用 AI 写作的 10 种创意方法（同时保留你的个人风格）
多年来重复的说辞让不少人把 AI 生成内容与低质、批量生产的垃圾等同起来。本文分享我们在 Ahrefs 使用 AI 的实际方式，探讨如何把它当作创意工具，而非内容工厂。
在 AI 的推动下，内容行业出现了大量夸大的宣传：社交媒体上的承诺铺天盖地，声称能替你裁掉整个营销团队、取代代理机构，用一套神秘的黑箱工作流包办所有内容。只要输入一个关键词、按一下按钮，就能坐等流量增长。
年复一年听到同一套说辞后，人们开始把 AI 生成内容等同于低质、批量生产的垃圾。AI 辅助内容尚未成熟，便已背负坏名声。
本文希望重新开启这场讨论。
我会分享 Ahrefs 如何使用 AI 创作内容，还有我们持续开展的一些内容实验。目的不是取代人的思考，而是让过去过于困难、成本过高或根本无法实现的事情变得可行。
我的目标不是鼓励更多地自动化，而是帮助把 AI 看作一件创意工具，而非一座内容工厂。
还有一点：我相信你会喜欢其中的多数方法。人们常说 AI 让创意工作变得乏味，但用得得当，我认为它能起到相反的作用。
1. 感觉式写作（借助参考资料和指令，凭手感打磨初稿）
有时你知道自己想说什么，但不想为每一句话绞尽脑汁。这正是感觉式写作适用的场景。
感觉式写作指用粗略的输入和反复的反馈引导 AI，而不是精心设计完美提示词、指望一次得到成品。你提供上下文，对产出做出反馈，逐步塑造输出，直至符合预期。
先让 AI 生成一份初稿，再把它当作需要修改的材料，而非可直接发布的成品。让它把文字改得更有力、删掉开头、扩写某部分、压缩某段，或重写生硬的过渡。每一轮反馈都会让初稿更接近你心中的样子。
示例
我就用这个方法写了 《Agent-To-Agent Marketing Was Just Born on Moltbook》。我让 Letaido（Ahrefs 推出的 AI 营销平台）获取关于 Moltbook.com 的数据，把手动调研的笔记和已构思好的故事线交给它，再让它整合成一篇文章。
我们的内容营销总监 Ryan Law 尝试了这个方法，他说：“这是我为 Ahrefs 写作这么多年来最开心的一次。”他的视频如下：
感觉式写作也适用于其他内容类型，例如演示幻灯片。以下是我为一场网络研讨会制作的一份。可查看完整的互动幻灯片
起始提示词
可尝试用于：
- 新闻通讯
- 观点类文章
- 随笔
- 短篇研究文章
2. 让一个话题保持开放，不断投喂素材直到初稿成形（“活稿”法）
你围绕一个迟迟定不下来的话题反复思考。灵感往往在不合时宜的时刻出现：同事发来的链接、一张截图、通勤路上不想遗忘的念头。这些内容还不足以列成提纲，此时强行搭建结构反而会扼杀它。
因此不必急于搭建结构。让一份初稿始终开放，把所有素材都放进去。每添加一些内容，AI 就将其融合进来，文章随之增厚。没有什么是真正“开始”或“完成”的，它只是已收集素材在当下最好的综合。素材堆一旦建立，你今天可以把它呈现为一篇文章，下个月是一场演讲，更往后还能拆成三篇帖子。
我称之为“活稿”法，它与感觉式写作有些相近。区别在于，感觉式写作是把已有的目标方向引导成初稿，而活稿法是目标方向尚未明确——你在一段时间内持续投喂一个话题，让方向自行浮现。
示例
我对这套工作流的需求很大，最终与 Letaido 一起为它开发了一个自定义应用。
我一直用它记录 2025 年 12 月我发布那个实验以来 AI 认知优化领域发生的一切：后续实验、评论、真实案例研究，还有一些里程碑事件——例如，委婉地说，Google 因其 AI Overviews 的准确性而被起诉。
我会从一个暂定标题和一句问题陈述开始。
然后只需把我找到的任何素材丢进去，看着 AI 把故事铺展开来。
起始提示词：
若想要一个和我一样的应用，把这个 GitHub 仓库展示给你的 AI 智能体：https://github.com/mmakosiewicz/self-building-articles-app
可尝试用于：
- 研究密集型的文章
- 长期写作项目
- 你还在探索中的话题
3. 让 AI 就某个话题采访你
假设你想写一些自己了如指掌的内容。你做过这些工作，积累了经验教训，也有一些真心值得分享的见解。
