企业官网建设流程全解析

最近在拆解 Greg Isenberg 那期《五大 GitHub 仓库：告别 AI 烂文，作品爆火，顺便赚钱》时，最有感触的不是某个具体工具多厉害，而是他反复强调的一句话：AI 只是“编辑”，不是“作者”。很多人用 AI 写出来的东西被打回、被读者嘲讽“一股机器味”，并不是大模型能力不行，而是整个内容生产链条缺少了三样东西：高质量提示词、人类感校验、变现闭环。

这篇文章会围绕内容创作者和开发者的真实需求，把五大类 GitHub 仓库整理成一套可落地的“中文实践版”工作流。不管你是写技术博客的开发者，还是做小红书、公众号、知乎的内容运营，都能直接套用里面的方法、代码和检查清单。文章的重点不是告诉你“有哪些仓库”，而是告诉你拿到仓库后怎么配置、怎么改、怎么接入自己的创作流程。

1. 为什么 AI 生成的内容，总被人说“烂文”

先说一个很常见的现象：同样是用 ChatGPT、Claude、Kimi 这类模型，有人写出来的文章数据很好，有人写出来的东西一眼假。

这不是玄学，而是大量 AI 文本存在共性通病：

1. 关联词堆砌：“首先”“其次”“再者”“综上所述”排着队出现。
2. 排比句失控：每段都是“不仅……而且……更是……”，读起来像口播稿。
3. 缺少有效信息：讲了半天，没有案例、没有数字、没有个人经验，只有正确的废话。
4. 结构同质化：每一篇都是“引言—分点—总结”，连小标题套路都一模一样。
5. 没有观点风险：什么都不敢否定，什么都不敢承诺，最终内容没有记忆点。

这些问题的根源，不是 AI 模型不够聪明，而是使用者的“生产过程”不像一个编辑流程。真正能持续稳定产出优质内容的团队，会把选题、写作、改写、分发拆成多个独立环节。而 GitHub 上大量的开源仓库，正好可以帮助我们把每个环节标准化、自动化。

Greg 的思路本质上是用开源工具搭建一条内容生产线：

• 用“提示词仓库”解决创作起点问题；
• 用“文本改写仓库”解决机器感问题；
• 用“数据挖掘仓库”解决选题问题；
• 用“模板仓库”解决生产效率问题；
• 用“变现仓库”解决内容商业化问题。

下面五个部分，会逐一展开。

2. 环境准备与版本说明

在围绕仓库折腾之前，先花几分钟准备环境。这一节不是多余的，很多同学看到代码跑不通，90% 是环境不一致。

本文的示例环境如下，不一定要求你完全一致，但思路是一样的：

如果网络访问 GitHub 不稳定，可以优先做两件事：

1. 使用国内可信的开源镜像站阅读仓库代码，只读模式不要登录个人账号；
2. 优先用git clone下载公开仓库，不要用第三方“加速下载工具”输入密码。

需要说明的是，本文涉及的外部 API 密钥（如 OpenAI API Key）请放到环境变量中，不要直接写在代码里，避免泄露。示例中的模型名“gpt-4o-mini”“claude-3-5-sonnet”等只是常见选项，你要根据自己账号可用的模型进行替换。

3. 仓库一：提示词工程类仓库，解决“不会写提示词”

3.1 这类仓库是做什么的

最典型的一类仓库，就是收录了大量高质量提示词模板的“提示词大全仓库”，代表作之一是awesome-chatgpt-prompts。这种仓库把“角色设定”“输出格式”“约束条件”写成现成的提示词，拿来就能用。

