Agent 内容选题工作流怎么设计：从信息抓取到题目判断，不再让模型凭感觉写

很多人一提到 AI 内容创作，第一反应都是：

“让模型写。”

但真正做过一段时间就会发现，写作本身通常不是最难的部分。更难的是：

写什么，为什么现在写，这个题目值不值得写。

也就是选题。

如果这一层没有做好，后面的成稿、排版、发布都会变成低质量重复劳动。
模型写得再快，也只是在更快地生产低价值内容。

所以我越来越倾向于把内容工作流拆成三段：

• 前期：信息抓取
• 中期：选题判断
• 后期：排版与发布

在这三段里，选题是中间最关键、也最容易被忽略的一段。

为什么“选题”比“写作”更值得单独做成工作流

写作通常回答的是：

• 这篇文章怎么展开
• 这段话怎么表达
• 这个结构怎么组织

而选题回答的是更前面的问题：

• 哪个主题现在值得做
• 哪个角度更适合这个渠道
• 哪些素材足够支撑成文
• 哪个话题有差异化空间

如果这些问题没有先回答，写作就会退化成：

• 模型把最近看到的内容拼起来
• 模型凭印象扩写一个模糊主题
• 模型重复互联网上已经很多的观点

所以对内容自动化来说，选题不是附属环节，而是“是否值得继续往下走”的判断层。

一个可执行的 Agent 选题工作流，应该输出什么

很多人会把“选题”理解成一个标题。

但从工作流角度看，标题太薄了，不足以支撑后续写作。

一个真正可执行的选题流程，最后至少应该产出一份简化版选题 brief，里面包含：

• 主题名称
• 推荐写作角度
• 目标读者
• 为什么现在值得写
• 核心证据来自哪些来源
• 不建议写的重复角度是什么
• 建议用什么文章结构

也就是说，选题流程的输出不应该是：

• “写一篇关于 AI 的文章”

而应该更像：

• “围绕某个产品更新，写一篇面向公众号读者的解释型文章，重点讲变化、使用门槛和行业影响，避免重复官网公告口径”

这才是 Agent 可以继续接手的中间结果。

第一段：先做信息抓取，不要让模型凭空发散

选题工作流的第一步不是 brainstorming，而是先拿到真实素材。

这就是 jina-cli 这一层的意义。

它适合做这类前置工作：

• 搜索某个主题的候选来源
• 读取新闻、博客、X 帖子和发布页面
• 把 URL 变成 Markdown / Text / JSON
• 形成一个可继续筛选的素材池

如果没有这一步，选题判断就很容易建立在：

• 模型记忆
• 单一来源
• 没有上下文的热点判断

而一旦有了可读素材池，Agent 才有机会基于真实内容做比较。

第二段：对素材做去重、归类和主题聚合

抓完内容之后，不能直接开始写。

这时更合理的动作是：

1. 去重
2. 聚类
3. 归纳主题

因为同一个热点往往会在多个来源里重复出现，但每个来源强调的角度不同。

一个好的选题中间层，应该先回答：

• 这些来源是不是在讲同一件事
• 它们之间有没有新的增量信息
• 哪些只是转述，哪些有自己的视角
• 哪些来源更像原始信号，哪些只是二次传播

这一步做完之后，你得到的就不再是一堆链接，而是一组主题簇。

对 Agent 来说，这一步特别重要，因为它直接影响后面的判断质量。

第三段：给每个候选主题打分

选题本质上是一种排序。

不是“有没有话题”，而是“这个话题优先级到底多高”。

我更推荐把打分维度明确写出来，而不是让模型用模糊语言评价。

比较实用的一组维度通常是：

1. 时效性

• 这个话题是不是刚刚发生
• 它是不是还有传播窗口

2. 读者相关性

• 这个主题和你的公众号读者有没有直接关系
• 读者是会关心，还是只是“知道一下”

