最近在整理内容创作工作流时越来越觉得“单个 AI 助手聊天”已经不够用了。真正能提升效率的是把 AI 包装成一个个有明确职责的智能体让它们像流水线工人一样协作从选题、创作、分发到复盘全链路自动化跑通。这篇文章就围绕 AiToEarn 这个思路完整分享如何用四个 AI 智能体搭建一套内容全链路系统。先说清楚AiToEarn 不是某个官方产品而是一种“用 AI 智能体驱动内容生产与流转”的工程实践。文章会给出四个智能体的职责拆分、工作流配置、提示词设计、代码级示例和常见问题排查适合对 AI Agent 感兴趣的开发者、内容运营和技术博主参考。1. 为什么内容生产需要四个智能体1.1 单模型对话解决不了内容全链路问题很多人刚开始接触 AI 写作时都会经历这样的流程让 ChatGPT 写一篇文章复制下来自己改一改再手动发布到各个平台。文章少还好一旦需要日更多个账号问题立刻暴露出来选题靠拍脑袋缺少数据支撑生成的文章风格不稳定今天像论文明天像口水话发布时需要针对不同平台手动调整标题、标签、封面耗时巨大发布后没有系统的数据回收机制不知道哪篇文章为什么火哪篇为什么没流量。这些问题本质上不是“AI 不够聪明”而是缺少一套流程化的智能体协作机制。1.2 什么是 AiToEarn 内容全链路AiToEarn可以理解为 “AI To Earn”也就是通过 AI 技术驱动内容生产最终实现内容资产积累和收益转化。这里的“Earn”不一定要理解成直接赚广告费也可以理解为粉丝增长品牌曝光私域引流平台流量分成商业合作机会。要完整跑通这个链路需要四个环节选题调研 → 内容创作 → 多平台分发 → 数据复盘每个环节由独立的 AI 智能体负责智能体之间通过结构化数据传递结果形成闭环。1.3 为什么用“四个”而不是一个有人会问为什么不做一个超级智能体把所有事情都干了理论上可以但工程实践上不建议。原因有三个职责边界清晰排查问题更容易。当生成结果异常时可以快速定位是选题环节出了问题还是内容模板出了问题而不是在一个巨大的 Agent 里翻日志。单个智能体的上下文窗口更可控。如果让一个 Agent 同时处理选题、长文写作、格式转换、数据分析上下文很容易被无关信息占满导致生成质量劣化。便于替换和复用。今天用 Dify 的某个模型效果不好只需要替换内容创作智能体其他三个不用动。2. 四个智能体的职责拆解与协作关系2.1 整体架构设计四个智能体分别为智能体英文名称核心职责输入输出选题策划智能体Trend Scout Agent监控热点、分析关键词、给出选题建议行业关键词、平台热榜数据结构化选题列表内容创作智能体Content Creator Agent根据选题生成文章、脚本、图文选题卡片、写作风格配置格式化内容稿件多平台分发智能体Channel Publisher Agent适配不同平台格式、生成标题标签内容稿件、分发平台配置各平台发布物料数据复盘智能体Analytics Agent汇总数据指标、分析表现原因、给出优化建议平台后台导出数据数据报告与优化建议2.2 数据如何在四个智能体之间流转为了降低系统耦合度智能体之间不直接传递自然语言文本而是传递结构化的 JSON 数据。比如选题策划智能体的输出格式{ topic_id: T20241215_001, title: 2025年AI智能体开发入门指南, keywords: [AI Agent, 智能体开发, Dify], source: 知乎热榜, heat_score: 87, suggested_angle: 从零搭建一个智能体工作流 }内容创作智能体拿到这份 JSON 后再结合知识库和提示词模板生成完整稿件。这样设计的优势是每个环节都是黑盒内部用什么模型、什么工具都不影响其他环节JSON Schema 可以作为接口契约便于团队协作后续如果要做定时调度只需要往队列里丢 JSON 就行。3. 环境准备与平台选型3.1 主流智能体开发平台对比搭建这四个智能体可以通过以下方式实现方案适用场景优点缺点Dify 智能体平台快速搭建可视化工作流拖拽式编排、内置知识库、支持 API 调用复杂逻辑需要写代码插件Coze扣子字节系生态、多平台 Bot内置大量插件、发布渠道丰富定制化能力有限LangChain / LlamaIndex开发者深度定制灵活度高、可控性强开发成本高Spring AIJava 技术栈集成与 Spring Boot 生态统一生态仍在快速迭代本文以Dify 智能体平台为例因为它的工作流Workflow功能可视化程度高新手容易上手同时支持通过 API 方式集成到自己的业务系统中。3.2 环境清单以下版本是本文编写时使用的环境请根据你的实际情况调整操作系统Windows 11 / macOS / Linux 均可Dify使用 Docker Compose 方式部署版本建议使用最新稳定版LLM内置或接入 OpenAI-compatible API例如 DeepSeek、通义千问、智谱等浏览器Chrome / Edge额外工具Postman 或 curl用于测试 API如果本地不方便部署 Dify也可以直接使用云端版本操作逻辑基本一致。