我用 ChatGPT 自动化 90% 的内容工作流

Peter Yang 介绍了一套系统，他估计每周至少节省五小时，并自动化了播客流程的很大部分。演示比无人看管的内容工厂具体得多：他反复改稿、选片段，并审查将要排期的东西。

百分比与省时数字是他的估计，并非本文独立复现的测量。他也披露 Riverside 是教程赞助商，并在例子中持续使用它。描述工作流时，这个商业背景应当一并保留。

示例那期节目讨论个人财务软件，但本文关注媒体制作，不重述财务操作建议，也不虚构来源字幕未给出的完整提示词。

Yang 先列十五个步骤，而不是先购买工具。从嘉宾研究和采访提纲，到编辑说明、最终字幕、包装、简介、社交帖子与片段排期，都进入清单。

01:52查看原图

清单显露出三个阶段：准备对话、协调剪辑，以及围绕完成的节目制作配套材料。此时再问 AI 能接哪些任务，讨论就有了真实过程作为依据，而不只是模糊地要求自动化一切。

盘点也应包含小交接与检查。如果它们从地图消失，系统可能只产出一个稿件，却让人重新发现缺失的操作工作。

Yang 创建准备、编辑和制作三个技能。制作技能承担编排，调用更窄的标题封面、节目简介、通讯、社交内容与片段技能。

这种结构给每一步明确目的和工件。采访提纲不同于编辑资料包，最终视频的简介也不同于根据原始录音制作的草稿。

技能文字大部分是在他的工作流程说明基础上，由 AI 协助发展。他呈现的是自己定义的过程，并非要求用户独自写出大型指令文件的每一行。

准备例子收集嘉宾信息、链接和相似视频，再提出采访目标与可能包装。Yang 用前置工作判断，这个话题是否能构成有意思的一期。

他否定了初稿中的部分重点，要求更实际的用例。提纲随后整理成问题、补充笔记和希望演示的内容，再放进文档供复核。

关键动作是纠正。研究不是收集了链接就有价值，它需要服务主持人真正想进行的对话。建议答案是准备材料，不是把嘉宾没有说过的话归到其名下的许可。

录制后，Yang 利用录制工具连接，在 Linear 工单里建立编辑说明。资料包包括标题封面建议、开场片段、删改笔记与短片候选。

代理先从文字逐字稿提出两版开场，Yang 合并或修改，也调整片段从哪里开始、在哪里结束。工单随后记录选中的引文、时间戳、技术或流程问题的删除点，以及配套文案。

这是基于逐字稿的选段流程，可以减少寻找时间，但演示没有证明文字能覆盖录制中的每个视觉问题或表现细节。编辑与主持人仍需核实选中的时刻和最终结果。

写通讯时，Yang 要求围绕嘉宾例子做实用稿件。第一版把重要提示词细节弄错了，他提供对话中的准确六条提示词，要求按原内容纳入。

标题封面技能检查节目与相似视频，再给出组合。Yang 修改选项，也说自己仍会花相当时间选择包装。计划中的 A/B 测试，没有被报告成已经完成的获胜结果。

这保留了一个区分：便宜地产生选项，不等于自动作出最终判断。可复用模板能加快执行，同时仍把困难的编辑选择留给人。

节目简介步骤使用已上传的最终视频，而不是假定原始录制时间仍然准确。Yang 要求章节写出具体用例名称，并继续迭代检查链接与说明。

材料确定后，他演示通过浏览器把它放进视频简介，并处理相关设置。这些动作发生在输出已经选定之后，而不是因为有草稿就直接发生。

这种交接原则不只适用于播客：明确工件对应哪个来源版本，核对细节，并说清目的地。具体工具访问能力与授权，仍决定一套配置实际能完成什么。

Yang 的反馈循环从手工改通讯之前开始。他要求保存 AI 首稿快照，再自行修改，最后让系统比较两个版本。

13:50查看原图

他要求用编号列出技能修改建议，以便逐项接受或拒绝。他读过、反馈之后，才让系统更新指令。这把观察一次编辑，与认定每个局部偏好都该永久成为规则，分开处理。

结果是显式维护，不是模型内部看不见的自动学习。以后流程表现不同时，也有工件可以检查原因。

制作社交内容时，Yang 提供过去的写作例子，并要求备选方案。他修改开头、选择配图，再检查排期的预告。

短片步骤也从建议开始，再由人选中一个时刻。他检查剪好的片段，删掉停顿和多余词语，审查配套帖子，最后批准通过社交工具排期。

这个顺序比具体应用名称更重要。候选生成、来源核对、编辑和排期决定是不同阶段。一个阶段首稿成功，不证明整次发布已经正确完成。

结尾时，Yang 承认，即使有这套系统，自己仍在制作上花很多时间。他考虑是否该由另一个人帮助操作，而不是继续事事亲自驱动。

他的建议是从一两个重复手工流程开始，画出步骤，建立阶段技能，再连接起来。更多集成可以让更多动作成为可能，却不会自动使内容准确、过程轻松。

演示中的改进，是更可复用的交接和审查循环。它是否有用，取决于能否让来源细节、人的决定与目的地真实状态保持可见，避免省下的工作变成未被发现的编辑错误。