Claude Code 实战系列

AGI 的奇点已经温柔地越过了

Claude Code，我所瞥见的一种新的生活方式

SEO 工作流 LinkedIn Twitter 自动化 Skill 沉淀

01 / 18

一 · 先说结论

Claude Code 早已超出
「写代码」的边界

不是 code assistant，而是完备的本地智能体
Code 不再是目的，而是手段；code 变成了一种元能力
AI 从聊天窗口「走出来」，进入真实工作环境
不再只是提供建议，而是逐步接管中间过程，实际行动

它是让 AI 真正进入业务、接管流程、开始执行工作的入口。

02 / 18

二 · 为什么是 Claude Code

五个理由（上）

01

模型能力足够强

Agent 的上限受限于模型的理解力、规划力与长链路稳定性

02

Agent 客户端足够成熟

不只模型强，还有足够好的交互与编排层——能拆开、串起来、执行下去

03

稳定使用 Agent 的唯一解之一

真正能做到稳定、连续、可复用地跑工作流——不是 demo，是能上手干活的

03 / 18

二 · 为什么是 Claude Code

五个理由（下）

04

市场反馈高度一致

硅谷技术圈与简中推特早期使用者：真正用明白之后，工作方式发生了变化

05

门槛高 → 先手优势

安装门槛、网络门槛、账号门槛——这些基本都有标准答案，而高门槛形成隔绝效应

在中文环境下，只要你比别人先一步真正把它用起来，你就已经有先手优势了。

04 / 18

四 · Claude Code 能做什么

三个执行层次

①

自然语言交互层

理解意图、规划方案、生成内容、给出建议——最熟悉的一层

②

代码层 ← 关键

接管代码实现：把「我要实现一个工作流」翻译成脚本、调用、串联、执行逻辑

③

实际工作环境执行层

回邮件 · 分析热点 · 发帖 · 抓取内容 · 整理数据 · 跑社媒运营流程

Claude Code 接管了中间的代码层，于是整个工作流终于被真正打通了。

05 / 18

五 · 案例一

SEO 文章工作流

不是「输入关键词 → 生成文章」，而是模拟一个有研究能力的内容团队

6

轮搜索

~60

条 SERP 结果

5

并发进程

25k

词研究素材

每个研究问题：最多 10 个 URL，正文 > 300词，单页截取 ≤ 1700词
单问题累计约 5000 词即停止，5 个问题 = 约 25000 词素材

06 / 18

五 · 案例一 · 流程图

SEO 工作流全链路

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor':'#f5f0eb','primaryBorderColor':'#c8b8a2','lineColor':'#9e8e7e','fontSize':'13px','edgeLabelBackground':'#faf8f5','tertiaryColor':'#fff7f7'}}}%% flowchart LR A["输入关键词"] --> B["主题搜索 ×1\n约 10 条 SERP"] B --> C["生成 SEO 大纲"] C --> D["拆解 5 个\n研究问题"] D --> Q1["问题 1\n搜索 · 抓取 · 清洗"] D --> Q2["问题 2\n搜索 · 抓取 · 清洗"] D --> Q3["问题 3\n搜索 · 抓取 · 清洗"] D --> Q4["问题 4\n搜索 · 抓取 · 清洗"] D --> Q5["问题 5\n搜索 · 抓取 · 清洗"] Q1 --> G["汇总\n~25000 词"] Q2 --> G Q3 --> G Q4 --> G Q5 --> G G --> H["生成最终\nSEO 文章"] style A fill:#fff7f7,stroke:#c0392b,color:#333 style D fill:#fff7f7,stroke:#c0392b,color:#333 style H fill:#fff7f7,stroke:#c0392b,color:#333

1 轮主题搜索 · 理解内容生态

5 轮问题搜索 · 分别追踪子问题

过滤：正文 > 300词 · 单页 ≤ 1700词

07 / 18

五 · 案例二

LinkedIn Post 生成

本质不是「写帖子」，而是风格迁移问题——在事实边界内，学习平台语言规则

从 Tool Page 提取

功能 · 能力 · 平台支持 · 指标 · 定价
→ 可验证的事实信息

从竞品分析写法

语气 · 结构 · Hook · CTA · Hashtag
→ 只借表达方式，不复用数据

生成多条风格和长度不同的 post（差异化输出）
品牌词 #YourBrand 必须作为首个 hashtag
事实检查 + 重复表达检查 → 输出至 output/linkedin-post-{topic}-{timestamp}.md