3.3 准备工作目录本实战项目建议创建以下目录结构ai-to-earn/ ├── agents/ │ ├── trend_scout.md │ ├── content_creator.md │ ├── channel_publisher.md │ └── analytics.md ├── workflows/ │ ├── trend_scout.yml │ ├── content_creator.yml │ ├── channel_publisher.yml │ └── analytics.yml ├── prompts/ │ ├── trend_scout_system.md │ ├── content_creator_system.md │ ├── channel_publisher_system.md │ └── analytics_system.md └── data/ ├── topics.json ├── articles/ ├── publish_packages/ └── reports/prompts目录用来存放每个智能体的系统提示词workflows目录用来存放工作流定义data目录存放运行过程中产出的中间数据。4. 四个智能体的系统提示词与工作流配置4.1 选题策划智能体让 AI 替你做内容雷达职责说明选题策划智能体需要完成以下任务输入一组行业关键词通过搜索工具或热榜 API 获取当前热点对热点进行热度评分输出选题卡片 JSON。系统提示词prompts/trend_scout_system.md你是一个专业的选题策划编辑擅长从海量信息中筛选出有流量潜力的话题。 你的任务 1. 根据用户给定的关键词梳理相关热点话题 2. 评估每个话题的热度趋势和竞争程度 3. 输出结构化的选题列表。 要求 - 每个选题必须包含 title、keywords、source、heat_score、suggested_angle 字段 - heat_score 取值范围为 0-100分数越高代表越有潜力 - suggested_angle 要给出具体的创作角度避免空泛 - 如果信息不足允许基于常识补充但需要在说明中标注。工作流配置workflows/trend_scout.ymlapp: mode: workflow name: trend_scout_agent description: 选题策划智能体输出结构化选题列表 nodes: - id: start type: start next: keyword_analysis - id: keyword_analysis type: llm model: gpt-4o-mini prompt: system: {{prompts/trend_scout_system.md}} user: | 请围绕以下关键词分析选题 {{keywords}} next: output - id: output type: end output: topics: {{keyword_analysis.text}}运行效果示例输入关键词AI智能体、Dify、内容创作输出如下节选{ topics: [ { title: Dify 工作流编排从入门到实战5个必会节点, keywords: [Dify, 工作流, 智能体], source: 关键词组合生成, heat_score: 82, suggested_angle: 以实际项目为例讲解 Dify 工作流节点配置 }, { title: 多智能体协作四个 Agent 如何跑通内容生产流水线, keywords: [多智能体, Agent, 内容自动化], source: 关键词组合生成, heat_score: 91, suggested_angle: 从工程架构角度拆解多智能体协作流程 } ] }4.2 内容创作智能体把选题变成一篇完整稿件职责说明内容创作智能体收到选题卡片后负责输出完整内容。核心能力包括理解选题卡片中的角度和关键词调用知识库检索相关资料按照预设的风格模板生成文章生成带标题、段落、引言的 Markdown 内容。系统提示词prompts/content_creator_system.md你是一位资深技术博主擅长把复杂技术讲清楚。 收到选题卡片后请按以下要求创作内容 1. 先浏览知识库中的历史文章保持风格一致 2. 输出 Markdown 格式使用 ## 和 ### 组织章节 3. 开头 100 字内必须直接点明本文价值 4. 必须包含至少 3 个代码块或配置块 5. 结尾给出可执行的下一步建议。 风格要求 - 语言平实避免过度修辞 - 多使用列表、表格、代码块 - 对新手要友好对进阶者要提供深度 - 严禁输出违规内容。 输出格式 { title: 文章标题, content: Markdown 正文, summary: 摘要描述 }工作流配置workflows/content_creator.ymlapp: mode: workflow name: content_creator_agent description: 内容创作智能体生成结构化稿件 nodes: - id: start type: start next: knowledge_retrieval - id: knowledge_retrieval type: knowledge dataset: blog_style_kb query: {{topic.title}} top_k: 3 next: generation - id: generation type: llm model: gpt-4o prompt: system: {{prompts/content_creator_system.md}} user: | 选题卡片如下 {{topic}} 参考知识库内容 {{knowledge_retrieval.records}} next: output - id: output type: end output: article: {{generation.text}}Python 调用示例如果你希望通过 API 方式调用内容创作智能体可以参考以下代码import requests import json # 请替换成你自己的 Dify API Key 和工作流 ID API_KEY app-your-api-key WORKFLOW_ID your-workflow-id url fhttps://your-dify-host/v1/workflows/run headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } payload { inputs: { topic: { title: Dify 工作流编排从入门到实战5个必会节点, keywords: [Dify, 工作流, 智能体], suggested_angle: 以实际项目为例讲解 Dify 工作流节点配置 } }, response_mode: blocking, user: admin } resp requests.post(url, headersheaders, jsonpayload) print(json.dumps(resp.json(), ensure_asciiFalse, indent2))4.3 多平台分发智能体一次创作多端发布职责说明同一篇内容发布到 CSDN、公众号、知乎、掘金时格式要求差异很大CSDN 需要 TOC、标题层级清晰微信公众号需要适配 135 编辑器风格知乎强调引用来源掘金需要带标签和封面图描述。多平台分发智能体的任务就是把这些差异处理掉输出各平台的发布物料。系统提示词prompts/channel_publisher_system.md你是一个内容分发运营专家负责将同一篇稿件适配到不同内容平台。 输入 - 原始 Markdown 稿件 - 目标平台列表 输出 - 每个平台一个发布包包含标题、正文、标签、摘要、首图描述 平台适配规则 1. CSDN保留 Markdown 格式增加段落间距标题不跳跃 2. 微信公众号将代码块用单独样式包裹控制行宽 3. 知乎在引用外部资料时补充来源说明 4. 掘金生成 3-5 个标签并提供封面图描述 5. 如果正文中包含敏感内容直接过滤并提示。 输出格式为 JSON 数组。工作流配置workflows/channel_publisher.ymlapp: mode: workflow name: channel_publisher_agent description: 多平台分发智能体 nodes: - id: start type: start next: format_transform - id: format_transform type: llm model: gpt-4o-mini prompt: system: {{prompts/channel_publisher_system.md}} user: | 目标平台{{platforms}} 原始稿件 {{article}} next: split_output - id: split_output type: code code: | import json def main(arg1: str) - dict: # 输入是 LLM 返回的 JSON 字符串 packages json.loads(arg1) result {} for pkg in packages: result[pkg[platform]] pkg return result next: end - id: end type: end output: {{split_output.result}}输出的多平台发布包示例{ csdn: { platform: csdn, title: Dify 智能体实战四个 Agent 跑通内容全链路, content: # 引言\n...完整 Markdown..., tags: [Dify, 智能体, AI Agent] }, wechat: { platform: wechat, title: 我用四个AI智能体实现了内容生产全自动化, content: section.../section, summary: 一篇实操经验分享 }, zhihu: { platform: zhihu, title: 如何用多个 AI 智能体搭建内容生产流水线, content: ..., need_source: true } }4.4 数据复盘智能体让每一次发布都有反馈职责说明数据复盘智能体是内容全链路中容易被忽略但极其重要的一个环节。它的职责是读取各平台数据报表计算关键指标对比历史数据输出优化建议。核心指标设计指标计算公式含义阅读率阅读数 / 推荐曝光数内容吸引力互动率(点赞评论收藏) / 阅读数内容质量与共鸣度转化率私信/引流次数 / 阅读数商业化潜力发布活跃度发布篇数 / 周期天数内容持续性系统提示词prompts/analytics_system.md你是资深数据分析师负责评估内容运营效果。 输入数据为 JSON 格式的内容表现指标。 请输出 1. 各指标变化趋势 2. 表现最好的文章 Top3 及共同特点 3. 