我搭了一条「中药材科普」自动化流水线：从资料生成到发布草稿箱的全链路实践
这不是一篇 AI 套壳教程。它讲的是：当"AI 生成内容"这件事要真正落地到"能发布的内容平台"时，会遇到哪些真实问题，以及怎么用工程手段解决。
一、背景：内容生产的真实痛点
做中药材科普（公众号 + 小红书），传统流程是：
- 每味药翻药典、植物志，整理拉丁名、性状、性味归经、鉴别要点
- 找药材图
- 分别写公众号长文和小红书短文案，适配不同平台规则
- 反复检查医疗功效词（治疗/治愈/疗效是红线）
人工做 1 味药的全套内容要 2-3 天，而中药有 507 味。
我做的事：把"内容生产"当成一条软件流水线来设计——拆环节、定接口、加质检、能重跑。最终输入一个药材名，几分钟产出海报、公众号文、小红书文案、知识卡片、封面，并可直接发布到公众号草稿箱。
这篇文章不贴代码，重点讲设计思路和踩坑认知——因为这些才是这个项目真正值钱的部分。
二、流水线设计：内容生产的四个本质环节
做内容，本质上就是四件事：
找资料 → 做图 → 写文 → 审核
我的核心决策：不找一个大模型从头干到尾，而是拆成独立环节，各司其职。
药材名
▼
① 资料智能体 —— 生成权威植物资料（拉丁名/形态/性味/鉴别）
▼
② 图像智能体 —— 按资料出 2 张海报（科普插画风 + 写实展陈风）
▼
③ 文案智能体 —— 公众号长文 + 小红书短文案（平台规则适配）
▼
④ 审核智能体 —— 三关打分，不过就打回改写（≤3 次）
▼
⑤ 封面 + 排版 —— 平台尺寸适配（2.35:1 封面、HTML 排版）
▼
⑥ 发布 —— 直接写入微信公众号草稿箱
每个环节都是独立脚本、独立接口、独立重跑。这就是"流水线"和"一条龙"的本质区别：环节之间靠文件/JSON 解耦，任何一环出问题，只重跑那一环，不浪费其他环节的产出和成本。
三、五个有深度的设计
1. 提示词 FROZEN：模板和内容彻底分离
这是踩坑踩出来的铁律。
- 版式和风格：写死，验证通过后冻结（FROZEN），永不改动
- 药材特征：永远动态注入——每味药先由资料智能体生成特征描述，再填进模板
认知：AI 生成里，"怎么画"（风格）和"画什么"（内容）是两种完全不同性质的输入，混在一起必然出 bug。模板管风格，资料管内容，两者通过变量接口衔接。
2. 参考图分级策略：从"盲画"到"越用越准"
数据库里大多是干燥药材照，几乎没有植物全株活株照片。但海报里的"植物全株图"需要完整叶花果形态——全靠 AI 从文字"盲画"必出错。
设计了一套参考图分级策略：
画植物全株 → 用户上传的植株参考图（ref/plant）
→ 数据库图
→ AI 按资料文字生成（兜底）
画药材实物 → 用户上传的药材图（ref/herb）
→ 数据库图 → AI 兜底
参考图按用途分两个目录（植物全株 / 药材切片），各取所需。用户从权威图库逐步积累参考图，系统越用越准；没有图也不阻塞，AI 兜底照常出图。
认知：AI 生成系统的质量上限，取决于参考数据，而不是提示词。把"喂什么参考"做成可积累、可迭代的机制，比反复调提示词有效得多。
3. 审核闭环：AI 生成的内容，必须 AI 审核
内容平台审核严，医疗功效词是红线。AI 生成直接发布风险太大。
设计了一个审核智能体，对每篇文案三关打分：
| 维度 | 问什么 |
|---|---|
| 权威性 | 事实引用是否准确？对照权威资料核对 |
| 科普效果 | 是否通俗易懂？术语是否解释？ |
| 传播性 | 标题有钩子吗？有互动点吗？（但不能过度标题党） |
每关 0-100 分，总分达标放行；不达标就拿着审核意见针对性改写，最多 3 次；3 次不过标记人工介入。
实测它真的会改内容：把"花冠二唇形"改成"花瓣像上下两片嘴唇"，把平铺直叙的标题改成"金银花开，夏天就不远了"。
认知：AI 生成必须配套 AI 质检，否则错误会被批量放大——507 味药如果有 1% 出错就是 5 味错误内容。审核不是可选项，是流水线的安全下限。
4. 统一 LLM 配置中心：多平台可插拔
这是容易被忽视但很重要的工程点。所有脚本不各自读环境变量，而是通过一个统一的配置中心管理：
- 文本模型：可切换
- 图像模型：自配——可切换
- 微信公众平台：app_id / app_secret——统一配置
好处：
- 换模型只改一个 JSON，不动任何脚本
- 用户可以填自己的 Key（密钥不进代码）
- 平台预设有兜底，灵活但可控
认知：多模型项目必须做"配置中心"抽象。模型是会迭代、会下线的，把模型选择变成配置而不是代码，系统才能活过模型的更替周期。
5. 发布链路：不只是生成，还要"能用"
很多 AI 生成项目止步于"生成文件"，但真正的落地是能发布到平台。
四、工程化细节：能跑通 ≠ 能持续跑
断点续跑 + 成本控制
流水线每步先检查产物是否存在，存在就跳过——重跑一味药只花缺的那几步的钱。
失败自动重试
网络抖动、API 限流是常态。每步失败自动重试 1 次，超时也重试，不因偶发错误白跑半程。
内容类型可定制
不是每次都要全套。可以只生成小红书文案、或只要海报、或任意组合——按需生成，省时省钱。
成本统计
每味药材的花费、总计、待处理预估，面板里一目了然。AI 内容生产必须"花钱看得见"，否则批量跑起来成本失控。
五、总结：这套系统真正沉淀了什么
- 内容生产 = 找资料 + 做图 + 写文 + 审核，可拆成独立环节各司其职，环节间靠文件/JSON 解耦
- 模板管"怎么画"，资料管"画什么"，两者通过变量接口衔接，绝不混写
- 参考数据决定质量上限，把"喂什么参考"做成可积累机制，比调提示词有效
- AI 生成必须配套 AI 质检，审核智能体把关文案，视觉模型把关图片
- 多模型项目必须做配置中心，模型会迭代下线，配置化才能活过更替周期
- "生成文件"到"能发布"隔着完整工程链路，素材上传、token 管理这些"脏活"才是落地关键
最终：一个药材名 → 几 分钟 → 海报 + 公众号文 + 小红书文案 + 知识卡片 + 封面 → 直接进公众号草稿箱。
如果你也做过"AI 批量内容生产"相关的事，欢迎分享你的踩坑经历——评论区见。
