内容自动化从哪一步做起？Ahrefs把12份数据榜单的月更交给AI，发布键留在人手里

摘要：Ahrefs的Si Quan Ong把12份数据型文章的月度更新做成了一条自动流水线，取数、剔除、分类、做表、写进WordPress草稿、发邮件提醒都交给机器，唯独发布要他本人点头。他给的七步做法里，最有用的是三样东西：先把自己干活的每个小动作写成清单，让模型只加工指定来源的数据，再让系统把被它剔掉的条目连同理由一起留下来。这套办法适合有固定节奏、规则稳定的重复活，拿来一键批量生成文章就用错了地方。

内容团队里总有几件活，没人愿意干，又不能不干。更新老文章里的数据就是其中一件：一篇还好，十几篇榜单类文章每个月都要重新取数、重新做表、重新改日期，干到第三个月，人就开始找理由往后拖。

Ahrefs在10月16日发了一篇跟做指南How to Automate Content Creation: A Follow-Along Guide，作者Si Quan Ong是Ahrefs的SEO与营销讲师，Ryan Law审稿。他讲的内容自动化，跟很多人想的那种“输入关键词、点一下、一天出五百篇”完全不沾边。他拿自己手上最烦的一件事开刀，把数据型文章的月度更新交给AI流水线，然后把搭这条流水线的步骤写了出来。

下面以这篇为主体，把七个步骤和他踩过的坑讲清楚，补上Ahrefs自己的新鲜度研究和Google规模化内容政策的原文，再说说国内做独立站和外贸内容的团队能照着搭哪一段。先交代一句：文中推荐的Letaido是Ahrefs自家的AI营销平台，读到工具推荐那部分心里有个数就行，方法本身换成Claude Code、Codex或者n8n一样能用。

Ahrefs的数据刷新中枢每个月替人干了什么？

Si Quan这些年做了一批数据驱动的文章，比如Top Google Searches（Google搜索量最高的词）和Top Google Questions（搜得最多的问题）。这类文章数字越新越有用，每次更新后搜索流量也往往最好。问题是篇数一直在涨，每月全部更新一遍变得吃不消，团队只好退一步改成按季度更新，明知月更对读者更好。

他后来搭了一个叫Data Refresh Hub的东西，每月自动跑一遍：

• 给12个数据集拉取新数据；
• 剔除成人类等不合适的结果，并检查每条是否符合文章主题，比如“搜得最多的问题”里只能留问句；
• 重建相关的表格和图表；
• 把改动写进WordPress草稿；
• 跑完发邮件通知他；
• 等他审完再发布，审之前什么都不上线。

为什么一家工具公司愿意在“更新老文章”上花这么大力气？原文给的理由是新鲜度。Google的QDF机制（Query Deserves Freshness，判断某个查询需要新信息）会给近期更新过的页面加分，站内那篇内容新鲜度与QDF机制讲过它的来龙去脉。AI助手这边也有类似倾向，Ahrefs在一项分析1700万条引用的研究里算过：ChatGPT、Perplexity、Copilot和Gemini引用的网址平均发布了1064天，自然搜索结果里的网址平均1432天，前者新了25.7%。

这个数字看的时候要留意口径。它比的是平均发布时长，按“最后更新时间”算，差距缩小到13.1%（909天对1047天）。而且Google的AI概览是个例外，引用的内容平均比自然结果还老16天。所以这项研究能说明AI助手整体偏新，推不出“改个日期就能多被引用”。能起作用的是内容里的数字确实换成了新的，日期只是跟着变。

先挑哪件活交给机器？

原文第一步就劝住了一个常见冲动：别从“我们能拿AI做点什么”开始想。这个问题太开放，可能性无穷多，人对着它一般不会想得更远，只会头疼，然后回去接着干原来的活。

更好的起点是你现在最烦的那件事。实在想不出来，就把每周、每月、每季度固定要干的活，以及每出一篇内容都要走一遍的活列出来，再按下面五条筛：

五条里最容易被忽略的是“规则相对稳定”。一件活如果每次都要现场拍脑袋，机器接手后只会更乱。数据刷新这件事刚好五条全中：每月一次，步骤繁琐，规则基本不变，做好了有流量，又总被拖。

把自己的做法一条条写下来，连小动作也别漏

原文有句话很实在：没人讲得清楚的流程，AI代理也没法稳定地自动化。大部分重复活我们都是凭肌肉记忆干的，肌肉记忆最不擅长解释自己。要写的是你真实的做法，连抄近路的地方也算进去，不是那份好几年没人打开的操作手册。

