我把內容流程，
做成一台機器
它把一個人變成一間媒體公司，替 Tenex 帶進數千萬美元 pipeline，而且對 AI slop 過敏。做法不神祕：把你做事的每一步拆開，標出哪裡需要你、哪裡不需要——剩下的，交給一排各司其職的 skill。
tl;dr
把內容生產的每一步拆開，問一個問題：哪裡需要我、哪裡不需要。你只守第一哩（選方向、給脈絡）和最後一哩（逐字審、簽核），中間 11 個關卡交給一排 skill。品質靠兩個審查團把關——訪談團逼出具體故事與數字，評議會改到 9/10 才放行；一個母稿再擴散成 10＋ 衍生版。這是兩個人能像一百個人產出的原因。
先把人怎麼做的，畫出來
要讓一件工作變 AI 原生，得先搞懂它過去是怎麼做的。這就是為什麼在後 AI 時代，業務脈絡與領域專業反而更值錢——你得先說得清流程，AI 才接得上。Alex 抽出一張 A4 紙，畫下做了十年的傳統內容流程，十個步驟：
十年的「人工做法」攤平成十步。先有這張圖，才知道哪一步可以交出去。
哪一哩需要我，哪一哩不需要
攤平之後，問題只剩一個：哪幾步只有我能做？答案是頭尾兩哩。第一哩——選方向、給足脈絡；最後一哩——拿放大鏡逐字審、給最終簽核。中間那一大段，AI 全包。
人守頭尾兩哩，AI 跑中間
同一條流程，重新分工：紅色＝只有你能做，靛色＝交給 AI。
這台機器長怎樣
機器不是一支大程式，而是一個資料夾的 skill，每支對應流程裡被交出去的一步。可以整條一鍵跑完，也可以一步一步來。骨架是四個階段，加上兩條退回的迴圈——這兩條迴圈才是它不產 slop 的關鍵。
綠色＝同一稿改到 9/10；紅色＝答不出來就退回訪談補料；藍綠色＝定稿後把教訓存起來，下一篇起點更高。
11 個關卡，逐一拆開
把四個階段攤開，就是 11 支 skill。每支標了誰主導——大多是 AI，但點子和定稿這兩關，機器不替你做決定。
The Oracle 神諭 AI
在地表挖點子。掃你的 Slack、Notion、通話逐字稿、Gmail，找你「不小心說出口、值得展開」的瞬間；另一條 Internet Reader 顧你選定的 X 帳號與網站。評分 ≥6/10 的點子寫進 The Vault（Notion 點子庫）。
從 Vault 選點子 人
從點子庫挑一個要做的。這步是第一哩，機器不替你決定方向——它只把好點子端到你面前。
The Researcher 研究員 AI
訪談前先生一份 research-report.md：TL;DR、附連結的關鍵事實、最新發展、別人已經講過什麼、反方角度、留給訪談的問題。論點被對抗式查核，事實跟意見分開放。
Interview Panel 訪談團 AI＋人
六位世界級訪談者一次問一題，共 12–15 題，每人逼一個不同面向，對模糊答案不放行。沒有 2–3 個具體故事、真實數字、情緒細節，就不往下走。
Production 製作 AI
訪談變成一份原始 .md：逐字稿、關鍵故事、核心洞見、可引用金句、情緒錨點、意外揭露，還有「所以呢」。這份 raw 檔是神聖的——你的原話，絕不被改寫掉。
Refinement 精修 AI＋人
你說要哪種內容，它讀你的客製風格指南＋過去的回饋教訓＋內容類型規格，用你的聲音起草，從 raw 檔拉真實故事與引用。第一守則：寫得像在跟朋友傳訊息。長文、LinkedIn、X thread 都支援。
Writer's Council 評議會 AI
六位專家各用自己的視角打分，把要改的分兩堆：編輯類（機器自己改）與資訊缺口（只有你能答，退回訪談團）。
Revision Loop 修訂迴圈 AI
一直改，直到評議會給出 9/10 為止。不到分就不放行。
Repurposing Engine 再利用引擎 AI 兩人像一百人
一個母稿 → 10＋ 個原生格式衍生版，每個為自己的平台重新鉤住開頭，而且每個都過同一關：評議會 → 修訂到 9/10。不是把同一篇複製貼到各處，是每個版本都重做到同樣標準。這就是兩個人怎麼產出像一百個人。
最終定稿 人
最後一哩。前面再強，這關還是你拿放大鏡逐字審、給最終簽核。
Learning Loop 學習迴圈 AI
核准後，機器比對初稿 vs 終稿，萃取確認過的教訓，存進那位創作者的 content-lessons.md。每次新初稿都更聰明。教訓與風格指南衝突時，以教訓為準。
兩個審查團，撐住品質
機器之所以對 slop 過敏，靠的是頭尾兩個由「名人視角」組成的審查團：一個在輸入端逼出真材實料，一個在輸出端把關才放行。它們是同一招的兩面——用多個不同視角，逼出單一視角會放過的東西。
輸入端：訪談團 AI＋人
在素材進機器之前，逼你把腦子裡的東西挖乾淨。六位風格各異的訪談者輪流上：
- 一次只問一題，共 12–15 題
- 每位逼一個不同面向，不會重複角度
- 答得含糊就追問，不接受空話
- 沒有具體故事、真實數字、情緒細節，不放行
輸出端：評議會 AI
草稿出來之後，換另一組名人各用自己的標準打分：
- 每位用自己的視角評，分數合起來看
- 要改的分兩堆：編輯類 vs 資訊缺口
- 編輯類機器自己改；資訊缺口退回訪談團
- 一路修訂，到 9/10 才放行
讀完這篇希望你能帶走的事
要把工作自動化，先把它畫出來。看不清楚的流程，沒辦法交給 AI——所以你的領域專業反而更值錢。
交出去之前，標清楚哪幾步只有你能做：第一哩選方向、給脈絡，最後一哩逐字審、簽核。其餘交給一排各司其職的 skill。
品質不是靠一支更強的模型，是靠關卡：用名人視角逼出真材實料，改到 9/10 才放行，連衍生版都不例外。最後留一條學習迴圈，讓下一篇的起點比這篇高。