整合營銷和設計內容系統的 AI 自動化

Thomas Chan · 中英雙語內容策略師及 UX writer

8 年橫跨金融科技、加密貨幣、電商、NGO、銀行及保險。為一隊 16 人建立過 AI 自動化內容工作流

PMI-ACP® 認證。香港大學國際公共事務碩士，新南威爾斯大學市場學碩士

2026 年 9 月 6 日 · 約 11 分鐘閱讀 · LinkedIn →

我第一次試將一件內容工作自動化，做落去比自己親手做還慢。我寫個 prompt、看 output、改個 prompt、再看、最後索性貼一個「我想要的樣」入去做例子。行到那個位，我已經可以親手寫完兩次。

這個版本的 AI 採用，從來不會出現在 case study 裏面。個工具的確快，亦沒有文法錯。要你給出去的，是將 output 修改到你肯掛自己個名的時間：要是你把聲、要配合一個真實商業目標，而且要還有返那些人氣。

修好這件事的不是一個更好的 model。是在個 model 周圍起一套系統。

「營銷裏面的 AI」實際上是甚麼意思？

現在整合營銷圈人人都講 AI，但你問 5 個人他們指甚麼，你會收到 5 個不同答案。有人講效率。有人講更好的點子。有人只是跟住大隊行，講不出理由。

AI 的確可以一秒自動化很多東西，而且寫出技術上完美的句子。這樣為甚麼它這麼多時候令東西慢了？沒有引導之下，那種快是兩面刃。第一，它可以*更加*沒有效率，因為每一項任務都要由零寫個 prompt，而每次出來的東西都可以不同。第二，output 會由原本的商業目的度飄走，質素在一件和下一件之間大幅波動。所以將 AI 當成聊天機械人這樣用，是一種好沒有效率的用法。

第二個問題現在有了名。Merriam-Webster 將「slop」選為 2025 年度詞語，定義為由 AI 大量生產的低質數碼內容。American Dialect Society 亦在 2026 年初投了同一個字做他們的年度詞語。兩個獨立的語言權威，就同一個問題收窄到同一個字：用 AI 快速造出來、但落到人眼就覺得刺眼的營銷材料。

個缺口是真的。按 World Federation of Advertisers 的研究，78% 跨國企業現在已經在各渠道部署 AI 生成或者 AI 加工的創意內容。而在 Adobe 一個超過 1,600 人的營銷人調查裏面，96% 受訪者見到內容需求在兩年內至少翻一倍。品牌現在造內容的速度，快過他們看得完、理解得完、控制得完的速度——而這道缺口，正正就是管治要補的位。

要 AI 自動化 work，你需要一套系統

修 AI slop 的方法不是一個更醒目的 model，因為含糊的 prompt 只會產出不可靠的 output。我們需要的是一套系統，管住「甚麼自動化」和「那個自動化跟哪套指南」，再由一個人手把關框架箍實——即是通常講那個 human in the loop。一道起得好的護欄，起一次就節省你日日重寫。

由一份總指令檔開始。 當它是你項目的 CLAUDE.md。寫得具體，但不要長到沒有哪。如果某一部分真正需要深度，那些深度應該放在一份它指向的獨立指南裏面，這樣主檔就不會發脹、不會拖慢你個 AI model。

跟住起管住「怎樣寫」的專門指南。 你的 voice guide 最重要。它是你正式化、客製化的編輯風格指南，寫低你講甚麼、怎樣說、語氣是怎樣，以及（如果適用）在不同情境下你把聲怎樣不同。這份東西和一份反 AI 味寫作指南、一份設計系統指南並行。前者訂明要避開哪些語言模式（例如現在臭名遠播的「not X, but Y」）；後者管住你的文字怎樣坐落更大的 UI 版面。這幾份指南結合，就是「收貨」和「不收貨」之間那條硬線。

再來就是 skills。 大部分項目都橫跨真正不同的學科：lead generation、SEO、設計、UX、社交媒體和付費廣告。每一項都要在一個專屬目錄裏面有自己的 skill 檔。那裏就是 AI 讀「這個學科要做甚麼、怎麼做」的地方，而且只在任務有需要時先載入。

一個實際貼士：你不需要自己是每一個範疇的專家。網上有大量資源可以拿來砌這些 skill 檔，你借得到那份專業，而不需要將所有東西一次過裝在自己個腦裏面。

一份總檔，下面一批專門指南，最底是任務專屬 skills，而 orchestration 和 execution 在結構上分開。

將 orchestration 和 execution 分開

Anthropic 自己的工程團隊將這種底層紀律講得幾好，他們叫它做「在 LLM 推論期間，策劃和維持最佳 token（資訊）組合的一套策略」。這件事就是「寫一個 prompt」和「起一套系統」之間的分別。