Si Quan把更新Top Google Searches的过程写下来，大致是这样：

1. 在Keywords Explorer里做一次空搜索，国家选美国；
2. 下载前200个关键词的CSV；
3. 打开表格人工过一遍，删掉不合适的词，比如成人类查询；
4. 拿排名靠前的结果跟上月对比，看有没有明显异常；
5. 所有数字向上取整到最近的一万；
6. 把数据贴进托管表格的TablePress插件；
7. 检查有没有贴错；
8. 去内部工具拉全球搜索量最高的词，再走一遍上面的流程；
9. 判断变化大不大，要不要重写导语和小标题；
10. 确认文中图片都是最新的；
11. 改“最后更新”日期。

像“向上取整到一万”“和上个月对比”这种小决定，平时顺手就做了，让你凭空回忆，十有八九想不起来。他的建议是让AI代理反过来采访你，提示词大意如下，中文团队可以直接拿去用：

我想把某项工作自动化。请就我现在怎么做这件事采访我，一次只问一个问题。只要我的回答含糊，或者说了“通常”“看情况”“我就是知道”，就追问下去。最后把完整流程写成一份逐步清单，我提到的每条规则和例外都要写进去。

清单写好后别躺在文档里，把它做成技能文件，也就是代理每次干这件活都会读的一套固定指令，写一次就不用反复解释。Claude的技能文件怎么写，站内Claude Code Skill编写指南有字段和作用域的细节；想把品牌口吻也固化进去，可以看用Claude技能固化品牌口吻那篇。

模型只管加工数据，数据得从你指定的地方来

这一步原文的态度很明确：工作流里要紧的信息，别指望大模型的记忆，也别指望泛泛的网页搜索。模型会编数字，网页搜索抓到什么算什么，可能是五年前的盘点文，也可能是别人的AI垃圾内容。

正确做法是告诉模型该用哪些来源，再通过MCP、API或上传文件把这些来源接进去。原文列的可用来源包括自家产品产生的一手数据、你常用工具的接口、产品文档和帮助中心、客户访谈、公司认可的研究、自己的博客和视频、搜索数据和编辑规范。他那12个数据集的来源是这样分的：

原文在这里顺手推了自家的Ahrefs MCP服务器：由Ahrefs托管，不用安装，接上账户后Claude、ChatGPT、Copilot这类工具能在对话里直接查Keywords Explorer和Site Explorer的实时数据。广告归广告，思路是通用的，你常用的数据工具如果提供MCP或API，就优先走这条路，让模型每次读的都是当天的原始数据，别让它去网上找二手转述。

他总结的经验就一句：模型的活是处理数据，它本身不能当数据。国内团队照搬时，来源换成自己手里的就行，比如Search Console的接口、店铺后台导出的订单和退货数据、ERP里的价格表。发布端也一样，原文特意提到要能直接写进WordPress，否则机器干了九成，最后一成还得人每月复制粘贴表格，自动化就白做了。WordPress这边现在有官方的MCP适配插件，能开放哪些站点功能由权限说了算，见站内WordPress官方MCP Adapter插件的解读。

给它看好样子和坏样子，再让它留下被剔掉的那份清单

指令有用，例子更有用。只要工作流里有需要判断的地方，就给系统准备几类样例：你会收的、你会拒的、每个决定的理由，以及拿不准、该交给人的情况。

原文的例子很好懂。“搜得最多的问题”这份榜单只收问句，最简单的规则是“以who、what、where、when、why、how开头的都留下”。可很多查询以疑问词开头，却根本不是问题：How to Train Your Dragon是电影《驯龙高手》，How I Met Your Mother是美剧《老爸老妈的浪漫史》，would you rather questions是一类问答游戏。模型看到开头是how、后面又像句人话，就可能放行。

关键在理由怎么写。只说“拒掉驯龙高手”，模型学到的是一个特例；写成“电影、剧集、书名、歌名一律拒掉，哪怕看起来像问句”，它学到的是一条规则，连原文没提过的How to Lose a Guy in 10 Days（电影《十日拍拖手册》）也能自己拦下。

“搜得最多的人物”更难，因为Ahrefs没有现成的人物名单，只能让模型从已有数据里认出哪些词指的是人。Jordan是篮球运动员、国家还是球鞋？Taylor Swift tickets该不该算进Taylor Swift？他最后定下只算纯人名搜索。Ahrefs的Brand Radar里有实体筛选，能把苹果公司和水果苹果分开，原文借这个例子推荐了一下。

