用 Qoder 做自媒体
从个人作坊到工程化流水线
这一章讲的是我自己的真实案例。如果你看过我的个人IP 账号，就知道我在做自媒体——讲老板视角的商业逻辑，推广 Growth AIOS。
但这一章不是教你怎么做自媒体。这一章是展示我怎么用 Agent 搭了一条内容生产的流水线。
传统的自媒体工作流是这样的：
找素材 → 想选题 → 写文案 → 拍视频 → 剪辑 → 发布 → 看数据
人 人 人 人 人 人 人
每个环节都是人做。不是不能做，是不可扩展。你一天只能写一篇，剪一条，发一次。想做第二条？时间不够。想做系列？精力不够。
我不是最早做自媒体的。做了这么久，我最深的体会是：自媒体不是"写"的问题，是"搭系统"的问题。
那一个人怎么搭系统？答案就是——用 Qoder 把每个环节变成 Agent。
如果你读过前言中关于 Qoder Agent 基座的介绍，你会立刻发现：本章就是那套架构在自媒体领域的具体落地。Qoder 提供了底层的 Agent 基座和 Harness 约束框架，本章展示的是给它绑上"自媒体 Harness"——7 条创作规则 + 6 个领域 Agent——之后的效果。同样的架构，更换 Harness 规则就变成了编程或出书的 Agent。
六个 Agent 的流水线全景
先看全貌。我把内容生产拆成了 6 个环节，每个环节一个独立的 Agent：
6 个 Agent 从上到下流水线，7 条 Rule 从右到左全程约束。
每个 Agent 解决一个具体问题，有明确的输入和输出。上一个 Agent 的输出是下一个 Agent 的输入。Rule 确保每个 Agent 的输出符合我的内容标准——不讲技术名词、结尾留钩子、从老板视角出发。
下面逐个拆解。
Agent 1：情报采集
解决的问题：每天花大量时间刷平台找素材，看到好的内容随手记一下，但记完就忘，回头想用的时候找不到。
这个 Agent 干的事就是——代替你刷手机。
工作流
数据来源是两个平台：小红书和抖音。Agent 做五件事：
输入：关键词 / 创作者 ID
│
1. crawl → 调用爬虫引擎搜索或采集笔记列表
2. parse → 从采集结果中提取视频 URL
3. download → 用下载工具批量下载视频
4. transcribe → 语音转文字（ASR）
5. export → 结构化写入 01_线索/ 目录
│
输出：{平台}/{创作者}/{日期}_{标题}_text.txt调用的外部工具
- MediaCrawler：开源爬虫引擎，负责采集小红书和抖音的笔记/视频列表
- yt-dlp：视频下载工具，批量下载高清视频
- FunASR：语音转写引擎，把视频里的口播内容转成文字
人的角色
我不是完全撒手不管。每天早上打开工作区，看看昨晚 Agent 采集了什么：
- 设定采集策略：哪些关键词值得跟、哪些创作者值得追踪
- 审核入库结果：有些内容采集了但质量不高，标记后 Agent 下次会调整策略
我的判断是"往哪个方向挖"，Agent 干的是"怎么挖"。
Agent 2：内容分析
解决的问题：Agent 1 每天能采几十条内容，但大部分跟我无关。我需要知道——"这条内容对我有没有价值？"
工作流
输入：01_线索/ 目录下的原始文本
│
1. 逐篇读取采集的转写文本
2. 大模型分析，提取以下维度：
- 核心观点（一句话概括）
- 创作风格（表达方式、结构特点）
- 受众反馈（评论区讨论焦点）
- 匹配度评分（跟我的 IP 画像是否匹配）
3. 输出结构化分析报告
│
输出：分析报告，标注高匹配度线索核心约束
匹配度评分不是拍脑袋定的，它受个人IP 画像规则约束。规则里写了我的身份标签、核心叙事资产、内容创作边界——Agent 拿这些跟每条线索做对照，匹配度低于阈值的直接过滤掉，不浪费后面的环节。
人的角色
我定期看分析报告，做两件事：
- 确认分析维度：一开始可能漏了一些分析角度，我发现后告诉 Agent 加上
- 标记误判：Agent 觉得"高匹配"的内容我觉得不对，标记后它下次会调整匹配参数
Agent 3：选题分析
解决的问题：Agent 2 给出了几十条高匹配度的线索，但我时间有限，每周只能做 2-3 条内容。选哪个？
工作流
输入：个人IP画像 + 内容分析报告 + 选题看板 CSV
│
