飞书一句话，AI 全自动产出小红书爆文：我用 OpenClaw + Claude 搭了一套内容生产流水线

从发送一条飞书消息开始，到两篇小红书爆文 + 8张配图全部落盘，全程零人工干预。本文拆解整套系统的架构设计、5个核心技能的协作机制，以及实际跑通的完整案例。

一、为什么要做这件事

做过小红书内容运营的人都知道，一篇能火的笔记背后要经历这些步骤：

  1. 找到一篇热点素材文章
  2. 分析它的主题、风格、受众
  3. 搜几篇同类爆文作为参考
  4. 写出多个标题候选，筛出最有爆款潜力的
  5. 仿写两篇不同角度的正文
  6. 配上风格统一的系列图片

每个环节都需要时间和经验。而我想要的效果很简单——在飞书给机器人发一条消息，10分钟后收到通知，所有产出物自动保存在本地文件夹里，打开就能直接复制发布。

这个目标，最终通过 OpenClaw + Claude 技能链 实现了。

📸 项目截图

OFhNf4.md.jpeg

OFG0tN.md.jpeg

二、整体架构：5个技能的协作流水线

整套系统由 5 个独立技能组成，通过子代理机制串联，形成一条完整的自动化流水线：

飞书消息触发
    │
    ▼
┌─────────────────────────────────┐
│  技能1: xiaohongshu-auto-process│  ← OpenClaw 监听飞书消息
│  (入口调度层)                    │     提取链接 → 启动 iTerm + tmux
│                                 │     → 启动 Claude CLI
└──────────┬──────────────────────┘
           │ 发送 /auto-xiaohongshu 命令
           ▼
┌─────────────────────────────────┐
│  技能2: auto-xiaohongshu        │  ← Claude 主流程编排器
│  (流程总控层)                    │
│                                 │
│  步骤1: 抓取原文 + 分析主题      │
│  步骤2: 联网检索同风格参考文章    │
│         │                       │
│         ▼                       │
│  ┌─── 步骤3: 子代理 ──────┐     │
│  │  技能3: fire-title      │     │
│  │  生成10个候选标题        │     │
│  │  评分筛选 Top 2          │     │
│  └──────┬──────────────────┘     │
│         │ selected_titles        │
│         ▼                       │
│  ┌─── 步骤4: 子代理 ──────┐     │
│  │  技能4: fire-content    │     │
│  │  仿写2篇完整正文        │     │
│  │  + 2条发布简版摘要       │     │
│  └──────┬──────────────────┘     │
│         │ 2篇正文 + 2条摘要      │
│         ▼                       │
│  ┌─── 步骤5: 子代理 ──────┐     │
│  │  文档落盘                │     │
│  │  报告版.md + 发布版.md   │     │
│  └──────┬──────────────────┘     │
│         │ 文件路径                │
│         ▼                       │
│  ┌─── 步骤6: 子代理 ──────┐     │
│  │  技能5: picture          │     │
│  │  调用火山引擎生图API      │     │
│  │  2×4张配图 → 回写文档    │     │
│  └──────────────────────────┘     │
└──────────┬──────────────────────┘
           │
           ▼
    飞书通知执行结果

每个步骤之间通过结构化数据传递，每个子代理执行完都有强校验，不通过则自动重试一次后终止，保证产出质量。

三、逐层拆解：5个技能各自做了什么

技能1：xiaohongshu-auto-process（OpenClaw 入口）

这是整个流程的触发入口，部署在 OpenClaw 平台上，监听飞书消息。

触发条件： 消息同时包含关键词「小红书流程」和一个 HTTP 链接。

核心逻辑：

用户飞书消息 → 提取链接 → tmux 创建会话 → iTerm 打开可视化终端
→ 启动 Claude CLI → 发送 /auto-xiaohongshu 命令 → 轮询等待完成
→ 捕获结果 → 飞书回传通知

技术上的亮点：

  • 使用 tmux + iTerm 实现可视化执行，随时可以切到终端查看实时进度
  • 轮询机制检测 Claude CLI 的输入提示符 ❯ 来判断执行完成，最长等待 10 分钟
  • 执行结束后自动抓取终端输出的最后 200 行作为日志摘要，通过飞书推送