这一步里最该抄的是最后一条：让系统把被拒的条目连同拒绝理由一起保存下来，别只给你看最后的结果。Si Quan贴的截图里，系统已经误拒了几条货真价实的问句，他反倒觉得这说明流程在起作用，因为他一眼就看到了，回头改规则就行。只看最终结果的话，丢了什么永远不会知道。

先跑通一篇，每一步都留下产出

准备了这么多，人很容易想一口气把12个数据集全接上。原文的建议是先拿一篇试，他自己就是先把Top Google Searches跑到满意，才去碰别的。理由很实际：一份产出里找错容易，12份同时错，你都不知道从哪查起。

从一篇起步，还方便一点点放权。他一开始只允许系统改表格，别的都不许动，怕一让它“优化文章”就塞进一堆破折号和AI腔。观察了两三个月满意了，才放开更大的改动：现在导语第一句会跟着榜单第一名自动变，配图也随表格更新自动生成。

他还建议每个大环节都输出一份中间结果：

这样出了错不用从头重跑，逐个看产出，找到哪一环开始不对，修好从那一环接着跑。他的系统还把每月改过的数据都存了下来，时间一长就攒成了一份历史数据，以后能画搜索趋势的走势图，这种内容别人做不出来，因为别人没有这份数据。

拿外贸站常见的“海运价格月报”页套一下这张表：取数环节从运价指数官网或货代给的报价表拉当月数据，清洗环节剔除报价单里明显填错的航线，分类环节按航线和箱型归组，生成环节出对比表和走势图，写入环节把表格更新进CMS草稿，通知环节给运营发一封带变化摘要的邮件。六个环节各留一份文件，月底哪条航线的数字看着不对，翻清洗环节的被拒清单和取数环节的原始文件，几分钟就能定位是来源错了还是规则错了。

最后是他给自己定的一条死规矩：永远不让AI自动发布。他打了个比方，大餐厅的主厨不会亲手做每一道菜，可每道菜端出厨房都挂着他的名字，所以出菜前他都要过目。自动化就是你的厨房，你就是那个主厨。

这条规矩跟Google的口径也对得上。Google最近更新的AI内容指南要求发布前人工核查，标题、meta描述、结构化数据和图片alt都算在内，见站内Google更新AI内容指南的解读。Ahrefs自己做的营销人员调查里，只有2.7%的人敢不经人审就发AI内容，细节在Ahrefs 2026年营销人员AI内容调查。

上线、排期，再一篇篇推开

单篇测试通过后，按它将来自己跑的样子，从头到尾真跑一遍，然后把机器做的版本和人做的版本摆在一起比。原文列了五个检查点：

• 数字：抽几个回到来源核对，看对不对；
• 被拒清单：扫一遍，看有没有好东西被误删；
• 格式：跟文章其余部分、跟你家的版式是否一致；
• 改写过的文字：动过导语或小标题的话，读起来还像不像你写的；
• 链接、日期这些小地方：错了读者一眼就能看出来。

判断标准就一个问题：这要是我自己做的，我会发吗？

都过关了再排定时任务，比如每月一次。排期有两个细节。时间要排在数据源更新之后，不然你会得到一份排版漂亮的上月数据。另外要设失败提醒，让它出错时也通知你，别只在跑完时报喜。最糟的失败是悄无声息的那种，任务压根没跑，三个月都没人发现。站内内容自动化触发器与回执设计专门讲过怎么给每次运行留回执，可以配着看。

扩展的时候也是一篇一篇来。每篇文章都有自己的怪脾气，“搜得最多的人物”和“最贵的关键词”需要的规则完全不同，不过流水线的大部分已经搭好，每多接一篇就更省事。他把做法分享给同事后，Louise Linehan也用同一套方法去更新她那篇增长最快的SaaS公司榜单。原文对此有段话说得挺透：全公司发通知让大家多用AI，换来的往往只是焦虑和一堆开着的ChatGPT标签页；有人先做出一个能用的东西给同事看，同事说“我那摊活也能这么弄吗”，AI才算在团队里用开了。

搭好以后还会在哪些地方坏掉？

原文这里自嘲了一句：搭完了是不是就能去巴厘岛喝鸡尾酒，让AI替你上班了？很遗憾，他上次确认的时候，人还在伦敦。

他举了两个真实的例子。一个是Anthropic发布Opus 5时，一个很流行的插件Compound Engineering被弄坏了，Kieran Klaassen在X上发帖说过这件事；维护得这么勤的插件都能一夜之间坏掉，自己手搓的自动化更别说。另一个是他自己的：他的自动化跟内容团队共用一个工作区，Ryan为自己的工作流加了一个新的密钥和连接桥，不知情地把他的流程搞坏了。