除了指南和 skills 之外，將規劃和執行分成兩個獨立回合。Orchestration 是一套描述「要做甚麼、怎麼做」的指令或者文件。Execution 就是實際做當時。如果你覺得這樣聽起來好像 servant leadership 套用於工具，這樣基本上就是，而 Agile 指南講的就是人那個版本。Anthropic 在自己的工程材料裏面亦記錄了一個好接近的模式：orchestrator-workers workflow——一個中央流程將任務拆細再分派出去，而不是要求同一個回合一邊規劃一邊起。將兩者分開，就是令 output 更具體、更準確的原因。一個要同時交出成品的規劃回合，通常兩份工都做差了。

Orchestration

一套界定「要做甚麼、怎麼做」的指令或者文件。是計劃，不是工作本身。

Execution

實際動手做。照住 orchestration 的指令，產出具體的成品。

沒有數據，你就是盲飛

如果你套系統沒有真實數據餵住，以上一切都幫不到多少。接上 Google Search Console、Google Analytics、Google Ads，和 Ahrefs 或者 SEMrush 這類工具。做法是經 MCP，即 Anthropic 在 2024 年 11 月推出的 Model Context Protocol，一個將 AI 系統接上外部數據的開放標準。這樣，你套系統就由「在猜甚麼 work」變成「看得到甚麼 work」。

值得經 MCP 連接的數據來源

Google Search Console
Google Analytics
Google Ads
Ahrefs 或者 SEMrush

這一頁本身是怎樣建出來

我坦白一件事：我不是網頁設計師，亦（暫時）不是產品經理。我自己的內容工作流和這份指南，就是正在用這一套系統起出來。它令我做得到這份指南、這個你現在正在看的網站，甚至我些 LinkedIn 帖文。

這件事對我來講不算新。我之前已經大規模起過一次：我將一隊 16 人由零散 AI 用法帶去一套結構化系統，配場景專用 prompt 和強制人手覆核層。它令內容產出速度提升超過 70%，而這套系統之後被接近 40 個範疇和市場領導層採用。令那個數字成立的，是管治那一層。

做這一頁的時候，我由自己的 voice guide 和 orchestration 層開始：我需要做些甚麼、怎麼做、我在 Figma 正在用哪套設計系統、以及我還需要哪些指南。當中當然包括怎樣不會整出 AI slop，而這件事講到尾就是預先決定人手把關在哪裏不可以省。每項任務都有角色：設計師、寫手、SEO。然後我餵入足夠的情境，由 SEO 要求、實際的反 AI 味指令，去到 sitemap 上每一頁的大綱。

跟住我起 Figma 設計系統：字體、版面、美感。這部分容易到你會意外。給它幾個參考、加幾個網上搵到的 UI 元件 prompt，就砌得出。之後就是執行。指令和護欄準備好、Figma MCP 裝好之後，我可以叫 AI 起每一頁，再起整個網站 wireframe。我修改下、送回去、最後 commit 再部署。

至於存放和隨時取得返，我的首選是 GitHub。你可以將 repository share 給人。你可以保留版本、roll back 改動。而且對一個 CMS 或者開發者來講，由一個已 commit 的系統取東西，遠比由一堆散檔取容易。之後我將完成品存在 Notion，順便做一個 AI 之後可以參考的資料庫。

我最想反駁的一個講法，就是「這些東西一定要好技術先做到」。我是做內容的人。我起上面那套系統，是因為每次都由零寫 prompt，比自己親手做還慢，亦因為 output 一直由業務真正需要的東西度飄走。

修好它的不是一個更好的 model，亦不是一個更好的 prompt。是將我本身已經知的東西寫低：品牌聲音是怎樣、哪些字永遠過不到我那關、一頁東西結構上要有甚麼、以及哪裏一定要有人審視過才發布得。當這些東西由「我每日重打一次的指令」變成「檔案」，AI 就不再靠估，而是對住一份規格做東西。

這個就是全部竅門。套系統將你的判斷編碼落去，令個工具可以在一個你自己一個人達不到的產量上，一致這樣沿用你那套判斷。跳過這一步，你會得到更快的 output——聽起來好好，直到你開始審它。

「AI slop」是否只是一個 buzzword，還是一個量度得到的真問題？

真到 Merriam-Webster 和 American Dialect Society 在相隔幾個月之內，各自獨立將它選為年度詞語。底層問題有充分紀錄：內容造得快過一個品牌審得完、理解得完、控制得完，結果就是規模化出來的東西又差又不適合題。

是否每一個營銷學科都要有一個獨立 skill 檔？

只是你項目真正橫跨那些先需要。一個 skill 檔存在的目的，是將「總指令不應該直接承擔的專業」編碼起來。如果某個學科不是目前項目的一部分，暫時就不需要。

最值得最先接上的數據來源是甚麼？

Search Console 和 Analytics，因為他們答到早期最重要那兩條問題：內容找不找得到、以及別人進來之後有沒有做東西。Ads 和一個專門 SEO 工具，可以等這兩個接好了之後再跟上。

槓桿在套系統，不在個 model

更好的 model 一定會繼續出，無論哪隊人做甚麼都好。現在真正取得到的優勢，是圍住 model 那層管治：指南、skills、orchestration 和 execution 的分家，以及餵住成套東西的真實數據。這一部分，不是換個大些的 model 就取代得到。