难点在于：如何把脑中的一切转换为对从零开始者而言清晰又吸引人的内容。
这正是 AI 能帮上忙的地方。
与其让它写这篇文章，不如让它来采访你。让它提出一些深思熟虑的问题，你像在和另一个人交谈那样去回答，再把这些回答作为文章的基础。
示例
我正用这个方法写一篇关于 SEO 实验的文章：结构化的 FAQ 是否能帮助 AI 助手检索到关于 Ahrefs 的准确信息。
我认为它最有价值之处在于帮助摆脱“知识的诅咒”。由于 AI 并不共享我脑中的全部上下文，它自然会暴露我思维中的空白，迫使我更清晰地解释想法。结果通常比单凭记忆写作更好。
起始提示词
可尝试用于：
- 思想领导力内容
- 创始人故事
- 案例研究与实验
- 观点类文章
- 经验教训
4. 把你现有的知识库转化成新文章
我注意到，许多问题其实并不需要新的答案。无论人们用不同措辞提问，还是从略有差异的角度提问，底层答案往往相同。而且多数情况下，我们早已在博客某处写过。
真正的挑战更多在于找到正确的素材，并以契合问题的方式呈现，而非创造新知识。
遇到这种情况时，我会把 AI 指向我们权威来源的文档，让它去挖掘。它会找到相关段落，去除重复观点，然后以我们已知的内容为依据汇编出一份初稿。
示例
这篇文章至少有 70% 是“回收”自已发布的信息。关于 AI 聊天机器人流量，我们想说的内容都已存在，只是散落在几十篇博客文章中。与其从零开始写，我引导 AI 把这些碎片拼成一篇连贯的文章。
依我看，结果不错。它确实能帮你理解 AI 聊天机器人流量，展示如何追踪它，而且它甚至获得了排名。
更妙的是，它为另一种搜索意图带来了前 10 排名。我知道这在低 KD 关键词上更容易实现，但这个成绩我收下了。
我能如此迅速地整合这篇文章，唯一原因是我早已搭好了背后的基础设施：一个“权威来源”仓库，里面装着产品文档、Ahrefs 操作指南、来自数据研究的洞察，还有其他关键资源。
每遇到一个重要内部页面，我就把它的 URL 添加进这个应用。它会提炼关键信息并同步到 GitHub，之后只需问一句“这些 SoT 对此怎么说？”，就能立刻把相关上下文拉进初稿。
起始提示词
若想要一个和我一样的 SOT 应用，把这个链接展示给你的 AI 智能体：
https://github.com/mmakosiewicz/sots_webinar
可尝试用于：
- 产品讲解
- 常青文章
- 文档
- 指南与操作手册
- 更新旧内容
5. 引入你的数据，让文章自己浮现出来
有些最优质的内容是从数据开始的。
这类内容中，文字只是用来解释数字揭示的内容。你的业务里很可能早已沉淀着有价值的数据：产品使用情况、客户行为、营销活动表现、实验、调研问卷、客服工单或销售记录。
挑战在于找到其中隐藏的故事。这正是 AI 大显身手的地方。
把数据交给 AI，让它展开调查。让它寻找离群值、意料之外的模式、令人惊讶的相关性，或值得深挖的问题。随后围绕浮现的洞察构建文章。
示例
若想了解数据驱动的内容在实践中是什么样子，以下是 Ryan Law 和 Louise Linehan 最近撰写的几个例子。
- 增长最快的 50 家 SaaS 公司（2026 年 6 月）
- 什么样的域名评分算好？（附真实数据）
- 来自真实网站的平均自然流量基准（2026 年 6 月）
- 什么样的自然点击率算好？真实网站基准（2026 年 6 月）
我们用 Letaido 构建了这些内容，它在处理 Ahrefs 数据方面帮助很大。与标准的 MCP 设置相比，它让我们能访问更多数据端点，可以自主工作，还自带 WordPress 等原生集成，因此能直接从工具中发布内容。
Letaido 承担了繁重的工作：连接 Ahrefs 数据、调用专用数据库的 API、生成可视化，甚至协助撰写文章的部分内容。
我们内容团队的 Si Quan 甚至做了一个自定义 Letaido 应用，把这类数据驱动文章的更新流程自动化。
数据变化时，不再从零重建每篇文章，这个应用会刷新数字并生成更新后的初稿，让研究保持最新变得快得多。
在这份指南中，他解释了自己如何构建它，完整走了一遍流程，并展示了当有新数据可供审核时它如何发送邮件通知，方便你采用同样的做法。
起始提示词：
可尝试用于：
- 原创研究