08 / 18

五 · 案例二 · 流程图

LinkedIn Post 工作流

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor':'#f5f0eb','primaryBorderColor':'#c8b8a2','lineColor':'#9e8e7e','fontSize':'13px','edgeLabelBackground':'#faf8f5'}}}%% flowchart LR A["输入\ntopic · count · angles"] --> B["查 Tool Page\n事实信息"] A --> C["读竞品文案\n分析写法"] B --> D["生成多条\n差异化 Posts"] C --> D D --> E["加入 CTA\n#YourBrand"] E --> F["事实校验\n→ 输出 .md"] style A fill:#fff7f7,stroke:#c0392b,color:#333 style D fill:#fff7f7,stroke:#c0392b,color:#333 style F fill:#fff7f7,stroke:#c0392b,color:#333

解决的问题

AI 能否在不同平台里，学会平台表达规则，并在事实边界内做风格迁移

输出路径

output/linkedin-post-
{topic}-{timestamp}.md

09 / 18

五 · 案例三

Twitter 自动运营

不只是「内容生成」——进入了真实的平台交互和动作执行

①

启动 Chrome CDP 9222，连接 agent-browser

强制刷新首页时间线（旧内容 → 互动质量下降）

②

滚动采集 + 过滤广告 → 收集 3 个有效 URL

至少滚动 2 次，确认 URL 列表

③

逐条处理：打开 → 分析 → 生成回复 → 发送

回复简洁 1–2 句，匹配原帖语气；发送后关闭 Tab，循环继续

观察上下文分析平台语境执行动作循环处理任务

10 / 18

五 · 案例三 · 流程图

Twitter 自动运营流程

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor':'#f5f0eb','primaryBorderColor':'#c8b8a2','lineColor':'#9e8e7e','fontSize':'13px','edgeLabelBackground':'#faf8f5'}}}%% flowchart LR subgraph top[" "] direction LR A["启动 Chrome CDP\nagent-browser"] --> B["刷新首页\n时间线"] B --> C["滚动 ×2\n过滤广告 · 收集 3 URL"] C --> D["确认\nURL 列表"] end subgraph bottom[" "] direction LR E["打开 URL\n新 Tab"] --> F["分析风格\n生成回复"] F --> G["发送回复\n关闭 Tab"] G --> H["判断是否继续\n↩ 循环 or 结束"] end D --> E style A fill:#fff7f7,stroke:#c0392b,color:#333 style E fill:#fff7f7,stroke:#c0392b,color:#333 style H fill:#fff7f7,stroke:#c0392b,color:#333

Agent 已经非常接近一个可操作的社媒执行代理了。

11 / 18

六 · 更多实践

我还实现过什么

Medium 自动养号 YouTube VOC 分析 KOL 数据批量抓取 Landing page 文案优化文章配图自动化生成演讲 PPT Pinterest / Reddit 养号视频脚本工作流

只要一项工作你重复做过 3 次以上，
它基本就值得被拆解成工作流。

很多人总觉得「这个事情还没复杂到值得自动化」，结果永远停留在手工做事。
只要重复做过三次，你就已经拥有了把它抽象成 SOP 的基础。

12 / 20

七 · 一个观察

Agent 接管浏览器
是自动化工作流的最后一公里

数据问题

大多数软件面向人类设计，
没有对外提供 API。
浏览器让 Agent 看到
人眼能看到的一切。

执行问题

自动化到最后，
越来越需要真实操作：
点赞、打开 Tab、找下拉菜单、
完成精细的界面动作。

所见即所得——跟人没什么区别，
这是它克服各种障碍的方式。

13 / 20

七 · 一个观察 · 续

这是一个阶段性的解法

飞书 CLI 已在推动面向 Agent 的软件规范，但这是少数派
绝大多数软件的交互规范仍面向人类，没有暴露 API，对接难度极高
在 API 生态成熟之前，浏览器接管是最实用的过渡方案——有界面就能操作
本质上接近 RPA，但加入了 AI 判断：Agent 能读懂页面语义，而不只是坐标点击