它解决的核心问题很简单：你不需要每次从零开始想提示词，只需要找到合适场景，然后微调即可。

比如你想让 AI 扮演“资深科技编辑”，一个非常普通的提示词是：

请帮我写一篇关于人工智能的文章。

而使用提示词模板后，可以变成：

你是一位拥有 10 年经验的中文科技媒体主编，擅长把复杂技术讲得通俗易懂。 请围绕“人工智能对普通人的影响”写一篇 1500 字左右的文章。 要求： 1. 开头用真实场景引入，不要用“随着科技的发展”开头。 2. 每个论点都需要配一个具体案例或数据。 3. 禁止使用“首先、其次、最后”这类关联词。 4. 结尾给出一个可执行的建议。

相比之下，后者的输出质量会明显提升。这不是玄学，而是因为大模型的输出高度依赖上下文约束。

3.2 如何把提示词仓库变成自己的模板库

直接用别人的提示词有个问题：角色设定和风格要求往往不符合你的个人表达习惯。建议拿到提示词后，按照下面三步定制：

1. 拆解：把提示词拆成“角色”“任务”“格式”“风格”“禁忌”五个部分。
2. 替换：把“英文科技编辑”换成你自己的领域，比如“Java 后端开发”“Python 数据分析”。
3. 测试：准备三篇历史文章，让 AI 用新提示词生成，对比风格是否接近。

下面是一个简单的 Python 示例，演示如何把提示词模板放入代码中，批量生成文章：

# 文件路径：prompt_engine.py import os from openai import OpenAI client = OpenAI( api_key=os.environ.get("OPENAI_API_KEY"), # API Key 通过环境变量注入 ) STYLE_PROMPT = """ 你是一位中文技术文章编辑，写作风格需要满足以下要求： 1. 不使用空洞的套话和排比句； 2. 每个段落必须有具体案例、代码或数据支撑； 3. 段落控制在 4 行以内，长段落必须拆行； 4. 结尾给出可操作的建议，而不是喊口号。 """ def generate_article(topic: str) -> str: response = client.chat.completions.create( model="gpt-4o-mini", # 根据自己的账号权限调节 messages=[ {"role": "system", "content": STYLE_PROMPT}, {"role": "user", "content": f"请围绕以下主题写一篇技术文章：{topic}"}, ], temperature=0.7, # 控制随机性，技术文建议 0.5~0.7 top_p=0.9, # 控制候选词范围 max_tokens=2000, ) return response.choices[0].message.content if __name__ == "__main__": print(generate_article("为什么大多数人用不好 AI 写代码"))

这里有几个参数需要说明：

• temperature：越大回答越发散，适合创意文案；越小越稳定，适合技术教程。
• top_p：与 temperature 类似，一般二选一调节即可。
• max_tokens：控制输出长度，太长可能被截断。

实际使用中，建议不要把 API 调用写死在业务代码里，而是把模板存入独立的prompts/文件夹，用配置文件管理。这样更换模型、调整风格时不需要改主逻辑。

4. 仓库二：文本“去机器感”改写仓库，解决“一眼 AI”问题

4.1 什么是“AI 味”，怎么去掉

第二类仓库，是各种“去 AI 味”“文本润色”“风格转换”的脚本集合。它们在中文社区里有各种版本，有的是关键词过滤，有的是长句拆分，有的是调用大模型做二次润色。

严格来说，这里要说明一下边界：我们讨论“去机器感”，是为了提升文章的可读性，而不是为了欺骗平台检测系统。一篇内容是否有价值，最终取决于信息量和个人见解。用工具去掉“首先、其次、综上所述”等口头禅，本质是在还原人类写作的自然状态。