1. 读取个人IP画像（我是谁、我在做什么、我的受众是谁）
2. 读取内容分析报告（高匹配度线索列表）
3. 读取选题看板 CSV（已有选题的状态，避免重复）
4. 按内容方向分类（商业自媒体/个人IP/热点评价）
5. 参考反常识角度库，给每个方向生成 2-3 个选题建议
6. 写入 02_选题/ 对应方向目录
│
输出：选题建议列表（含方向、核心观点、推荐优先级）核心约束
这个 Agent 同时受三条 Rule 约束：
- 内容方向定位：60% 商业自媒体 + 30% 个人IP + 10% 热点评价的配比不被打破
- 反常识角度库：每条选题必须找到一个"跟主流唱反调"的切入角度
- 商业链路与策略：选题不能偏离商业模型（免费内容→社群→陪跑/定制）
人的角色
这是全流水线中最关键的人肉节点。
AI 可以给你 10 个选题，但它不知道哪个选题能引发老板群体的共鸣。它不知道你的受众今天在想什么——这是只有你知道的。
我每周花 30 分钟过一遍选题建议，做一件事——拍板。选哪个、不选哪个，我定。Agent 不决策，Agent 提供选项。
这就是 Harness 工程中对抗"模型迎合"缺陷的手段：让独立的判断者（人）来审查 Agent 的输出，而不是让 Agent 自己说了算。
Agent 4：文案生成
解决的问题：选题定了，写脚本。但每次写都要保持风格一致——不讲技术名词、反常识开场、结尾留钩子。自己写很难每次都做到，让 AI 写又容易跑偏。
工作流
输入：选题 + 内容方向
│
1. 识别内容方向（个人IP / 热点评价 / 商业自媒体）
2. 加载对应的创作规则：
- 个人IP → 个人IP规则（不讲技术讲价值、三不原则）
- 热点评价 → 热点评价规则（先立靶子再推翻、每条只打一个点）
- 商业自媒体 → 商业自媒体规则（现象→逻辑→产品）
3. 按规则生成脚本骨架（60-75 秒）
4. 润色：检查是否遗漏关键约束
│
输出：60-75 秒短视频脚本Rule 如何约束内容风格
这是 Rule 威力体现最明显的地方。拿商业自媒体方向举个例子，Rule 里有一条"必须落到产品，但不是顺带提一句"：
| 错的做法 | 对的写法 |
|---|---|
| 现象分析 → "顺便说一下我们也有这个服务" | 现象 → 商业逻辑推演 → 结论 → 从结论自然得出"所以我们做了XX" |
Rule 写清楚后，Agent 生成的每一版脚本都自动遵守这个原则。我不需要每次写脚本时重复叮嘱"不要硬塞广告"——Rule 替我说话了。
三个方向的 Rule 加起来覆盖了 90% 的常见跑偏场景。偶尔还有漏网之鱼——比如 AI 突然冒出一个技术名词——但比例已经很低了，我改一下就好。
人的角色
脚本生成后，我通读一遍，做两处修改：
- 删掉不是人说的话：AI 偶尔会写出"在当今数字化浪潮下"这种废话，删掉
- 调整语气：AI 写的太"正确"了，我需要改成更有冲击力的表达
这个修改过程大概 5-10 分钟。如果从零开始写，需要 30-40 分钟。
效率提升不是 AI 替我写，是它替我写了初稿，我只需要做增量修改。
Agent 5：口播剪辑
解决的问题：文案写好了，需要录制成口播视频。一条一条录太慢，想批量生成。
工作流
这个 Agent 跟前面几个不太一样——它不调用大模型，而是对接我产品里的 CLI 命令行工具。
输入：脚本文件
│
1. 解析脚本结构（开头/主体/衔接/结尾四段）
2. 生成 CLI 参数（语速、语调、背景音乐、字幕样式）
3. 调用视频产品的 CLI 批量渲染
4. 输出成片到 04_素材/视频/ 目录
│
输出：视频文件（.mp4）+ 字幕文件（.srt）Qoder 的胶水角色
Qoder 在这里的角色不是"做视频"——做视频是我的产品干的事。Qoder 是胶水：它负责把文案转成 CLI 能理解的参数，调用 CLI，拿回结果。
这恰恰是 Agent 最有价值的场景之一——连接两个系统。没有 Agent，我得手动打开剪辑软件，粘贴文案，调整参数，导出。有了 Agent，一条命令搞定。
人的角色
成片出来后，我快速浏览一遍，检查：
- 断句是否自然
- 语气是否符合预期
- 字幕是否有错别字
通过了就进入下一环节。
Agent 6：发布
