让数据驱动的内容保持新鲜曾是每月的苦差事，于是我们教会了一个智能体来做这件事

在 Ahrefs，我们发布了许多数据驱动的文章。

发布这些文章很有趣、很轻松，还能带来大量搜索流量。

但这类文章，如《Google 热门搜索》或《Google 上被问得最多的问题》，只有在数字最新时才值得一读。

Google 也明白这一点，这解释了为何每次更新这些文章时搜索流量都会激增。

因此，总得有人让它们保持新鲜。

理想情况下，每月都需有人（通常是作者）从 Ahrefs（或 API）拉取最新数据、清除无效内容并格式化表格。带自定义图表的文章更麻烦：要撰写新图表需求说明、交给设计、等待、审核、再返工，之后才能把全部内容粘贴进 WordPress 而不破坏布局，更新日期并重新发布。

一篇文章尚可忍受。但 14 篇、20 篇呢？发布得越多，它越像一件苦差事。我可能耗掉一整个下午，除了得到一篇与上个月内容相同、只是数字略有差异的文章之外，毫无成果。

这是内容团队中最枯燥的工作之一。

于是我们做了折中：每季度刷新一次。（老实说，有些文章甚至一直没顾上。）

到如今，情况已不同：我们不再这么做，由 Letaido 代劳，它已平稳运行两个月，每月至少为我们节省 20 个小时。现在我们不仅能每月更新，还能发布更多这类文章并定期更新。

这是双赢：团队少了许多苦差事，读者则看到更新鲜、更准确的数字。

这确实值得肯定。

在 2026 年，公开承认以这种方式自动化内容营销并不时髦，因为 Gartner 指出，超过 40% 的智能体 AI 项目将在 2027 年底前被放弃。

看看 LinkedIn 上的夸张宣传，以及许多徒有其表的“AI 智能体”演示，这种幻灭感可以理解。所幸，这套方案确实有效。

它之所以有效，恰恰因为足够“无聊”：它不写文章，只承担枯燥的部分，而枯燥正是内容营销的重要组成。

我构建了什么：自动数据内容更新器

我称其为数据刷新中心（Data Refresh Hub），它是存在于我们 Letaido 工作空间中的一个工具。

每月一次，它为全部 14 个数据集拉取最新数据，包括来自 Keywords Explorer 的关键词搜索量与问题、来自 Brand Radar 的 AI 引用，并按各自规则清洗每份数据、保存结果，方便我准确查看它保留与丢弃了哪些内容。随后它会生成一份 WordPress 草稿、放置新表格，并邮件通知我已就绪。

我想坦率地说明，构建过程有多么不起眼。

仅获取数据就涉及三条完全独立的路径。美国关键词表格可通过 Letaido 轻松获取，因为它拥有全部 Ahrefs 数据；但全球数据拿不到，那是数据科学家此前为这些文章定制的，因此不得不连接到一个单独的内部服务。接着还须从 Brand Radar 抓取 AI 引用表格，一次一个平台。

还遇到一些看似很小的问题。有一次构建持续因一处极小的大小写不一致抛出 500 错误：代码把字段发送为 Cpc，而 API 坚持以全大写 CPC 为准。我在此浪费了相当多的时间。

尽管如此，我仍认为它颇为出色。毕竟这些代码我一行都未手写，全部是在 Letaido 中通过对话构建的，所有工作都由 Letaido 完成。就连那段“浪费掉的时间”，也是 Letaido 在设法修复，而非我。

人类仍然不可或缺

有两项工作我有意保留给人类。

第一项是判断智能体产出的内容。

以“Google 上被问得最多的问题”为例。或许以为提取热门问题只是按搜索量排序，但并非如此。原始列表中充满看似问题、实则不是问题的条目：“How to train your dragon（驯龙高手）”是一部电影，“Would you rather questions”根本不算问题；品牌和产品搜索也混入其中，还有一些读起来像机器人所写、具体得离谱的查询。

这些一眼就能被人识别。因此我们加入了一个清洗层，其中包含一次 LLM 处理，专门以规模化方式做出这类判断。对于“搜索量最高的人物”表格，它需处理多达 5,000 个候选，判断哪些是真正的人名、哪些是“[姓名] net worth（净资产）”、哪些只是恰好形似人名的普通词。