实际的 skill.js 用正则 /小红书流程.*https?:\/\//i 做触发匹配，整个流程是异步执行，不阻塞飞书消息响应。

技能2：auto-xiaohongshu（流程总控）

这是真正的大脑，负责编排整个内容生产流程。它运行在 Claude CLI 内部，作为一个 Claude 自定义斜杠命令存在。

6层容错抓取策略（步骤1）：

原文抓取是整个流程最容易出问题的环节。为此设计了 6 种方法的瀑布式降级：

Web_Fetch → Chrome 浏览器渲染 → curl 源码下载
→ Brave Search 搜镜像 → Web Search 搜同主题 → agent-reach 平台专用通道

只有 6 种方法全部失败才会终止，每次失败都记录具体原因。这在实际使用中非常关键——很多内容站（尤其是微信公众号、小红书站内文章）对爬虫有各种限制，单一方案的成功率并不高。

子代理隔离机制（步骤3-6）：

步骤3到步骤6强制通过 Agent 工具启动独立子代理执行。这个设计有两个考虑：

  • 上下文隔离：每个子代理只接收本步骤所需的输入，不会被上游无关信息干扰
  • 失败隔离：某个步骤失败不会污染其他步骤的执行环境，重试时也是干净的

子代理之间的数据流：

步骤1产出 source_summary ──→ 步骤3 + 步骤4
步骤2产出 reference_articles ──→ 步骤3 + 步骤4
步骤3产出 selected_titles ──→ 步骤4 + 步骤5
步骤4产出 2篇正文 + 2条摘要 ──→ 步骤5 + 步骤6
步骤5产出 文件路径 ──→ 步骤6

技能3：xiaohongshu-fire-title（爆款标题生成器）

标题是小红书的命门。这个技能不是简单地让 AI「写几个标题」，而是定义了一套完整的分析-建模-生成-评分流程：

分析阶段——对参考标题做 5 个维度拆解：

维度 识别内容 作用
情感触发词 震撼、绝了、必看 激发用户情绪反应
身份代入点 刚入职、新手、宝妈 让目标用户产生共鸣
权威背书 总监、专家、大厂 增强可信度
价值承诺 知识库、方法、秘籍 明确用户收益
语言风格 口语化、emoji、标点 贴近目标用户

建模阶段——识别 5 种结构模式：

模式1: [身份场景] + [情感词] + [权威元素] + [价值载体]
模式2: [建议词] + [目标人群] + [行动] + [价值主体]
模式3: [时间词] + [完成动作] + [价值载体] + [效果]
模式4: [数字] + [价值载体] + [适用场景] + [效果承诺]
模式5: [反差词] + [场景] + [结果] + [情感]

生成阶段——基于 5 种类型生成 8-10 个候选标题（情感冲击型、建议推荐型、成就展示型、权威背书型、实用价值型），每类 2 个。

评分阶段——按主题贴合度(40分)、吸引力(30分)、可读性(20分)、合规性(10分)四个维度打分，选出 Top 2。

所有标题严格控制在 20 字以内。

技能4：xiaohongshu-fire-content（爆文正文仿写器）

拿到 2 个推荐标题后，这个技能对参考爆文做 6 个维度的深度分析，然后基于分析结果生成 2 篇完整正文：

深度分析维度：

  1. 标题构成方式——吸引点在哪里，用了什么修辞
  2. 开头段落设计——场景描述、问题提出还是故事引入
  3. 正文结构——段落数量、逻辑展开方式（总分总/递进/并列）、信息密度
  4. 句式表达——口语化特点、Emoji 使用规律、标点习惯
  5. 互动引导——互动点位置、方式和行动号召
  6. 主题描述——价值点提炼、痛点解决方案呈现

硬约束：

  • 2 篇正文分别绑定 2 个推荐标题，一一对应
  • 每篇都是完整正文，不允许只给提纲
  • 额外产出 2 条可直接发布的简版摘要（120-180字，口语化，含互动句和建议话题）
  • 发布版内容必须为纯文本，禁止任何 Markdown 排版符号

这个「禁止 Markdown」的约束看似小，实际很关键——小红书的编辑器不渲染 Markdown，如果正文里混入 **加粗** 或 # 标题 这类符号，直接粘贴过去会很丑。

