3个月，300篇，每天2小时：我用 Claude + Halo 搭了一条内容流水线

3个月，300篇文章，我一个人，每天工作不超过2小时。

先等等，在你关掉这个页面之前——我知道你在想什么："又是AI垃圾内容批量生产，这种东西有什么好看的。"

所以我先把数据摆出来：这300篇里，有3篇单篇自然搜索流量超过5000UV/月，有47篇在发布后90天内进入了百度相关关键词的前三页，整体废稿率从最初的20%压到了8%以下。

这不是"AI帮我写了300篇"，这是一套内容工业化方法论——AI是流水线上的工人，不是替代品。

如果你管理一个技术博客、知识付费专栏、或者任何需要持续产出内容的场景，这篇文章值得你读完。

---

第一章：为什么是 Claude，为什么是 Halo？

工具选型的起点

3个月前，我面临一个很具体的问题：手上有一个技术博客，积压了200多个选题，但每周能写出来的不超过3篇。按这个速度，选题池只会越积越多，内容永远追不上计划。

我试过 ChatGPT，也试过 Gemini。最终锁定 Claude 的理由是三条，每条都很实际：

技术类文章经常需要在一次对话里喂进去大量背景信息——产品文档、竞品对比资料、SEO关键词列表。Claude 在长上下文下的指令遵循稳定性明显优于同期对比的其他模型，不会在第5000个token之后开始"忘记"你在第1000个token时说过的约束。

这条很主观，但很关键。同一个 Prompt，Claude 输出的中文更接近"人写的"，句式不死板，不会出现那种机翻腔。技术内容的可读性本来就是难点，不需要再在语感上多一道坎。

我的 Prompt 里有很多结构性约束：字数范围、必须包含的小标题、禁止出现的词汇。Claude 在批量调用时的格式漂移率最低——这对自动化流水线来说是命脉，格式不稳定意味着解析代码要写大量兜底逻辑。

为什么选 Halo

Halo 是国产开源博客系统，选它的理由很功利：

• REST API 完整：支持通过 API 创建文章、设置分类标签、控制发布状态，自动化发布的前提
• Markdown 原生支持：Claude 输出的内容本来就是 Markdown，不需要格式转换层
• 部署成本低：Docker 一键起来，国内服务器没有访问障碍

WordPress 不是不行，但 API 生态相对复杂，插件依赖多，在自动化场景下维护成本更高。Halo 的架构更干净，适合"搭完就跑"的工程思维。

选型结论：工具选型不是玄学，是根据"批量写作 → 自动入库 → SEO友好发布"这条链路反推出来的。先定链路，再选工具。

---

第二章：流水线全貌——从一个想法到一篇上线文章

完整链路

选题池（飞书多维表格）
↓
Prompt 工厂（Claude API）
↓
质检层（规则过滤 + 人工抽检）
↓
Halo API 自动发布
↓
数据回流（阅读量 + 搜索排名反哺选题池）

每个节点都有它存在的理由，缺一个，整条链路就会在某个地方断掉。

Prompt 工厂的分层设计

这是整套系统最核心的部分，也是最容易被忽视的部分。很多人做 AI 写作自动化，只有一层 Prompt，把所有要求堆在一起，结果是：改一个需求，全局都要重新调试。

我的设计是三层解耦：

你是一位专注于[技术领域]的资深博主，写作风格简洁有力，
擅长用类比和实例解释复杂概念。你的读者是有一定技术基础
的从业者，不需要解释基础术语，但需要把核心逻辑讲透。

输出格式要求：
严格使用 Markdown 格式
标题层级不超过三级（#、##、###）
代码块必须标注语言类型
禁止出现"首先"、"其次"、"总结"等模板化词汇

请根据以下模板生成一篇完整文章：

文章结构
1. 开头（150-200字）：用一个具体场景或数据切入，直击痛点
2. 背景（300-400字）：交代问题背景，建立读者共识
3. 核心内容（分3-4个小节，每节400-600字）：逐步拆解解决方案
4. 实操步骤（200-300字）：给出可执行的行动清单
5. 结尾（100-150字）：给出判断，不要废话

总字数：1800-2200字

关键词：{keyword}
目标标题：{title}
核心论点：{core_argument}
必须包含的技术点：{tech_points}
参考资料摘要：{reference_summary}

