很多人第一次接触 AI Agent，想到的还是“让 AI 帮我做事”：帮我写文章、想标题、做视频、整理资料。但真正把 AI 放进内容生产流程之后，会发现最麻烦的问题往往不是“AI 不会写”，而是一个想法从产生到最终发布，中间存在大量琐碎而又容易出错的环节：灵感没有记录，素材找不到，选题重复，想法没有深化，文章和视频之间无法复用，做完之后也没有留下可以用于下一次创作的数据。于是，问题就从“AI 能不能帮我生成内容”，变成了“AI 能不能管理整个内容生产过程”。
GitHub 上的 rnskill 项目里，有一个专门负责选题的 ra-选题 Skill，很值得从这个角度观察。它并没有简单地把“选题”理解成让 AI 随机生成几个标题，而是把选题设计成一种具有生命周期的内容资产：一个想法先进入选题池，形成选题卡，然后经过深化、判断和立项，再根据最终的内容形态进入文章、视频、图文等不同工作台，完成制作后再回到整个内容系统中。这样的设计最大的变化，是把“选题”和“内容”拆开了。一个选题不是一篇文章，也不是一个视频，而是一个长期存在的内容资产。同一个选题可以同时衍生出文章、视频和图文，只需要在选题卡中记录它最终进入了哪些生产流程。
这种设计看起来只是文件管理，实际上背后体现的是一种非常典型的 Agent 思维。传统 Chatbot 更像是“一问一答”：用户提出问题，模型生成结果，任务就结束了。但真正的 Agent 更像一个项目管理者，它需要知道当前任务是什么、处于什么状态、下一步应该做什么，以及应该把任务交给谁。比如用户突然丢给 AI 一个链接，说“这个做成文章”，系统首先需要判断这是不是一个已经存在的选题；如果没有，就创建选题卡；然后提取原始素材，再进入文章生产流程；完成之后更新选题状态。用户看到的可能只有一句话，但背后其实已经完成了一次任务路由。
这里最重要的其实是“深化选题”这个环节。很多 AI 工具把选题理解成标题生成，比如一次给你 20 个标题，但真正好的选题并不是一句漂亮的话，而是一个值得被表达的问题。一个选题为什么值得做？现在为什么值得做？有什么案例和证据？应该从什么角度切入？最终适合文章还是视频？这些问题都需要在正式生产之前被解决。因此，选题阶段和写作阶段应该被分开：选题阶段负责把“做什么”想清楚，内容阶段再负责解决“怎么讲”。这也是 ra-选题 设计中非常值得借鉴的一点。
另外一个很有价值的地方，是它把大量不应该由人完成的重复操作交给 Agent。用户不需要自己创建文件、移动文件、更新状态、复制来源、建立关联，也不需要记住一个选题之前有没有做过。人负责判断“这个东西值不值得做”，Agent 负责把这个决定落实到整个工作流中。对于内容创作者来说，这可能比单纯提高 AI 的写作能力更重要。因为真正消耗时间的，往往不是写下那几千字，而是围绕内容生产不断进行的信息整理、素材管理和流程切换。
从这个角度看，ra-选题 最值得学习的并不是某一条具体 Prompt，而是它背后的系统设计：一个选题拥有唯一身份，有明确状态，可以被深化，可以被立项，可以被路由到不同内容工作台，同时又和原始素材、最终成品保持清晰的数据边界。最终形成的就不再是简单的“灵感 → 写作”，而是一条完整的内容生产链：
灵感 → 选题 → 深化 → 立项 → 生产 → 发布 → 复盘 → 下一轮选题。
这也说明，AI Agent 的下一阶段可能并不是让模型“写得越来越像人”，而是让模型越来越懂得如何参与真实工作。真正成熟的 Agent 不只是一个更聪明的聊天机器人，而是一个能够理解状态、管理任务、调用工具、进行交接并持续维护工作资产的系统。今天我们讨论的是一个选题 Skill，未来它完全可以扩展成一套完整的内容 Agent：负责选题的 Agent、负责研究的 Agent、负责写作的 Agent、负责视频的 Agent、负责发布和复盘的 Agent 彼此协作，而选题则成为整个系统的入口。
所以，AI 内容生产真正值得关注的变化，也许并不是“以后 AI 可以帮我们写文章了”，而是内容生产本身正在从一次性的创作行为，变成一个可以被 Agent 持续管理的系统。 当一个想法能够被记录、理解、深化、生产、发布，并最终再次反哺选题池时，它就不再只是一个灵感，而成为了一项可以长期运营的内容资产。
而这，可能才是 Agent 真正开始进入生产力阶段的标志。
暂无评论内容