表现最差的文章 Bottom3 及问题分析 4. 下一周期优化建议建议要可执行。 注意 - 不要只罗列数字需要给出合理解读 - 建议控制在 500 字以内 - 用表格展示对比数据。Python 数据处理脚本示例data/report_demo.pyimport json def load_metrics(path: str) - list: with open(path, r, encodingutf-8) as f: return json.load(f) def calculate_interaction_rate(item: dict) - float: read_count item.get(read_count, 1) like_count item.get(like_count, 0) comment_count item.get(comment_count, 0) favorite_count item.get(favorite_count, 0) return (like_count comment_count favorite_count) / read_count * 100 def top_n(items: list, key_func, n: int 3, reverse: bool True) - list: return sorted(items, keykey_func, reversereverse)[:n] if __name__ __main__: metrics load_metrics(../data/metrics.json) for item in metrics: item[interaction_rate] calculate_interaction_rate(item) print(Top3 文章, json.dumps(top_n(metrics, lambda x: x[interaction_rate]), ensure_asciiFalse, indent2))实际项目中可以通过创建定时任务每隔 24 小时拉取一次平台数据自动喂给数据复盘智能体。5. 全链路联调从零跑通一次内容发布5.1 联调流程总览用四个智能体跑通一次完整的内容生产链路流程如下步骤 1人工输入关键词 步骤 2趋势智能体生成选题卡片 步骤 3内容创作智能体生成稿件 步骤 4人工或自动审核 步骤 5分发智能体生成多平台物料 步骤 6人工发布或 API 自动发布 步骤 7数据复盘智能体定期输出报告5.2 在 Dify 中创建四个独立应用在 Dify 控制台分别创建四个应用应用类型选择“工作流”。创建完成后将上一节中的 YAML 配置导入到各应用中进入“工作流”页面点击“导入 DSL”选择对应的 YAML 文件检查节点连接关系在“编排”页面对模型进行配置。注意prompts/*.md文件中的内容是给智能体看的系统提示词在 Dify 中需要手动粘贴到“系统提示词”输入框。5.3 使用 API 串联四个工作流Dify 的每个应用都会暴露独立的 API 接口。我们可以通过一段 Python 脚本将四个工作流串起来import requests import json import time DIFY_URL https://your-dify-host/v1 API_KEY_TREND app-trend-key API_KEY_CONTENT app-content-key API_KEY_PUBLISH app-publish-key API_KEY_ANALYTICS app-analytics-key def run_workflow(api_key: str, workflow_id: str, inputs: dict) - dict: url f{DIFY_URL}/workflows/run headers { Authorization: fBearer {api_key}, Content-Type: application/json } payload { inputs: inputs, response_mode: blocking, user: content-pipeline } resp requests.post(url, headersheaders, jsonpayload) resp.raise_for_status() return resp.json() def main(): # 1. 选题 trend_data run_workflow( API_KEY_TREND, trend-scout-workflow-id, {keywords: Dify, 智能体, 内容创作} ) topic json.loads(trend_data[data][outputs][topics])[topics][0] print(选题结果, topic[title]) time.sleep(1) # 2. 内容创作 content_data run_workflow( API_KEY_CONTENT, content-creator-workflow-id, {topic: topic} ) article json.loads(content_data[data][outputs][article]) print(文章生成完成字数, len(article[content])) time.sleep(1) # 3. 