三层之间互相独立。想调整风格，改第一层；想改文章结构，改第二层；每篇文章的个性化内容，只在第三层动。改一处不崩全局，这是工程化思维的基本素养。

质检层：最容易被跳过、最不能被跳过的环节

这是我走了弯路之后补上来的。

在没有质检层的最初两周，我直接把 Claude 输出的内容自动发布。结果是：300篇里，早期有大约60篇是废稿——逻辑混乱、关键信息缺失、或者格式解析失败导致内容错位。

加入质检层之后，废稿率降到了8%以下。质检分两层：

• 字数检测：低于1500字或超过3000字，打回重生
• 格式检测：正则检查必要的标题结构是否存在
• 关键词密度：目标关键词出现次数是否在合理区间
• 禁词检测：过滤掉一批 AI 味过重的模板词汇

• 每天随机抽5篇，重点看逻辑连贯性和事实准确性
• 对抽检不通过的文章，记录失败原因，反向优化 Prompt

---

第三章：核心代码实战——手把手跑通最小可行流水线

环境准备

pip install anthropic requests python-dotenv

完整代码

import anthropic
import requests
import json
import re
import time
from dotenv import load_dotenv
import os

load_dotenv()

===== 配置区 =====
如果你还没有 Claude API Key，
国内直连、无需魔法的访问方式：api.884819.xyz
支持 Claude 全系列，按量计费，和官方 API 完全兼容
CLAUDE_API_KEY = os.getenv("CLAUDE_API_KEY")
CLAUDE_BASE_URL = "https://api.884819.xyz"  # 国内直连地址

HALO_BASE_URL = os.getenv("HALO_BASE_URL")  # 例：http://your-halo-domain.com
HALO_USERNAME = os.getenv("HALO_USERNAME")
HALO_PASSWORD = os.getenv("HALO_PASSWORD")

Halo 分类 ID 映射（需要提前在 Halo 后台创建分类并记录 ID）
CATEGORY_MAP = {
"技术教程": "your-category-id-1",
"工具评测": "your-category-id-2",
"行业观察": "your-category-id-3",
}

===== Claude 调用层 =====
def generate_article(keyword: str, title: str, core_argument: str) -> str:
"""调用 Claude API 生成文章，含重试机制"""

client = anthropic.Anthropic(
api_key=CLAUDE_API_KEY,
base_url=CLAUDE_BASE_URL,
)

system_prompt = """你是一位专注于技术领域的资深博主，写作风格简洁有力，
擅长用类比和实例解释复杂概念。输出严格使用 Markdown 格式，
标题层级不超过三级，代码块必须标注语言类型。"""

user_prompt = f"""请生成一篇完整的技术博客文章。

目标关键词：{keyword}
文章标题：{title}
核心论点：{core_argument}

文章结构要求：
1. 开头（150-200字）：用具体场景或数据切入
2. 背景分析（300-400字）
3. 核心内容（3个小节，每节400-500字）
4. 实操建议（200-300字）
5. 结尾判断（100-150字）

总字数：1800-2200字
禁止使用：首先、其次、总结、综上所述"""

max_retries = 3
for attempt in range(max_retries):
try:
message = client.messages.create(
model="claude-opus-4-6",
max_tokens=4096,
messages=[{"role": "user", "content": user_prompt}],
system=system_prompt,
)
content = message.content[0].text

# 格式验证：检查是否包含必要的 Markdown 结构
if not re.search(r'^#{1,3}\s', content, re.MULTILINE):
raise ValueError("输出缺少标题结构，格式漂移")

# 字数验证
word_count = len(content)
if word_count < 1500 or word_count > 6000:
raise ValueError(f"字数异常：{word_count}字")

return content

except (ValueError, anthropic.APIError) as e:
print(f"第 {attempt + 1} 次尝试失败：{e}")
if attempt < max_retries - 1:
time.sleep(2 ** attempt)  # 指数退避
else:
raise RuntimeError(f"生成失败，已重试 {max_retries} 次")

