核心思路：编辑先行，写作在后
市面上多数 AI 写作工具的逻辑是「你说写什么，它就写什么」。但实际做内容，动笔前的判断才是关键：选题够不够锋利？从哪个角度切入最有力？结构是否撑得住？
这套 Skill 的设计把写作拆成了明确的阶段，每个阶段都有对应的指令：
~选题：给一个方向，Skill 帮你找差异化切入角度，每个角度标注爆点和传播潜力~标题：正文写完后再生标题（不是先定标题再写），基于内容调用标题公式，产出 10 条备选~改稿/~精写：复制某段内容配合指令，局部修改且不偏离上下文，不用全篇重写~分析：输出详细的文章分析报告，帮你跳出"当局者迷"~风格：四种模式——沿用当前风格、口述风格让 AI 适配、上传参考文章提炼特征模仿、保持现状~指令：忘了有哪些指令就输这个，全部列出带说明
分类规则 + 通用规则的双层设计
这里有个坑：不同内容类型的爆款结构差异很大，娱乐八卦和技术干货的写法完全不同。
这套 Skill 的做法是内置多种写作分类的规则集。当你告诉它「我想写娱乐八卦」，自动匹配娱乐类文章的结构规则；换成科技评测，就切换到对应的规则。每套规则都是拆解了大量同类爆款文章后提炼出来的。
在分类规则之上，还有一层跨类型的通用规则——有人味、有立场、有冲突、有情绪、有互动。不管写什么类型，这些底层逻辑都会自动生效。
实际工作流长这样
- 把 Skill 文件放到全局
skills目录，在工作目录下打开 Claude Code - 调用 Skill，说明要写的方向，Skill 先帮你梳理写作逻辑和切入角度
- 用
~选题生成多个差异化角度，选一个或组合几个 - 先看大纲，确认每部分规划和总字数，再写正文
- 正文产出后用
~标题生成标题，用~分析做自检 - 用
~改稿/~精写局部打磨 - 产出的
.md文件可以直接用排版工具转成公众号格式
几个实操注意点
模型选择很关键。国产模型写出来的内容容易格式化严重——「第一、第二、不是……而是……」这种套路感很重，需要大量手动润色。Claude 的 Opus 模型在这方面表现明显更好。
语料决定深度。写之前多喂几篇不同来源的相关文章，AI 会综合多方信息重组结构，产出的内容既不是抄袭，信息密度也上来了。
必须审稿。情绪把控、事件完整性、数据准确度，这三样 AI 兜不住，每次产出都要人工过一遍。
这套思路的价值不在于某个具体的 Skill 文件，而在于「把经验封装成可复用流程」这个方法论。你完全可以基于同样的架构，给自己的写作场景——不管是公众号、Twitter 还是技术博客——搭一套专属的 Skill。把你踩过的坑、总结的规律、偏好的风格全部沉淀进去，让 AI 按你的标准工作，而不是每次从零开始对话。