分发 publish_data run_workflow( API_KEY_PUBLISH, channel-publisher-workflow-id, { article: article[content], platforms: [csdn, wechat, zhihu] } ) packages json.loads(publish_data[data][outputs][result]) print(已生成发布包, list(packages.keys())) if __name__ __main__: main()5.4 验证与人工审核环节自动化不代表无人把关。在内容创作智能体生成稿件后、分发智能体执行前建议加入人工审核节点。审核可以放在 Dify 工作流的“人工确认”节点也可以独立写一个审核后台。核心检查项是否有事实性错误是否包含禁止发布的内容是否泄露隐私或内部数据代码和配置示例是否可运行。这一步对搭建“内容全链路”尤其重要尤其是涉及对外发布时不能把所有责任交给模型。6. 常见问题与排查思路6.1 问题汇总表问题现象常见原因解决思路选题智能体输出多条重复选题关键词覆盖范围太窄增加多组关键词或加入历史已发布选题做去重生成的文章风格与历史文章不一致知识库检索到的参考文数量少增加 Top K 数量或在提示词中补充风格示例内容创作智能体输出 JSON 格式不合法模型输出被截断或提示词未指定严格 JSON在提示词中强调必须输出合法 JSON并设置输出长度限制分发智能体只输出了一个平台的内容平台列表参数未传入检查上游输出字段名是否一致数据复盘智能体读取不了 Excel 数据缺少解析步骤在代码节点中用 pandas 先转换格式API 调用超时内容太长生成耗时超过阈值将长文拆分成段落生成或使用异步模式6.2 排查策略如果系统没有按预期工作建议按以下顺序排查先看数据流用 Dify 的工作流运行日志确认每个节点的输入输出是否正常再查提示词检查系统提示词是否限制了输出字段名和下游解析的逻辑是否一致最后查模型尝试更换不同模型看问题是否仍然存在。6.3 避免重复发布的去重方案实际生产环境中两个智能体并发运行时可能出现重复选题。推荐在分发前增加一个去重表CREATE TABLE published_topics ( id INT AUTO_INCREMENT PRIMARY KEY, topic_md5 CHAR(32) NOT NULL UNIQUE, title VARCHAR(255) NOT NULL, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP );在发布前计算选题标题的 MD5 值如果已在表中则跳过。7. 最佳实践与工程建议7.1 提示词版本管理建议把所有提示词文件纳入 Git 管理。每次变更都保留历史版本方便回溯。提示词的修改可能导致输出质量大幅波动务必在测试环境验证后再投入使用。7.2 成本控制智能体工作流比单次 ChatGPT 调用贵得多因为每个智能体可能包含多次模型调用。控制成本的策略选题和分析阶段使用便宜的小模型内容创作阶段使用高质量大模型对超长内容进行分段处理设置单次运行的最大 Token 限制。7.3 数据安全与权限管理工作流涉及的知识库内容要做好权限控制调用 API 的密钥不要硬编码在代码中建议使用环境变量禁止把用户隐私、内部资料作为提示词上下文发送给外部模型对生成内容进行水印或来源追踪方便追溯。7.4 内容质量红线即使有了自动化工作流内容质量和合规性仍然是第一优先级。建议搭建一套“发布前检查”脚本至少判断# publish_check.py def basic_quality_check(article: dict) - bool: content article.get(content, ) # 1. 长度检查 if len(content) 800: return False # 2. 章节标题检查 if ## not in content: return False # 3. 代码块闭合检查 code_block_count content.count() if code_block_count % 2 ! 0: return False return True7.5 渐进式地替代人工不要一开始就把所有环节都交给 AI。推荐分阶段落地第一阶段AI 只负责选题和数据复盘人工完成创作第二阶段AI 完成初稿人工润色第三阶段AI 完成创作人工只做审核第四阶段全流程自动化人工抽检。这样每个阶段的效果都能被评估也能积累足够的训练数据让提示词越调越好。8. 总结与下一步学习方向这篇文章从一个内容生产者的视角出发拆解了如何用四个 AI 智能体跑通内容全链路选题策划、内容创作、多平台分发、数据复盘。核心不在于某个模型有多强而在于把任务拆分清楚、用结构化数据衔接、用工作流串联让 AI 真正变成可维护的生产系统。如果你现在想动手实践建议先从最小闭环开始用 Dify 或 Coze 搭建“选题 创作”两个智能体手工完成分发和复盘跑通后再逐步补充另外两个环节。下一步可以深入学习的方向包括利用 RAG 增强智能体的知识检索能力、引入定时调度和消息队列实现全自动运行、将工作流接入飞书或企业微信通知、对提示词做系统化的自动评测等。如果这篇文章对你搭建自己的智能体工作流有启发欢迎收藏也欢迎在实际项目中遇到问题后继续交流。实践出真知跑通一个最小闭环比看十篇教程都有效。