我如何用 AI 规划自己的内容体系：一个 Builder 的选题系统

 一只阿木木

这篇文章有点特别。

它不只是在讲"我怎么规划选题"—— 它本身，就是用我正在讲的那套系统生产出来的。

所以你读到的不只是一个方法，而是一次系统自我证明。

写在前面：一个让我有点尴尬的问题

三个月前，有个读者在后台问我：

"阿木木，你研究了这么久 AI 知识管理，你自己的内容是怎么规划的？"

我盯着这条消息看了很久，没有立刻回复。

不是因为问题太难，而是因为——

我的回答会暴露一个挺尴尬的事实：我研究了这么久"如何让知识驱动产出"，但我自己的内容规划，一直靠的是灵感拍脑袋。

选题来了就写，没选题就焦虑。有时候一个月憋不出一篇满意的文章，有时候三天出三个想法但全都烂尾。

我花了大量时间研究 book-to-skill、Claudian、claude-obsidian，搭了一套精密的 AI 知识系统。

但选题这件事，我从来没有系统化过。

这个问题让我意识到：我在用一套精密的引擎，却一直手动换挡。

所以我决定做一件事：

用我自己建造的 AI 系统，来解决我自己的内容规划问题。并且把这个过程公开出来。

这篇文章，就是这次实验的完整记录。

第一部分：为什么内容规划那么难

在讲怎么做之前，我想先说清楚问题到底出在哪里。

因为大多数关于"内容规划"的文章，给的都是"多做用户调研"、"建立选题池"、"排好内容日历"这类建议。

我全试过。全没用。

不是因为方法不对，而是因为这些方法只解决了表层问题，没触到根。

内容规划真正难的地方，有三个层次：

难点一：不知道自己真正擅长什么

很多创作者的选题困境，本质是自我认知模糊。

不清楚自己的核心优势是什么，只知道"我对 AI 感兴趣"。

"感兴趣"和"有独特洞见可以持续输出"，是两件完全不同的事。

我也曾经有很长一段时间在追热点——ChatGPT 火了写 ChatGPT，Notion AI 出了写 Notion AI。写完感觉自己很勤奋，但回头看什么都没沉淀。

因为那些内容不是从我的系统里长出来的，是从热点里借来的。

难点二：知识是分散的，选题没有连接

我的 Obsidian 里有三百多篇笔记。

读书摘录、产品思考、技术笔记、生活感悟，全都在里面。

但当我打开空白文档，坐下来想"这周写什么"的时候——

那三百篇笔记，跟我没有任何关系。

知识在笔记里沉睡着，选题在我脑子里焦虑着。两件事从来没有真正连接过。

这不是努力不够的问题，是结构性的断层。

难点三：缺乏一个稳定的"内容自我观察视角"

程序员有代码 Review，设计师有作品 Critique，但创作者很少有人帮自己系统地梳理：

• 我过去写的内容，哪类真正有价值？
• 我的读者在哪个话题上跟我共鸣最深？
• 我真正在建造什么，这些内容最终通向哪里？

没有这个视角，选题就永远是一锤子买卖，打一枪换一个地方。

三个难点，本质上是同一个问题：

我缺少一个能理解我、看见我的知识全局的系统。

而这，正好是我一直在建造的东西。

所以我决定，让这个系统来做这件它本该做的事。

第二部分：实验开始——把自己"喂"给系统

这个实验有一个很有意思的前提：

我要把"我自己"作为输入源，喂给我自己建造的 AI 知识系统。

不是喂一本书，不是喂一篇文章，而是喂：

• 我写过的所有内容
• 我的 IP 定位文档
• 我的价值观和内容原则
• 我的知识库现状

让系统看见"完整的我"，然后问它：基于这一切，我应该写什么？

Step 1：整理"关于我"的核心文档

第一步不是打开 Claude，而是先做一件笨功夫：

把所有"关于我"的文字，整理成一份结构化文档。

我花了大约一个小时，整理出以下内容：

Markdown

# 关于我：一只阿木木
## 我是谁（背景）
- 程序员出身（Java 后端），现专注 AI 知识管理
- 公众号创作者，走深度内容路线
- 正在公开建造一套 AI 第二大脑系统
## 我的核心系统（正在建造什么）
- book-to-skill：把书拆解成 Claude 可调用的 Skill
- Claudian：Obsidian 内的 Claude Code 插件
- claude-obsidian：知识自动组织工具
- CLAUDE.md：整个系统的 AI 宪法
## 我写过的内容（分类整理）
- 系统介绍类：XX篇
- 工具拆解类：XX篇
- 方法论类：XX篇
- 踩坑类：XX篇
## 读者反馈最强的几篇（主观判断）
- 《……》：反馈关键词 "没想到还能这样用"
- 《……》：反馈关键词 "终于有人说清楚了"
- 《……》：反馈关键词 "我也遇到过这个问题"
## 我还没写但一直想写的
（先列出来，不管好不好）
## 我的内容原则
- 温度 > 技术
- 体系 > 碎片
- 长期 > 短期