它在这方面的表现不错，但并非完美，因此每次刷新交付前我都会亲自核对。

我的同事 Louise 遇到了该问题更棘手的版本。她构建了一个用 Ahrefs 数据对增长最快公司进行排名的智能体，其中看似简单、实则困难的部分，是教会它分辨什么是真正的黑马品牌、什么只是噪音。

有些公司名同时也是普通词汇。无法从零衡量“cursor”或“perplexity”的增长，因为在这些公司出现之前很久，人们就已搜索这些词。因此系统会估算该词在品牌出现前的既有搜索量，减去这一基线，只计算其上叠加的、由品牌驱动的搜索量。公司仍留在榜单上，被去除的只是本就存在的噪音。

此外，它还必须忽略无法持续的单月激增，并实际去 Google 搜索每个名字，确认这家公司确实能为其带来排名，否则软件公司“Tropic”就会淹没在护肤品牌 Tropic 之下。这些规则中的每一条，都是 Louise 对“何为真实”的判断，智能体只负责执行。

顺便说一句，这些判断全部出自人类。

这也是智能体从不自行发布的原因：它只创建草稿，经人确认后才正式上线。

这些听起来都不算特别出众，但我认为这正是自动化的真正价值。我完全能接受一个完成 90% 工作、把最后 10% 留给我的智能体。一个完成 100%、却偶尔把错误内容发布到公开博客上的智能体，并不会节省时间，反而会制造需要处理的麻烦。

因此，我仍会亲自核查其正确性，再自行点击发布。

我的同事们开始构建属于自己的版本

我最初是为自己的文章构建数据刷新中心，并不觉得它有什么特别，但还是决定在 Slack 上分享。

结果发现，我低估了自己的成果，它启发了同事们着手做类似的事。

Louise 构建了一整套增长最快公司排行榜，她不仅更新数据，还用 Letaido 加入了判断、图表及其他各类数据。

我们的内容营销总监 Ryan 也为自己的数据内容设置了同类的月度自动化，他的反应大致是：“这就是我对 AI 的期待：真正的自动化，切实为我们省下数小时的苦差事。它终于来了。太棒了。”

他那套版本如今按计划运行：拉取最新数据、重新生成图表与表格、构建 WordPress 草稿、做日期和样本量方面的小改动，并在文章可查看时邮件通知他。

没有人被要求去做这些。它之所以传播开来，是因为确实有效；而它自发传播（无人被指派推动）这一事实，表明它真实可用，而不只是演示。有用的东西自然会被复用，无需任何人召集会议。

如今我们三人都在运行它的某个版本。

如何在你自己工作中找到这样的任务并把它自动化

我几乎可以肯定，你自己的工作中就藏着这样一项任务，大多数内容团队都是如此。

以下是我发现它的方法。

从一个问题开始。回顾反复进行的工作，对每项任务问两个问题：它是否按固定周期进行？你能否把“做对”的规则写下来？

若两个答案都是肯定的，它就是候选。像“每月从同一来源拉取同样数字并按同一方式重新格式化”这类任务很容易通过；而“写文章”无法通过第二项测试，这也正是你可能想继续亲自完成的部分。

若你从事营销工作，可直接前往 Letaido，说明你的需求，它会替你完成大部分困难而枯燥的工作。（Ahrefs 客户可获得一个月的免费使用。）

如果要提炼我们的方案奏效的原因：

• 自动化的是流程，而非思考。抓取、清洗、格式化、粘贴都是机械性工作，正是应交出去的部分，把思考留给自己。

• 让清洗过程可见。不要让智能体只给出成品列表，而要让它把删除内容及原因与保留内容一并展示。

• 在关口保留人工。只产出草稿，由真人发布，这就提供了绝大部分保障。

• 锁定模型不应触碰的内容。核心统计数据、已核实的数字、开篇语句都应固定，以免智能体悄悄把某个数字改写为不再真实的表述。

其实就这么简单。它并不令人兴奋，而这某种程度上正是重点：那些无聊、定义清晰的任务，正是如今 AI 能处理好的任务，它们几乎存在于每一个内容工作流中。

最后的一些想法

这是当下 AI 自动化最令人欣慰之处：它能处理你每周或每月都在心里默默畏惧的工作。

让智能体去做，而你做那个确认无误并点击上线的编辑。

若要说有什么经验，它并不华丽：把无聊、重复的工作交给机器，留住真正需要你的部分。

如今我们都是管理者。