技能5：xiaohongshu-picture（配图自动生成）

最后一步，把 2 篇正文的内容自动生成配图。

技术方案：

  • 调用火山引擎的 doubao-seedream-5.0 图像生成模型
  • API Key 从环境变量 ARK_API_KEY 读取
  • 生成方式：将正文内容注入 prompt 模板的 XXXXXX 占位符，由模型自动拆分内容到多张图
  • 每篇文章生成 4 张系列化图片，风格为「黑板报手绘科普信息图」
  • 采用流式生成（stream=True），支持 2K 分辨率

prompt 设计要点：

生成多张系列化黑板报形式手绘科普信息图，采用复古黑板 + 白色彩色粉笔质感呈现，
纯手绘笔触，线条柔和。AI 自动合理拆分全部内容『{正文内容}』至每张图片，
单张信息完整，系列画面风格、色调、构图统一，高清细节，无杂乱文字。

这里用 sequential_image_generation="auto" 让模型自动决定如何在多张图片间分配内容，max_images=4 限制最多 4 张。

产出物管理：

  • 文章1配图保存到 {标题目录}/images/article_1/
  • 文章2配图保存到 {标题目录}/images/article_2/
  • 图片路径自动回写到报告版和发布版 Markdown 文档

四、实际跑通效果展示

以下是一次真实执行的完整记录。

输入： 在飞书发送「小红书流程 https://m.ithome.com/html/927729.htm」

这篇文章是 IT之家报道的《国家互联网应急中心发布 AI 智能体安全应用风险提示》。

步骤1 - 原文分析结果：

主题：AI智能体应用安全风险
核心观点：
  - OpenClaw等AI智能体存在提示词注入攻击风险
  - 误操作可能导致严重后果
  - 第三方插件存在投毒风险
  - 系统安全漏洞修补滞后
目标人群：技术人员、企业IT管理者、关注AI安全的用户
风格：官方通知风格，结构清晰，专业性强

步骤3 - 标题评分结果（Top 2）：

排名 标题 评分 推荐理由
1 国家应急中心：AI智能体4大安全隐患 92分 权威背书+数字化+痛点明确
2 震惊！AI智能体权限过高藏4大风险 88分 情绪化开头+具体数字+风险警示

候选标题池共 10 个，覆盖了情感冲击、建议推荐、成就展示、权威背书、实用价值五种类型。

步骤4 - 正文仿写（节选文章1开头）：

姐妹们！这个必须认真看👀
国家应急中心刚发的通报，AI智能体竟然藏着这么多坑！

说实话，我之前也觉得AI工具挺方便的
但看完这个报告，真的出了一身冷汗💦

🚨 隐患1：提示词注入攻击
就像有人偷偷给AI下指令，让它做坏事
你以为它在帮你，其实可能在泄露你的数据
金融、能源这些关键行业最危险！
...

可以看到完全遵循了小红书的内容风格：口语化表达、Emoji 点缀、短句为主、互动引导，把原本严肃的安全报告转化成了小红书用户能接受的表达方式。

步骤6 - 配图产出：

每篇文章自动生成 4 张黑板报风格的系列配图，共 8 张。图片为 2K 分辨率，风格统一，内容自动分配到不同画面。

最终产出物目录结构：

2026_docs_public/xiaohongshu/2026-03-11/
└── 国家应急中心：AI智能体4大安全隐患/
    ├── 小红书爆文报告.md      ← 完整分析报告（含5个章节）
    ├── 小红书发布版.md        ← 可直接复制发布的纯文本
    ├── create_picture_1.py   ← 文章1生图脚本
    ├── create_picture_2.py   ← 文章2生图脚本
    └── images/
        ├── article_1/        ← 文章1的4张配图
        └── article_2/        ← 文章2的4张配图

五、几个值得细说的工程设计

5.1 为什么用子代理而不是单个大 Prompt

最初的方案是把所有步骤写在一个超长 Prompt 里让 Claude 一次执行完。实际跑下来发现几个问题：

  1. 上下文膨胀：原文分析 + 参考文章 + 标题生成 + 正文仿写，token 消耗很快超出限制
  2. 错误传播：标题生成出错后，正文生成也会跟着错，排查困难
  3. 重试成本高：任何一步出错都要从头开始