这份文档，是整个实验的起点。

它的作用，是让 AI 不只是在和"一个用户"对话，而是在和一个有完整背景、有真实脉络的创作者对话。

你喂给系统的上下文有多完整，系统给你的建议就有多精准。 这是后来我反复验证的一个核心结论。

Step 2：把这份文档写进 CLAUDE.md

整理好之后，我把这份文档的核心内容，写进了 Vault 根目录的 CLAUDE.md。

这是整个系统的关键动作。

很多人用 AI 做内容规划，是这样做的：

text

打开 ChatGPT → 输入"帮我想 10 个选题" → 得到 10 个通用建议

这种用法没有错，但它得到的是通用答案，不是属于你的答案。

你和 AI 之间没有共识，AI 不知道你是谁，不知道你的读者是谁，不知道你已经写过什么，不知道你的内容体系是什么形状。

它只能给你一个对所有人都成立的答案。

而写进 CLAUDE.md 之后，每次 Claude Code 启动会话，它第一件事就是读取这份文件。

从这一刻起，系统认识我了。

我的每一次提问，都有一个完整的背景在支撑着。

Step 3：让 Claudian 审视我的知识库

接下来，我打开 Claudian，把自己的整个 Vault 当成对话对象。

我的第一个提问不是"帮我想选题"，而是：

"基于我的 CLAUDE.md 和 Vault 里的所有内容，你看到了什么？我的知识库里有哪些被我忽视的主题？"

这个问题问的是——镜子里的我。

让 AI 从一个旁观者的角度，告诉我它从我的知识积累里看到了什么。

Claudian 扫描了我的 Vault，给出了一份分析。我不会直接引用它的输出，但我可以告诉你，它找到了三件我自己没有意识到的事：

第一：我写了很多关于"工具"的内容，但很少写"为什么要用这套工具"的底层逻辑。

这意味着我的内容里有大量的 How，但 Why 严重不足。而恰恰是 Why 类的内容，传播性和长期价值都更高。

第二：我的 Vault 里有大量关于"知识与项目连接"的碎片笔记，但从来没有整合成一篇完整的文章。

这是一个典型的"知识已有，但没有被激活"的状态。系统看到了，我自己没看到。

第三：我的内容缺少一条清晰的"读者成长路径"。

新读者看到我的文章，不知道该从哪篇开始。老读者跟着我走，但不知道我在带他们去哪里。这是一个内容架构层面的根本性缺失。

这三个发现，直接影响了后来选题规划的方向。

Step 4：用 book-to-skill 给内容规划建立理论支撑

在用 AI 做了第一轮扫描之后，我意识到自己在"内容规划"这个领域，其实是欠读的。

我读了很多关于 PKM 的书，但关于内容创作体系、个人品牌建设、Build in Public 方法论，我的知识库里基本是空白的。

于是我做了一件事：

把几本我认为对这个议题最有价值的书和文档，用 book-to-skill 拆解入库。

Bash

/book-to-skill ~/books/show-your-work.pdf        # 公开建造经典
/book-to-skill ~/books/content-strategy.pdf      # 内容策略
/book-to-skill ~/docs/build-in-public-guide.md   # BIP 方法论文档

这个动作的本质，是在用系统提问之前，先给系统装备弹药。

拆解完成后，我再次打开 Claudian，这次加上了 Skill 的调用：

text

/show-your-work-skill
/content-strategy-skill
基于这两本书的框架，结合我的 CLAUDE.md 背景，
帮我分析：我的内容体系缺失了哪些关键模块？