常见“AI 味”语言特征包括：

随着科技的飞速发展…… 综上所述，我们可以得出以下结论…… 值得注意的是…… 不难发现…… 赋能、抓手、闭环、颗粒度

下面用一个可运行的 Python 脚本，演示初级“去 AI 味”处理。它的思路是：先按高频词替换，再把超过 80 个字符的长分句自动拆开。

# 文件路径：de_ai.py import re AI_WORDS = { "首先": "", "其次": "", "再次": "", "最后": "", "综上所述": "", "总而言之": "", "不难发现": "你会发现", "众所周知": "每个人都知道", "值得注意的是": "需要注意的是", } def de_ai_text(text: str) -> str: # 第一步：替换高频 AI 套路词 for word, replacement in AI_WORDS.items(): text = text.replace(word, replacement) # 第二步：把过长分句拆短（在逗号后新增换行） text = re.sub(r"([^。！？]{80,}?，)", r"\1\n", text) # 第三步：去掉连续空行 text = re.sub(r"\n{3,}", "\n\n", text) return text.strip() if __name__ == "__main__": sample = "首先，随着人工智能技术的不断发展，越来越多的内容创作者开始使用大模型生成文章。其次，这些文章往往存在语言重复、内容空洞的问题。综上所述，我们需要建立一套完整的写作工作流。" print(de_ai_text(sample))

运行后，输出大致长这样：

随着人工智能技术的不断发展， 越来越多的内容创作者开始使用大模型生成文章。 这些文章往往存在语言重复、内容空洞的问题。 我们需要建立一套完整的写作工作流。

但请注意：这类脚本只是“兜底工具”，不能替代真正的编辑工作。更好的做法是，把 AI 生成的初稿当作一个“话痨同事”，你需要动手改写，删除冗余，补充自己的案例。

4.2 加入“人类证据”的改写清单

无论用多少工具，最有效的“去 AI 味”方式是加入三类内容：

如果说 AI 负责“完成初稿”，那作者就应该负责“提供经历”。一篇完全没有个人痕迹的文章，即使句子再通顺，读者也很难产生信任感。

5. 仓库三：选题与受众挖掘仓库，解决“不知道写什么”

5.1 GitHub 本身就是一座选题金矿

第三类值得收藏的仓库，是“挖掘受众需求”的数据分析类仓库。很多人忽略了一个事实：GitHub 上每天都有大量开发者讨论自己的痛点、工具、库，这些讨论就是天然的选题来源。

简单说一个操作思路：

1. 用 GitHub 搜索topic:写作、topic:chatgpt、topic:api等关键词，找到近期热门仓库。
2. 看仓库的 Issues 和 Discussions，记录用户反复提的问题。
3. 把这些问题转成文章标题。

举个例子，如果很多人在某个“一键生成文章摘要”的仓库 Issues 里问“支持中文吗？”那你就可以写一篇《我用 Python 给 AI 生成器加上中文摘要能力，附完整代码》。这类文章因为紧扣痛点，流量的起点通常不会太差。

下面用 GitHub 官方搜索 API 演示获取仓库列表。注意：公开 API 有请求频率限制，建议使用requests并控制调用频率。

# 文件路径：github_trending_search.py import requests import time # 如果你的请求频率较高，最好配置自己的 GitHub Token HEADERS = { "Accept": "application/vnd.github+json", # "Authorization": "token 你的token" } def search_repos(keyword: str, per_page: int = 10): url = "https://api.github.com/search/repositories" params = { "q": f"topic:{keyword}", "sort": "stars", "order": "desc", "per_page": per_page, } response = requests.get(url, headers=HEADERS, params=params, timeout=10) response.raise_for_status() for repo in response.json().get("items", []): print(f"{repo['full_name']} stars: {repo['stargazers_count']}") print(f" description: {repo['description']}") print("---") time.sleep(0.5) # 避免触发限流 if __name__ == "__main__": search_repos("writing")

通过这类脚本，你可以定期把“当前热点领域内的高星仓库”抓下来，放到表格里，形成自己的选题池。不需要太复杂的模型，简单整理即可：

6. 仓库四：标题与内容结构生成仓库，解决“起标题难、没框架”