子代理方案解决了这些问题——每个子代理只关注一个任务，输入输出有明确契约，失败了只重试当前步骤。

5.2 发布版的纯文本约束

在技能迭代过程中踩过一个坑：Claude 生成的内容默认会带 Markdown 格式（加粗、标题、列表等）。直接粘贴到小红书编辑器，会显示成原始的 **加粗** 文字。

为此在 fire-content 技能里加了硬约束：

发布简版摘要必须为纯文本，禁止 Markdown 排版符号（如 **、__、行首 #、行首 -、行首 1.、反引号、[text](url)）

并在流程总控层做了二次校验，检测到 Markdown 符号直接返回错误码 CONTENT_BRIEF_MARKDOWN_INVALID 要求重新生成。

5.3 文档落盘的防撞机制

同一天可能对多个链接执行流程，如果标题相同（或同一链接重复执行），目录会冲突。解决方案：

目录名 = sanitize(推荐标题1)
如果目录已存在 → 追加时间戳 {HHmmss}
仍然冲突 → 继续追加 _v2/_v3...

此外还有一个「遗留文件迁移」机制：如果子代理不小心把 Markdown 文件写到了项目根目录（Claude 有时会这样），流程会自动检测并迁移到正确位置。

5.4 tmux + iTerm 的可视化方案

为什么不用无头模式（后台静默执行）？因为 Claude CLI 的执行过程中有大量信息输出，能实时看到：

  • 正在抓取哪个链接
  • 标题候选池的评分过程
  • 正文仿写的思考过程
  • 图片生成的进度

出问题时可以直接在终端里看到卡在了哪一步，比查日志快得多。tmux 保证了即使关闭 iTerm 窗口，会话也不会丢失。

六、技术栈总结

组件 技术/工具 作用
消息触发 OpenClaw + 飞书 接收用户指令，推送执行结果
终端管理 tmux + iTerm + osascript 可视化执行环境
AI 引擎 Claude CLI + 自定义技能 内容理解、生成、编排
网页抓取 Web_Fetch / Chrome / curl / agent-reach 6层容错抓取策略
联网检索 Brave Search / Web Search 搜索同风格参考文章
图像生成 火山引擎 doubao-seedream-5.0 系列化配图生成
文件管理 Claude File I/O Markdown 文档落盘

七、可以复用的思路

这套方案的核心理念并不局限于小红书内容生产，它本质上是一种 「AI 技能链编排」 模式：

  1. 入口层：用 OpenClaw 或类似平台连接即时通讯工具，实现自然语言触发
  2. 编排层：用一个总控技能定义流程步骤、数据流和校验规则
  3. 执行层：每个步骤封装为独立技能（子代理），通过结构化接口通信
  4. 产出层：统一的文件输出规范，保证结果可直接使用

如果你想做类似的事情，可以参考这个模式：

  • 换掉「标题生成」和「正文仿写」技能，接入你自己的内容模板，就能做公众号、知乎、Twitter 等平台的内容
  • 换掉「图片生成」技能的 prompt 和 API，就能对接 Midjourney、DALL-E、Stable Diffusion 等
  • 换掉「飞书触发」，接入 Slack、钉钉、Telegram 都可以

关键在于每个技能的接口契约定义清晰，这样替换任何一个模块都不影响其他部分。

八、写在最后

这套系统从第一版到现在的稳定版，前后迭代了多轮。最大的教训是——不要试图用一个万能 Prompt 解决所有问题，而应该把复杂任务拆解成清晰的步骤，每一步有明确的输入、输出和校验标准。

AI 不是万能的，但 AI + 好的工程设计，能做到很多以前需要整个团队才能完成的事情。

如果你也在探索 AI 自动化工作流，欢迎在评论区交流你的方案。

# 人工智能 # 机器人 # 自动化
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

别再瞎找了！一键生成论文工具2026最新测评与推荐

2026年真正好用的一键生成论文工具，核心看生成的论文质量、低AI味、格式正确、学术适配四大指标。综合实测，千笔AI、ThouPen、豆包、DeepSeek、Grammarly 是

avatar AtomGit开源社区
cover

Prompt工程攻略：解锁大模型能力的核心钥匙

avatar AtomGit开源社区
cover

​​从崩盘到日赚1.2万：电商全链路AI标准化落地实战

avatar AtomGit开源社区