这次得到的分析，比第一轮深了很多。

因为 AI 不只是在扫描我的现状，而是在用经过验证的框架来衡量我的现状。

第三部分：选题体系的生长过程

经过以上四个步骤，我拿到了足够的原材料。

但我没有直接让 AI "给我 20 个选题"。

这里有一个很重要的判断：

AI 给你的选题，永远是建议，不是答案。真正的选题，必须经过你自己的判断和过滤。

如果直接把 AI 输出的选题列表搬上来就发布，读者会感受到的——那种空洞感，那种"说了等于没说"的感觉，就是因为没有经过创作者本人真实的消化。

所以我用的是一个三轮过滤的方式。

第一轮：发散——让 AI 生成原始选题池

这一轮的目标是数量，不是质量。

我给 Claudian 的指令是：

text

基于以下内容，帮我列出所有可能的选题方向：
- 我的 CLAUDE.md（背景 + 系统 + 原则）
- 我的 Vault 扫描结果（三个发现）
- show-your-work-skill 的框架
- content-strategy-skill 的框架
不需要筛选，不需要优先级，只需要尽可能多的方向。
格式：一行一个，不超过 15 字。

这一轮我拿到了大约 40 个方向。

绝大多数是废的。但没关系，这一轮的目的就是把所有可能性先铺出来，再从里面找金子。

第二轮：收敛——用我的标准过滤

拿到 40 个方向之后，我做的第一件事不是继续问 AI，而是自己坐下来，用三个问题过滤每一个选题：

问题一：这个选题，只有我能写吗？

如果这个话题，随便搜索一下就有十篇文章在写，我写了也只是添砖加瓦，那这个选题对我的 IP 没有价值。

真正有价值的选题，是只有经历过我所经历的人，才能写出来的文章。

问题二：这个选题，是从我的系统里"长出来的"，还是"借来的"？

从系统里长出来：我在建造系统的过程中真实遇到的问题、真实的发现、真实的踩坑。 借来的：我看到别人写了某个话题，觉得我也可以写一篇。

只有前者值得写。

问题三：这个选题写完，五年后还有价值吗？

追热点的内容，三个月后就失效了。 讲底层逻辑、讲系统建造过程的内容，五年后读起来依然有意义。

用这三个问题过滤，40 个方向最后剩下 12 个。

第三轮：结构化——让 AI 帮我给选题建架构

12 个选题过滤出来之后，我做了第三件事：

让 AI 帮我把这 12 个选题组织成一个有结构的内容体系，而不是 12 个孤立的文章。

指令：

text

这是我筛选出来的 12 个选题方向（附列表）。
帮我分析：
1. 这 12 个选题之间有什么内在逻辑关系？
2. 如何把它们组织成一个有层次的内容体系？
3. 哪篇应该最先写？理由是什么？
4. 如果一个新读者读完这 12 篇，他会建立起什么样的认知？

这一轮的输出，才是真正的内容规划。

不只是一个选题列表，而是一张内容地图——每篇文章在整个体系里有自己的位置，有上下文，有连接，有方向感。

最终形成了我内容体系的四个系列：

text

A 系列：建造记录（Show, Don't Tell）
B 系列：方法论输出（洞见提炼）
C 系列：踩坑实录（真实细节）
D 系列：普通人入门路径（流量入口）

每个系列有明确的定位，每篇文章有明确的角色。

这张内容地图，是我第一次感觉自己的内容不是在"一篇一篇写"，而是在"建造一个整体"。

第四部分：让系统持续生长

规划做完了，但这不是终点。

一张静态的内容地图，会过时。

我真正想要的，是一个会持续生长的内容规划系统——随着我的系统迭代、随着读者反馈、随着我的认知深化，选题体系也在动态更新。

为了做到这一点，我建立了三个机制：

机制一：Weekly Review 触发选题更新

每周日晚上，我有一个固定的 30 分钟 Review 时间。

这 30 分钟里，我做的第一件事，是打开 Obsidian，在 Inbox/ 里快速记录这一周：

• 遇到了什么问题？
• 发现了什么新东西？
• 哪个地方卡住了，卡在哪？
• 有什么意外的收获？

这些零散的记录，通过 claude-obsidian 自动组织到对应的 Concepts/ 或 Projects/ 文件夹。

然后我问 Claudian 一个固定的问题：

text

基于本周的 Inbox 新增内容，
结合我当前的内容地图，
有没有新的选题方向值得添加？
有没有现有选题需要调整？

这个机制保证了内容规划不会脱离我真实的建造进程。

我在建造中发现什么，内容就往哪里生长。

机制二：读者反馈进入知识库

每次发布文章之后，我会把读者的评论和私信里的关键反馈，整理成一份简短的 feedback-note，存入 Vault。

格式很简单：

Markdown

---
文章：《xxx》
发布时间：YYYY-MM-DD
---
## 共鸣点
- "我也遇到过这个问题，但从来没想到可以这样处理"
- "终于有人把这件事说清楚了"
## 困惑点
- "这个步骤我看不懂，能举个例子吗？"
- "这个工具要怎么安装？"
## 延伸需求
- "能写一篇关于 xxx 的文章吗？"

