或者纠正作者简介中的一个错误，因为这个错误一直在生成奇怪的轶事——修一次，永远修好。
但真正的复利效应，是当系统的输出自动回流，成为下一轮的输入。
从一开始，我们就梦想着让 LinkedIn 的互动指标回流到系统中，但当时完全不知道该怎么做。随着系统逐渐成形——数据库、路由器、工具——我们意识到可以接入第三方数据。
我们当时已经在使用一个 LinkedIn 排程工具，并发现它有 API，所以我们就把它连接到了我们的 Notion 数据库。
现在，每隔 24 小时，我们的路由器会抓取已发布的帖子及其互动指标。AI 和我们的团队会利用这些数据来优化品牌套件、调整策略，并微调工作流程。
（图表由 Claude Code 和 Whimsical MCP 制作。）
我们还与 Quorym 合作，监测互联网上与每位客户的具体背景和策略相关的热门话题。每当有相关事件发生时，Quorym 就会向我们的路由器发送信号，并将有关该事件的原始素材加入我们的数据库。
AI 会进行检查，简报工作流随即启动，在一小时内，我们的团队就能拿到待审阅的创意点子。他们选出最有力的切入角度，将简报送入下一个工作流，编辑草稿，而客户则能在其所在行业发生某件事后的数小时内获得相关内容。
互动数据越好，策略就越精准。策略越精准，QueryM 捕捉到的信号就越相关。每一个循环都会产生复利效应。
设置减速带，否则就会在驾驶中睡着
大多数人对 AI 持怀疑态度——直到这个系统开始产出内容。我见过很多人都经历过这一幕，而且模式总是一样的。
在我们开始构建之前，他们会说出这样的话：
-
“AI 做不到这个。”
-
“我不信任它。”
-
“产出不会足够好。”
然后系统交付了第一批帖子，怀疑便烟消云散。
我们的团队对它印象深刻，以至于他们的第一个要求是全自动模式：原始素材流入 brief，brief 流入草稿；除非系统标记出重大问题，否则不需要人工介入。
但在最初几批之后，一些单看一篇帖子绝对发现不了的模式出现了：话题重复了，开头钩子听起来像模板化的，语气也出现了微妙的偏移。
每篇帖子单看起来仍然不错。把十几篇放在一起放大审视，AI 的痕迹开始显现。但到那时，团队已经认定这个系统奏效了。他们承担了远超没有它时能处理的工作量，并且不再密切关注 。
有时我会想，我们是不是造了一架太容易驾驶的飞机。因为在一架难开的飞机里，机组人员也许会更警觉。
伯纳德·齐格勒，空客首席工程师（《玻璃笼》）
解决办法是什么？减速带：有意设置的摩擦点，让你的团队在内容发出之前先面对输出结果，而不是默认信任系统。
我们团队现在会在每份简报进入下一阶段之前进行审阅并批准。更上游的环节，则由人来决定从原始材料中提取哪些想法，而不是让 AI 来决定。我们还重新设计了草稿的产出方式：它们不再像成品文章，而更像工作文档，带有提示、检查项，以及供团队在发布前做出的决策。
这个系统很强大。但它需要头脑清醒、保持警觉并掌控局面的真人。
你的复利系统就是一道无可匹敌的护城河
当你的系统刚上线时，它不会比你最优秀的人更出色。一个独立工作的熟练营销人员，仍然能够产出更好的内容。
人类做不到的是复利式增长。人类所做的每一次修正，只会改进一篇内容。你对系统所做的每一次修正，却会提升未来的每一份输出。人的成长曲线缓慢，最终会趋于平缓。而你的系统则会持续攀升。
只要经过足够多的改进循环，系统的曲线就会超越人类，而差距只会越拉越大。那个交叉点就是你的护城河。
你的竞争对手可以使用与你相同的 AI 模型。只要付出努力，他们就能逆向工程你的工作流程。但一个内容系统——连同其数据基础设施、反馈循环、 专有信息 ，以及让这一切持续运转的来之不易的知识——则是一道无法复制的竞争护城河。
我们花了数月时间，通过不断试错和层层叠加、始料未及的问题，才构建出我们的 LinkedIn 内容体系。但只要把这些问题逐一解决，你的体系就会成为一种战略资产：它会每天都变得更强，并且在每一个周期里都更难被竞争对手超越。
发表回复