6.1 标题生成器的核心代码

第四类仓库是内容工程模板。标题、大纲、社群文案、视频脚本，这些内容都有套路可循，所以可以直接程序化生成。

写标题这件事，不一定全靠人工憋。我们可以把历史爆款标题喂给大模型，让它学习模式。下面是一个支持批量生成标题的 Python 示例：

# 文件路径：title_generator.py import os from openai import OpenAI client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY")) TITLE_RULES = """ 请根据下面的要求，为文章生成 10 个中文标题： 1. 每个标题不超过 20 个字； 2. 必须在标题中出现具体的数字或收益； 3. 风格在“干货教程”和“经验分享”之间切换； 4. 不要使用标题党词，如“震惊”“重磅”“免费送”。 """ def generate_titles(content: str) -> list[str]: response = client.chat.completions.create( model="gpt-4o-mini", messages=[ {"role": "system", "content": "你是一位公众号资深编辑。"}, {"role": "user", "content": f"文章内容：\n{content}\n\n{TITLE_RULES}"}, ], temperature=0.9, ) text = response.choices[0].message.content return [line.strip().lstrip("0123456789.、 ") for line in text.splitlines() if line.strip()] if __name__ == "__main__": article = "我在个人项目中用 Python 写了一个定期抓取 GitHub 热榜的脚本，把数据存进 SQLite，并生成日报。" for idx, title in enumerate(generate_titles(article), 1): print(f"{idx}. {title}")

运行后可能会得到这样一组标题：

1. 我用 Python 抓 GitHub 热榜，做了个自动日报 2. 每周省 2 小时：我的 GitHub 热榜脚本方案 3. 从 0 到 1：搭建一个 GitHub 热点监控工具 4. 别再手动刷 GitHub 了，试试这个脚本 ...

注意，这种生成结果只能作为“候选池”。最后发布在平台时，你要用平台自带的数据反馈去判断：如果一层标题没数据，就换一个角度重新生成。把标题选择当成 A/B 测试，不要追求一次性完美。

7. 仓库五：变现启动套件仓库，解决“内容怎么赚钱”

7.1 从内容到产品的转发路径

第五类仓库，严格说是“启动器”或“样板间”，包括落地页模板、支付对接示例、会员内容管理后台等。内容做到一定阶段后，最自然的变现方式是：

文章/视频（公域流量） -> 用户关注 -> 私域或邮件订阅 -> 数字产品 -> 复购

GitHub 上有很多现成的落地页开源项目，你可以用极低成本快速上线一个小产品页面。比如一个简单的“建站引导页”可以只包含三个核心模块：

1. 一句话说明产品价值；
2. 一个邮箱输入框；
3. 一个支付/购买按钮。

下面是一个最小可用的 HTML 模板片段（放在landing/index.html中）：

<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8" /> <meta name="viewport" content="width=device-width, initial-scale=1.0" /> <title>AI 写作工具箱</title> <style> body { font-family: sans-serif; max-width: 640px; margin: 80px auto; padding: 0 16px; line-height: 1.8; } .cta { display: inline-block; padding: 12px 24px; background: #1677ff; color: #fff; border-radius: 8px; text-decoration: none; } </style> </head> <body> <h1>AI 写作不走样：提示词模板 + 改写脚本</h1> <p>包含 30 个写作场景提示词，和一套可直接运行的“去 AI 味”脚本。</p> <a class="cta" href="https://你的支付链接">立即购买 ￥19.9</a> </body> </html>

这里要特别强调：不要一开始就做大而全的“知识付费平台”。正确节奏是先用一篇文章验证需求，如果你的读者愿意为某份模板付费，再花时间优化产品。很多技术人容易陷入“开发功能”的快乐，反而忽略了内容分发和需求验证。

7.2 订阅制内容的开源思路

如果你有后端开发能力，还可以考虑把内容仓库做成“订阅制”，例如：

• 用 GitHub Private Repo 存放付费文档；
• 通过脚本检查用户是否在付费名单内；
• 在本地或 CI 中自动生成读者包。

不过这里要注意：把 GitHub 当作内容承载平台时，不要存放涉及密钥、用户隐私、商业机密的资料。开源仓库不等于加密保险箱。

8. 从“AI 初稿”到“好内容”的四步工作流

前面五类仓库，单独使用各有价值，但真正爆发威力的是组合成一个完整流程。下面是我的日常内容生产工作流：

8.1 第一步：用选题仓库确认“做什么”