这些反馈积累到 Vault 里，会在下次运行 Claudian 做选题规划时，成为重要的输入。

读者在告诉我他们真正在意什么。系统帮我记住，然后在下次规划时提醒我。

机制三：Changelog 作为选题触发器

我每周发布的 Build in Public Changelog，不只是对外的展示，同时也是对内的输入。

每期 Changelog 记录的"本周新增 Skill"、"本周踩坑"、"本周最有价值发现"，都会自动成为下一轮选题审视的素材。

一件事，如果在三期 Changelog 里都被提到，那它就值得被单独写成一篇深度文章。

这个机制解决了一个我曾经长期困扰的问题：我不知道什么时候一个想法成熟了，可以写成文章了。

答案是：当它在 Changelog 里出现了三次，它就熟了。

第五部分：这套系统教会我的事

做完这个实验，最大的收获不是那张内容地图。

而是我对"AI 辅助创作"这件事，有了一个更清晰的认知。

第一个认知：AI 是镜子，不是导航仪。

很多人用 AI 是这样用的：告诉我该去哪。

但 AI 最擅长做的事，其实是告诉你你在哪。

让它扫描你的知识库，让它分析你的内容现状，让它指出你的盲区——这是 AI 真正能给你不可替代的价值。

"该写什么"这个问题，最终还是要你自己回答。

第二个认知：输入的质量决定输出的质量。

我前后做了两轮实验。第一轮只给了 AI 一个简单的"帮我规划内容"，得到的是通用建议，没什么用。

第二轮花了时间整理 CLAUDE.md、整理读者反馈、整理 Vault 现状，再提问，得到的东西完全不同。

你给 AI 的上下文有多完整，AI 给你的答案就有多精准。

这不是 AI 的问题，这是输入质量的问题。

第三个认知：系统的价值在于复利，而不在于第一次运行。

这套内容规划系统，第一次运行花了我大约三个小时。

但第二次运行，因为 Vault 里已经有了结构，有了 Skill，有了历史 Changelog，只花了四十分钟。

第三次运行，因为读者反馈也进了系统，每个选题都有了更清晰的用户需求支撑，只花了二十分钟。

系统越用越快，越用越准。这才是建造它真正的意义。

结尾：用系统建造系统

我在公众号的简介里写了一句话：

"公开建造我的 AI 第二大脑。"

这篇文章，是对这句话最真实的诠释。

我用 book-to-skill 给内容规划装备了理论弹药。 我用 CLAUDE.md 让 AI 真正认识了我。 我用 Claudian 让 AI 看见了我知识库的全局。 我用 claude-obsidian 让读者反馈和建造日志持续进入系统。

最后，我用这套系统，规划出了这套系统接下来要写的内容。

这是我喜欢这件事的根本原因：

不是因为它让我变得更高效。

而是因为它让我建造的每一件事，都在帮助我建造下一件事。

知识不再沉睡在笔记里。 它在驱动真实的产出。 它在建造一个不断生长的系统。

这才是"AI 第二大脑"这个词，对我真正的意思。

如果你也想开始建造自己的系统，欢迎关注公众号【一只阿木木】，我会持续公开整个建造过程。

每一个踩坑，每一次迭代，每一个新发现——都会在这里。

【一只阿木木】 公开建造我的 AI 第二大脑

📌 本文是「Skill Stack 建造记录」系列的一部分

上一篇：《Skill Stack 深度拆解：三个工具如何协同构成一套 AI 知识系统》

下一篇：《CLAUDE.md：为什么一个文件决定了你 AI 系统的上限》

写完之后的一个 meta 注记

这篇文章本身，经历了三稿。

第一稿太技术，像教程。 第二稿太抽象，像鸡汤。 第三稿才找到那个平衡：有具体细节，但细节是为了服务一个更大的认知，而不是炫技。

这个打磨过程，也是系统的一部分。

AI 给了我结构，但温度是我自己加进去的。

这大概是 Builder in Public 这件事，最真实的样子。

我是【一只阿木木】——公开建造我的 AI 第二大脑。

普通人如何用 AI 搭建自己的知识操作系统？

一个程序员出身的知识工作者，公开记录自己如何用 AI 工具搭建个人知识系统、把读过的书和做过的项目变成可复用资产的全过程。

欢迎加入行动营👇获取更多Obsidian + AI数字大脑实践

我相信：在 AI 时代，每个普通人都该拥有一个自动生长的知识系统

欢迎关注【一只阿木木】🌊