它目前能看到的障碍，是阶段性的。
软件生态迟早会往 Agent 友好的方向走。

14 / 22

八 · 一个趋势

人与 Agent 的边界
正在被主动模糊

很多平台在积极做反爬虫与反自动化，纯 Agent 信号越来越容易被识别
新的协作方式：人操作打底，Agent 接管重复与决策部分，再回归人工——混合信号
人的真实点击、真实点赞与 Agent 的操作数据混杂在一起，没有人能界定这是否违规
我养 Reddit、Medium、Twitter 时就是这个逻辑：我也真实操作，但我不会把两者分开

不是「人」或「机器」，而是人机混合的执行体。

15 / 22

八 · 一个趋势 · 续

半年内将成为
标准化的协作范式

为什么可行

混合信号在技术上
难以区分。
人机协同不是欺骗，
是工具的延伸。

为什么持久

平台反自动化会越来越强，
而人机边界模糊
是绕过这道墙
最自然的方式。

这种协作方式没有标准答案，
但它将在相当长的时间内持续存在。

16 / 22

七 · 真正的核心

从代码能力 → 业务逻辑能力

过去

做自动化的重点
是会不会写代码

现在

重点变成：
你能不能把业务逻辑拆清楚

Agent 不怕复杂，它怕的是模糊
很多「只能人工完成」的工作，拆细之后有大量稳定、重复、可判断的步骤
真正的护城河：你对自己工作流的理解深度

未来的竞争力，不只是「谁会用 AI」，而是谁更擅长把工作拆成可执行的业务单元。

17 / 22

八 · 重要注意点

可迁移 · 可调整

可迁移性极强

Twitter 可以养号 → Pinterest / Reddit / Quora 同理

文章工作流成立 → 视频脚本工作流也成立

底层逻辑相通：发现 → 研究 → 产出 → 互动 → 建立分发

可调性极高

可以调：语气 · 行业 · 执行方式
平台格式 · 受众偏好 · 表达风格

工作流不是死板脚本，
更像一套可调参数的业务系统

18 / 22

九 · Skill 系统

经验如何沉淀为能力

①

先搜有没有现成 Skill

下载视频、视频转文字、格式转换、数据清洗……很多已有人做好了

②

Skill 可以组合、可以编排

当 Skill 可以被调用、复用、串联，工作流就像一个模块化系统

③

所有经验都可以沉淀成 Skill

经验 → 结构 → Skill → 反复调用

所有做过 3 次以上的动作，都值得考虑 Skill 化。
重复意味着有模式；有模式就值得被抽象。

19 / 22

十 · 我的原则

不妥协

×

不使用 Claude Code 平替

「找个差不多的替代品」看似省钱，实际上是在浪费时间

×

不使用国产模型替代

不是情绪判断，是效率判断——核心能力、稳定性、长链路执行明显不够，就是在消耗生命时间

→

任何一点犹豫，都是对时间的浪费

你犹豫的不是工具本身，而是在犹豫要不要更早进入下一代工作方式

20 / 22

十一 · 关键概念

Token Maxing

¥800–1500

Claude Max 月费

$250k

未来员工 Token 配额/年

额度已买 → 应该在额度内把 token 用尽，否则是浪费
把 token 当「生产资料」而不是「聊天消耗品」
未来：Token 配额会像服务器预算、广告预算一样，成为企业基础资源

如果 token 不再是限制，你最先想交给 agent 的任务是什么？
当生成与执行能力被释放，你会把注意力放到哪里？

21 / 22

结语

AGI 已经非常温柔地
到来了

在内容问题逐渐被解决之后，
我们接下来要建设什么、
放大什么、重新定义什么

Claude Code Agent 工作流 SEO 与社媒自动化

扫码关注公众号

22 / 22