- SEO 研究
- 行业报告
- 产品洞察
- 数据新闻
- 示例
6. 生成 100 个角度，然后聚类并展开最好的那些
2026 年，一个 OpenAI 模型解决了一道困扰数学家 80 年的几何难题。突破点在于它探索了一条被人类摒弃的路径。研究人员花了几十年试图证明公认的答案，而不愿走一条看似无望的路。AI 没有这种偏见，也不会不耐烦，因此发现了其他人都忽略的东西。
头脑风暴也是同样的道理。大多数人在想出几个还不错的点子后就停下了——那些和所有人一样显而易见的点子。而 AI 会继续下去。
完全可以字面意义上让 AI 给出“关于这件事的 100 种思考方式”，再把这些想法聚类，或展开最好的那些。它会带出一些你很可能从未考虑过的角度，你的工作就是判断哪些值得去做。
示例
同事 Si Quan 向我介绍了这个方法，我一直对他想出的标题和角度印象深刻。于是我决定拿一个在研究 AI SEO 时总在脑中盘旋的想法来试试：品牌即内容。
它浮现出了一些我已经探索过的角度，让我对方向有了信心。但它也挖掘出了好几个我从未考虑过的想法。
以下是我借助这个方法发现的一些新视角：
顺带一提，这个方法很好地展示了 AI 如何增强你的工作，而非仅仅是自动化它。
起始提示词
可尝试用于：
- 头脑风暴角度和话题，应该适用于任何类型的内容。
- 对于把较长的内容改造成社交媒体短内容，这可能是个不错的技巧。
7. 交给 AI 一个思维模型，让它构建论证
AI 最大的优势是适应能力，也许比人类更强。你可以让它以特定方式思考，它能立刻切换思路。
把这一点用在内容营销上，效果不错。与其让 AI 从零开始生成想法，不如给它一个经过验证的思维框架，让它在其中工作。
好的框架能为模型提供一条清晰的路径去遵循，挑战薄弱的假设，并有助于产出能解释、诊断或论证的文章，而不只是总结。
与其提示它“写一篇关于[话题]的文章”，不如先给它一种思考方式：待办任务（Jobs to Be Done）、约束理论、波特五力模型、决策树、第一性原理，甚至你自己的心智模型。
示例
这是同事 Si Quan 介绍给我的又一个技巧。我早就知道可以让 AI 扮演角色——例如数据分析师、律师或严厉的编辑——但这个方法更有条理、更可控。我们用 Opus 4.8 在 Letaido 里试了试。
结果是一份详尽的报告，整个推理过程都摆在我面前。其中有两个部分尤为突出。
第一处是 AI 挑战自己的结论、质疑自己的假设，并一步步走向它认为最强的解释。
第二处是看到这些洞察被带入文章本身。它不只是为推理而推理，AI 确实把结论贯穿到了最终稿里。
我不知道 AI 是真正在推理这个问题，还是只是在模拟这个过程。而且它产出的东西绝对不是我拿来就能发布的。
但这并非重点。
它让我比面对一张白纸走得更远，也帮我把自己的想法梳理清楚。
这极具价值，因为好的写作始于好的思考，而思考仍是困难的部分，无法完全外包给 AI。
起始提示词
可尝试用于：
- 观点类文章
- 产品决策指南
8. 为可复用的流程搭建带关卡（gated）的流水线
有些文章不需要灵光乍现的创造力，而需要每次都以同样的方式产出。发布说明、定期盘点、落地页，流程早已明确。用一条试图一次完成所有工作的大提示词，会导致质量波动，无法在团队内可靠复制。
不如把它拆成一条流水线：一组串联的 AI 技能。调研、来源、简报、提纲、初稿、核对、排版，每个关卡都暂停等待你确认。中间阶段由 AI 完成，你在检查点审批，错误便会被及早发现，而非层层累积。
这跟常见的 AI 内容自动化有什么不同？
- 工作流遵循你经过验证的流程。它不会每次都发明一种新的工作方式，因此产出与你现有的写作方式更一致。
- 你掌控输入，并全程参与。因为你投入到每个阶段，就更容易判断质量、发现问题，并随着时间改进这套系统。
- 它创建起来相对快，修改也容易。这是因为工作流由一个个独立的 AI 技能搭建而成，而不是锁在一个闭源工具里。你也不需要深厚的技术知识或成堆的文档就能调整它。
- 它还能比僵硬的自动化更有韧性。如果某个步骤失败，AI 往往能诊断问题、修改指令，或尝试另一种做法，而不是简单地终止工作流（不像 n8n 自动化那样）。
示例