3. 差异化空间

• 你有没有新的角度
• 这个话题是不是已经被写烂了

4. 证据充分度

• 素材够不够支撑成文
• 是否有多个可靠来源交叉验证

5. 成本和产出比

• 写这篇文章需要补多少背景
• 预计能不能形成一篇完成度高的内容

如果 Agent 能基于这些维度输出评分和理由，选题工作流就会比“拍脑袋决定”稳很多。

第四段：不要只选题，要顺手决定“写法”

很多选题系统到这里就停了，只输出“推荐写某个主题”。

但实际内容生产里，还差一步：

这个题目应该怎么写。

同一个主题，可能有很多写法：

• 资讯快讯
• 解释型教程
• 观点分析
• 盘点清单
• 实操指南

如果不把写法一起决定，后面的写作阶段就容易重新回到发散状态。

所以一个更成熟的选题输出，最好顺手包含：

• 推荐文体
• 推荐结构
• 推荐标题方向
• 不建议采用的角度

这样后面的成稿工作才会更顺。

第五段：把选题结果交给写作 Agent，而不是重新开始

到这一步，一个高质量选题流程的输出应该已经足够支撑写作。

后面的写作 Agent 最适合接收的是：

• 主题 brief
• 来源摘要
• 关键证据
• 推荐结构
• 风格约束

而不是重新再去搜索、再去猜、再去定义主题。

也就是说，选题工作流真正的价值在于：

把“值不值得写”和“应该怎么写”这两个问题提前解决。

这样写作阶段就可以专注于表达，而不是继续做前置判断。

第六段：写完以后，再进入排版与草稿发布

这也是为什么我会把 jina-cli、选题工作流、md2wechat 系列工具放在同一条链路里理解。

一条更完整的内容自动化流程应该是：

前期：信息抓取

• jina-cli
• 搜索
• URL 读取
• 建立素材池

中期：选题判断

• 去重与聚类
• 主题评分
• 角度判断
• 输出选题 brief

后期：写作、排版与发布

• 成稿生成
• md2wechat 排版
• md2wechat Agent API 创建草稿
• 素材上传与草稿箱交付

如果你只解决前期抓取，不做中期选题，工作流会缺少判断层。
如果你只解决写作，不解决后期排版和草稿，工作流会卡在发布前。

所以这三段最好一起看。

一个更实际的最小闭环

如果你现在就想开始搭，不一定要一开始做得很大。

一个可执行的最小闭环可以是：

1. 用 jina-cli search 找 10 个候选来源
2. 用 jina-cli read 拉正文
3. 让 Agent 做去重和主题聚类
4. 让 Agent 给主题打分并输出前 3 个建议选题
5. 选一个题，生成写作 brief
6. 成稿后进入 md2wechat 排版
7. 最后推送到公众号草稿箱

这个闭环已经足够说明：

内容自动化真正重要的不是单点写作，而是每一步之间有没有稳定的交接物。

最常见的几个误区

1. 把“热点”当成“选题”

热点只是信号，不是选题。

选题需要：

• 目标读者
• 推荐角度
• 可支撑的证据

2. 让模型直接决定一切

如果没有评分维度和筛选标准，模型输出会很飘。

3. 只选主题，不决定写法

这样后面的写作环节还会重新发散一次。

4. 只关注写作，不关注发布

如果最后还要手工排版、手工传素材、手工建草稿，那工作流还是断的。

总结

Agent 内容选题工作流的核心，不是让模型“想题目”，而是让 Agent 基于真实来源，完成一轮更接近编辑判断的流程：

• 先抓内容
• 再归类内容
• 再比较内容
• 再打分
• 最后输出可执行的写作 brief

这一步做对了，写作会更稳，排版会更顺，发布链路也更容易接起来。

如果说 jina-cli 解决的是内容获取，md2wechat 解决的是排版和发布，那么选题工作流解决的，就是中间最关键的判断层。

继续阅读

• 内容获取层：jina-cli
• 工具链总览：从内容抓取到公众号草稿：我为 AI Agent 设计的一条内容创作工具链
• 排版与发布链路：微信图文自动化发布工作流应该怎么设计
• 写作提示词相关文章：公众号文章提示词怎么写：从任务拆解到成稿约束