企业官网建设流程全解析

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：

1. 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。
2. 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。
3. 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：

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：

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.yml）：

app: 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.yml）：

app: 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 = f"https://your-dify-host/v1/workflows/run" headers = { "Authorization": f"Bearer {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, headers=headers, json=payload) print(json.dumps(resp.json(), ensure_ascii=False, indent=2))

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.yml）：

app: 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：

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.py）：

import json def load_metrics(path: str) -> list: with open(path, "r", encoding="utf-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, key=key_func, reverse=reverse)[: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_ascii=False, indent=2))

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：

1. 进入“工作流”页面；
2. 点击“导入 DSL”；
3. 选择对应的 YAML 文件；
4. 检查节点连接关系；
5. 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": f"Bearer {api_key}", "Content-Type": "application/json" } payload = { "inputs": inputs, "response_mode": "blocking", "user": "content-pipeline" } resp = requests.post(url, headers=headers, json=payload) 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

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：

1. 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；
2. 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；
3. 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 True

7.5 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。