他列的易坏点，加上国内团队的对应情况，大致如下：

共用工作区那个坑，国内团队尤其要记一笔。几个人共用一个n8n实例或者同一套API密钥，有人改了凭据或连接配置，别人的流程就可能悄悄失效。各自的流程用各自的凭据，改公共配置前在群里说一声，比事后排查省事得多。自动化随着时间慢慢走形的情况，站内AI自动化从第二周就开始走形那篇有更细的守护办法。

这套做法在哪些情况下不适用？

先说Ahrefs的特殊条件。它手里有自家的关键词库和品牌引用数据，Top Google Searches那一页写的是从287亿个关键词的数据库里取数。数据是别人拿不到的，自动刷新出来的东西才有独特价值。一个小站如果只是让AI每月去网上搜一圈、重新整理别人的榜单，刷出来的东西跟一手数据没法比，还可能撞上Google的规模化内容滥用政策。

这条政策的原文值得看一眼。Google在搜索垃圾政策里写的是：规模化内容滥用，指生成大量页面的主要目的是操纵搜索排名、对用户没帮助，不论内容是怎么做出来的；所举的例子里就有用生成式AI工具生成大量对用户没有价值的页面，以及抓取信息流、搜索结果再经同义替换、翻译等自动处理批量出页面。Si Quan的做法不怕这条政策，是因为每个页面本来就有人做、有人看，自动化只是把重复劳动拿走了，页面数量一页没加。AI内容和这条政策的关系，站内AI生成内容会被Google惩罚吗讲得更全。

再说Ahrefs自己的另一条路。Ryan Law在4月发过How I Do Content Engineering with Claude Code，用Claude Code串起23个自定义技能文件，6到12分钟出一篇可发布的草稿，写到那时用这套流程发了15篇左右、更新了30来篇。他说这套流程能把博客撑到几万篇，但他不会这么做，因为对Ahrefs和读者都没好处。两篇放在一起看，Ahrefs的取舍一目了然：自动化用来干最公式化的那部分活，产量不是目标。

还有一类是规则不稳定的活。品牌立场文章、需要采访的深度稿、每次角度都不同的专题，靠一份清单是写不出来的，硬套流水线只会产出一批长得差不多的稿子。保哥的看法是，一件活能不能交给机器，先看你能不能把它写成一份别人照着做也不会走样的清单；写不出来，就说明它还得人来干。想先给全站的老文章排个刷新优先级，可以从内容刷新怎么做才能把流量拉回来那套流程起步，再挑其中最机械的一段交给机器。

原文结尾的问题可以原样借来问自己：做有用的内容时，是哪些环节拦着我们没法做更多？把这些无聊的环节交给AI，人把时间留给想法、观点、经验和品味，这些模型装不出来。

常见问题解答

内容自动化是不是就是用AI批量写文章？

原文的定义是用软件或AI完成一串可重复的内容生产任务。Ahrefs这个案例自动化的是数据型文章的月度更新，取数、清洗、做表、写草稿交给机器，选题、判断和发布仍由人负责，文章数量没有增加。

第一件交给AI的活该怎么选？

从最烦的重复活里挑，按五条筛：经常要做、每次耗时、规则相对稳定、做好了有业务价值、总被拖延。五条大都符合的活最适合先试，比如每月更新数据表、整理固定口径的报表。

为什么要保存被AI剔除的条目？

被拒清单是最早的报警器。本该保留的问句或有用的数据被误删时，看一眼被拒清单就能发现，然后改规则；只看最终结果，丢了什么根本无从知道。

自动更新的文章可以不经人审直接发布吗？

不建议。原文作者给自己定的规矩是永远不让AI自动发布，Google的AI内容指南也要求发布前人工核查标题、描述、结构化数据和图片alt。发出去的东西挂着你的名字，出错要你负责。

没有Letaido，用别的工具能搭吗？

能。原文明确说Claude Code、Codex等代理都可以，只是要自己接MCP、WordPress和数据库。Letaido是Ahrefs自家产品，原文推荐它带有自家立场，方法本身不依赖某个工具。

自动化跑稳以后还需要维护吗？

需要。模型升级、数据接口改版、突发新闻造成的异常数据、新出现的例外情况、CMS或主题更新，都可能让流程悄悄出错。要设失败提醒，并定期抽查保留清单和被拒清单。

权威参考资料