解决的问题：视频剪好了，要发到抖音、小红书、视频号三个平台。每个平台有各自的格式要求、标题限制、推荐策略。手动上传太枯燥，还容易漏。
工作流
输入：成片列表 + 发布排期
│
1. 各平台格式适配（封面尺寸、标题长度、话题标签）
2. 按排期定时发布
3. 更新选题看板 CSV 状态为"已发布"
4. 收集发布后的初始数据（播放量、互动数）
│
输出：发布状态 + 初始数据报告人的角色
发之前我确认排期——哪天发哪条，避免同一时期多条同类型内容扎堆。
发完之后还有一件重要的事——数据验证。播放量高不高、互动率如何、评论区有没有争议。这些数据会反馈回选题分析 Agent，影响下一轮选题判断。
这就是 Harness 工程中对抗"模型偷懒"缺陷的手段：用真实数据验证 Agent 输出的效果，而不是让 Agent 自己说自己干得好。
Harness 工程的五个缺陷在自媒体中的映射
如果你读过本书第二部分第 8 章，会记得 Harness 工程要解决大模型的五个固有缺陷。这六个 Agent 的设计，恰好就是这五个缺陷在自媒体场景中的应对方案：
| 缺陷 | 在自媒体场景中的表现 | 我的应对 |
|---|---|---|
| 模型偏好 | AI 生成的文案不讲老板视角、爱讲技术名词、爱用"数字化浪潮"这种废话 | 7 条 Rule 强制覆盖内容风格，让 AI 按我的规则写 |
| 模型无边界 | AI 分析线索时越界到自己不熟的领域、选的选题跟我的 IP 方向无关 | 每个 Agent 有明确的边界定义（AGENTS.md），Agent 1 只做采集不做分析 |
| 模型迎合 | AI 写的文案"你说什么它都顺着"，缺乏冲击力和真实感 | 人在选题和定稿两个关键节点把关，Agent 出选项人做决定 |
| 模型一根筋 | AI 在一个选题方向上死磕，把简单观点扩展成几千字废话 | 选题看板 CSV 做"文档先行"，方向先给人看，人喊停就停 |
| 模型偷懒 | AI 生成的脚本框架好看但核心观点不突出，或者直接写一句"此处加入案例" | 发布后数据验证——播放量和互动率不会骗人，数据反哺选题 |
没有这层 Harness，六个 Agent 就是一盘散沙。有了这层约束框架，它们才变成一条可控制的内容生产线。
看看整个流程中"我"在做什么
把六个 Agent 拉通看一遍，你会发现一个模式：
| 环节 | 人在做什么 | AI 在做什么 |
|---|---|---|
| 情报采集 | 设定关键词和策略 | 爬取、下载、转写、入库 |
| 内容分析 | 确认分析维度、标记误判 | 逐篇分析、提取结构化信息 |
| 选题分析 | 拍板选哪个方向 | 按规则生成选题建议 |
| 文案生成 | 通读、删废话、调语气 | 按 Rule 生成脚本骨架 |
| 口播剪辑 | 审核成片质量 | 解析脚本、调用 CLI 渲染 |
| 发布 | 确认排期、看数据 | 格式适配、定时发布、追踪 |
人在每个环节只做一件事——判断和决策。执行层面的活，全部交给 Agent。
这就是 Harness 工程的本质：人做决策，AI 做执行，Rule 是执行过程中的轨道。
一点感悟
我做自媒体做了好几年。最早的时候，一个人干所有的事——找素材、想选题、写文案、拍视频、剪辑、发布。确实能做，但做不大。做一年还是一个人，做两年还是一个人。
后来我用 Qoder 搭了这套 Agent 流水线。最直接的改变不是效率——虽然效率确实提高了。最直接的改变是我做内容的心态变了。
以前我是"执行者"——每天想的是"今天要写什么""今天要剪什么"。现在我是"决策者"——每天想的是"往哪个方向走""这个选题要不要跟"。
这个转变的本质，是 Harness 工程解决了大模型的可靠性问题之后，我敢把执行层交给 AI 了。
以前我不敢让 AI 写脚本，因为 AI 写的不能用。现在有 Rule 约束 + 人把关两个节点，AI 写的脚本改几分钟就能用。以前我不敢让 AI 选选题，因为 AI 选的不靠谱。现在有分析报告 + 个人拍板，AI 帮我过滤了 90% 的无用信息。
AI 时代做自媒体的核心能力，不是"写"，是"搭系统"。
我不是一个人干了四个产品——我是一个人用 AI 搭了一套系统。
关联：下一章讲这本书本身的创作过程——"用 Qoder 写 Qoder 的书"，同样遵循 Harness 工程的思路。