===== Halo API 层 =====
def get_halo_token() -> str:
"""获取 Halo API 访问令牌"""
resp = requests.post(
f"{HALO_BASE_URL}/apis/api.console.halo.run/v1alpha1/login",
json={"username": HALO_USERNAME, "password": HALO_PASSWORD},
)
resp.raise_for_status()
return resp.cookies.get("JSESSIONID", "")

def publish_to_halo(
title: str,
content: str,
category_name: str,
tags: list[str],
token: str,
draft: bool = True,  # 默认发草稿，人工确认后再发布
) -> dict:
"""将文章发布到 Halo"""

category_id = CATEGORY_MAP.get(category_name, "")

payload = {
"post": {
"spec": {
"title": title,
"slug": title.replace(" ", "-"),
"categories": [category_id] if category_id else [],
"tags": tags,
"publish": not draft,
"pinned": False,
"allowComment": True,
"visible": "PUBLIC",
},
"apiVersion": "content.halo.run/v1alpha1",
"kind": "Post",
"metadata": {"name": "", "generateName": "post-"},
},
"content": {
"raw": content,
"content": content,
"rawType": "markdown",
},
}

headers = {"Cookie": f"JSESSIONID={token}"}
resp = requests.post(
f"{HALO_BASE_URL}/apis/api.console.halo.run/v1alpha1/posts",
json=payload,
headers=headers,
)
resp.raise_for_status()
return resp.json()

===== 主流程 =====
def run_pipeline(article_config: dict):
"""跑通完整流水线"""
print(f"开始处理：{article_config['title']}")

# Step 1: 生成文章
content = generate_article(
keyword=article_config["keyword"],
title=article_config["title"],
core_argument=article_config["core_argument"],
)
print(f"✅ 文章生成完成，字数：{len(content)}")

# Step 2: 获取 Halo Token
token = get_halo_token()

# Step 3: 发布到 Halo（默认草稿）
result = publish_to_halo(
title=article_config["title"],
content=content,
category_name=article_config["category"],
tags=article_config.get("tags", []),
token=token,
draft=True,
)
print(f"✅ 已创建草稿，文章 ID：{result.get('metadata', {}).get('name')}")
return result

示例调用
if __name__ == "__main__":
config = {
"keyword": "Python 异步编程",
"title": "Python asyncio 完全指南：从入门到实战",
"core_argument": "asyncio 不是魔法，理解事件循环才是关键",
"category": "技术教程",
"tags": ["Python", "异步编程", "asyncio"],
}
run_pipeline(config)

两个必须提前知道的坑

在高并发批量调用时，Claude 偶尔会输出不含任何标题的纯文本。代码里的正则检测 + 重试机制就是为此准备的。实测下来，触发重试的概率大约在3%-5%，三次重试内基本都能拿到合格输出。

Halo 的分类系统用的是内部 UUID，不是你在后台看到的分类名称。需要先调用 /apis/content.halo.run/v1alpha1/categories 接口拿到所有分类的 ID，建立一个本地映射表，否则文章会发布到"未分类"。

成本核算

以我实际运行的数据为参考（仅供量级参考，具体费率以平台实时价格为准）：

• 每篇文章平均消耗：约 3000-4000 tokens（输入 + 输出合计）
• 300篇总 token 消耗：约 100-120万 tokens
• 人工质检时间：每天约15分钟，3个月合计约22小时

对比纯人工写作：同等质量的文章，外包单价在300-800元/篇，300篇的人工成本差距是数量级的。

---

第四章：3个月300篇——真实数据复盘

三阶段数据

冷启动期的20%废稿率，主要原因是 Prompt 还没调稳，质检规则也没建立完整。爬坡期之后，随着 Prompt 迭代和质检层的完善，废稿率持续下降。

诚实的失败案例

有两类选题，用这套流水线写出来效果最差，我后来直接从自动化队列里移除了：

结论：AI 内容流水线最适合"常青树"型内容——教程、方法论、工具指南、概念解析。这类内容有稳定的搜索需求，不依赖时效性，质量可以通过 Prompt 工程稳定控制。

---

第五章：你能直接复用的 SOP 清单

7步启动清单

不同层级的差异化建议

这套方案的边界

---

写在最后

这套流水线我搭了3周，你照着这篇文章，3天可以跑通第一篇。

这一步看起来很小，但它是整条流水线的地基。地基打好了，后面每一步都是顺水推舟。

---

这篇复盘解决的是"怎么批量产出内容"的问题。

>

但有读者私信问我："产出了300篇，怎么让它们真正被搜索引擎收录、被读者找到？"

>

这是另一个工程问题——AI 内容的 SEO 存活率。我统计了这300篇文章在百度、必应、Google 的收录数据，有一些相当反直觉的发现：有些精心优化的文章反而收录慢，有些"随手发"的文章两周内就进了首页。

>

下一篇，我会把这份数据完整公开。

---

#AI写作 #Claude #内容自动化 #Halo #Python #博客运营 #8848AI #AI工具