Ryan Law 用 Letaido 做了这样一个应用。给它一个话题和几个来源链接，其余它全包：调研话题、生成编辑简报、搭建提纲、撰写文章、核查每一条论断，并在三个关键阶段暂停，让你在它继续之前审阅并批准方向。
下面是 Ryan 讲解这个应用：
起始提示词
可尝试用于：
- 定期发布的博客文章
- 产品公告
- 文档
- 落地页
- 编辑工作流
9. 让真实的支持问题决定该写哪些文档
客户对话一直是文章创意最好的来源。它包含真实问题，以客户自己的话提出，还能看出哪些问题出现得最频繁。
问题在于，挖掘这些洞察意味着人工翻阅成千上万条支持工单、聊天记录和销售通话转录。信息一直都在，但以此种规模获取并不现实。
这正是 AI 带来改变的地方。
把 AI 指向这些对话，它就能分析全部内容，把相似问题归到一起，与你现有内容比对以避免重复，并找出内容库中的空白。客户最常问的问题，便成为他们真正在寻找的指南。
示例
只要客户支持/CRM 产品提供可访问客户对话的 API 或 MCP，这个方法就适用于任何这类产品。此例中我使用 Fin（Intercom），由 Letaido 处理 MCP。
只花了几分钟处理数据，我就发现了一些尚未被挖掘的话题。看来有些用户在查找内链数据时遇到困难，使用 Google Data Studio 获取数据时也遇到问题。
AI 甚至能为这些问题生成一些不错的回答：
这个点子要感谢 Kamila Olexa！
可尝试用于：
- 帮助中心文章
- 产品文档
- FAQ
- 客户教育
- 漏斗底部内容
起始提示词
开始之前有一条使用 AI 分析数据的建议：不要让它解读你自己都没看过的数据。与其一上来就索要最终答案，不如先让 AI 展示可用的数据，并解释它看到了什么。
AI 仍可能产生幻觉或走捷径，尤其在分析大型数据集时。例如，我们单月就有约 7,500 条 Intercom 对话，一次分析完数量太多，无法可靠处理。
以下是一个可以启动这类分析的提示词：
审阅完输出后，可以接着追问：
更可靠的做法是让 AI 持续监控新进来的对话，而非一次性翻遍数月的历史数据。把任务拆成更小、持续的多次分析，对 AI 而言更容易，出现误导性结果的可能性也小得多。
10. 随变化自动保持产品营销内容和产品文档的最新状态
文档在发布下一个版本的那一刻就开始过时。某个设置被改名、某个限制发生变化、某个新功能上线，转眼间一篇帮助文章就不再准确。
买家指南和对比页面这类产品营销内容亦然。很多情况下，让它们保持最新甚至更难，因为必须同时追踪自家产品和竞争对手的变化。
这对 SEO 和用户体验都是个问题。
所幸 AI 可以承担其中大量工作。它只需要一份你想维护的页面清单、应去哪里寻找更新的来源，还有（如果你选择授权）你的 CMS，这样就能自动更新一切。
示例
同事 Kamila Olexa 用 Claude Code 和 Firehose 搭建了这样一个系统。Firehose（由 Ahrefs 推出）是一个实时网页数据流 API，持续监控公共网络上的变化，并在匹配的更新发生时推送到你的应用。
这套工作流围绕自动化构建，但带有人工审批环节。简而言之：
- Firehose 持续监控你竞争对手的定价页面，并在其中任意一个发生变化时触发工作流。
- Claude 随后把更新后的定价提取为结构化数据，找出你的哪些文章提到了那个竞争对手，然后只重写受影响的段落，而不是整篇文章。
- 这套工作流不是自动发布，而是把拟定变更的摘要发送到 Slack，让你能快速审阅将要更新什么。
- 一个简单的 ✅ 表情回应即可批准这些修改，随后工作流会更新你 CMS 中相关页面并自动发布。
起始提示词
这里不提供起始提示词，而是给你Kamila 的这篇文章。它从头到尾讲解了她的工作流，你可以照此采用同样的做法。
可尝试用于：
- 产品文档
- API 文档
- 帮助中心
- 内部知识库
- 发布说明
- 功能对比页面
- 法律或政策变更
结语
AI 领域的人发现了一颗由黄金构成的行星，却认定它最好的用途是批量生产廉价首饰。你其实有更好的选择。
你可以用 AI 做出更好的内容，同时享受这个过程。关键在于必须持续参与，投入越多，结果越好。我认为这正是我们在 AI 上需要做出的纠偏。
感谢阅读。欢迎在 LinkedIn 或 Substack 上与我交流。