每周固定花 30 分钟，用 GitHub 搜索 API 收集目标领域的高星仓库和 Issues 关键词。整理出一个不少于 20 条的选题池。选择标准不是“我喜欢”，而是“目标读者是否有明确痛点”。

8.2 第二步：用提示词模板生成初稿

从提示词仓库选一个最接近的模板，加入领域限定和风格要求，调用大模型生成初稿。生成时长控制在 5-10 分钟，千万不要追求“一次生成、一次发布”。

8.3 第三步：人工修订并引入“个人证据”

这是最关键的一步：

• 删除 AI 生成的开头套话；
• 加入你自己遇到的问题；
• 插入具体的代码、截图或数据；
• 把长段落拆成短句；
• 把“总而言之”换成“我的建议是”。

不要在这里偷懒。读者愿意花时间阅读，本质上是在为你的“真实经历”付费，而不是为 AI 的词句重组付费。

8.4 第四步：多渠道测试与数据回收

同一个主题的文章，可以按平台调性重新修改标题和开头。下面是一个简单的分发参考：

发布后收集两三个核心数据：阅读量、收藏量、评论关键词。用数据反向修正选题和标题。

9. 常见问题与排查思路

实际运行这些仓库和脚本的时候，大家会遇到一些高频问题。这里整理成一张表格，方便检索：

10. 最佳实践与工程建议

10.1 内容生产也要“配置化”

建议把提示词、风格要求、禁用词列表统一放到配置文件中，不要散落在代码和聊天记录里。示例结构：

content_workspace/ ├── prompts/ │ ├── article_system.md │ ├── title_rules.md │ └── video_script.md ├── scripts/ │ ├── generate_article.py │ ├── de_ai.py │ └── github_search.py ├── data/ │ ├── topics.md │ └── published_log.csv └── output/ ├── draft/ └── final/

这样做的价值在于：几个月后你想复现一种风格，不需要重新“调教” AI，只需读取当时的配置文件即可。

10.2 API 调用要控制成本和频率

大模型 API 不是无限免费的。建议使用异步批量调用时加入time.sleep，并且设置单次运行的最大请求数。对于每天都要跑的任务，优先考虑先本地缓存结果，避免重复请求。

10.3 内容版权与合规边界

使用开源仓库时，要注意三个原则：

1. 查看仓库开源许可证，尤其是“禁止商用”类许可证；
2. 抓取 GitHub 数据时，遵守 API 使用条款，不要高频请求；
3. 自己写的提示词模板和脚本，再小也可以开源，回报比想象中大。

10.4 用“读者反馈”驱动仓库选型

不同垂直领域的读者偏好差异很大。写技术教程的读者更看重代码能跑；写职场成长的读者更看重案例真实。建议每两周复盘一次，看看哪类内容收藏率高，然后回到 GitHub 找对应领域的仓库做深度研究。

11. 一点收尾建议

很多内容创作者把 AI 当成“一键生成工具”，这是对 AI 最大的误解。真正稳定的创作方式，是把 AI 嵌入一个可迭代的内容系统：用开源仓库持续挖掘选题，用提示词工程控制风格，用脚本去机械感，用数据反馈调整方向，最后再思考变现产品。

如果你想从今天开始动手，不需要一下子收藏几十个仓库。建议先做三件事：

1. 在 GitHub 上搜索awesome-chatgpt-prompts，克隆一份，挑出 3 个适合你领域的提示词。
2. 把上面第四节里的“去 AI 味”脚本复制到本机，用自己最近的一篇文章跑一遍。
3. 用 GitHub 搜索 API 爬 20 条你领域里的高星仓库，整理成下周的选题池。

这五个方向全部跑通之后，你收获的不只是一篇“不那么 AI”的文章，而是一套可持续的内容生产系统。祝创作顺利。