我用小龙虾搭了一套内容编译系统——8万字文章10分钟变素材

你有没有这种体验：

收藏了几百篇文章，Evernote/飞书/Notion里存了一堆"以后会看"的素材，但每次写文章还是从零开始——翻半天找不到合适的内容，找到了也不知道怎么用。

我之前也是这样。直到我看到Karpathy的一条推文。

Karpathy是谁？OpenAI联合创始人，前特斯拉AI负责人。他说了一句话让我直接坐起来：

"知识库不该是仓库，应该是编译器。"

什么意思？仓库是堆东西的，东西堆进去就完了。编译器是加工的——把原始材料编译成可执行的程序。

他现在token消耗的重心，已经从"写代码"转向了"操作知识"。

一个OpenAI联合创始人，不写代码了，在搭知识库。

这让我开始重新审视自己的内容创作流程。

我之前是怎么做的

我有一个小龙虾叫阿策，帮我管理公众号、跟进项目进度、做信息雷达。

但每次要写一篇深度文章的时候，流程是这样的：

1. 1. 想到主题 → 让AI搜索相关资料
2. 2. AI给出一堆链接 → 我一个个打开看
3. 3. 看完了觉得都不错 → 但写的时候想不起来具体在哪篇
4. 4. 重新让AI总结 → 总结出来的东西没有细节，全是空话
5. 5. 从零开始写 → 3小时出一篇初稿

问题出在哪？

我看了很多，但没有把"看了"变成"能用了"。

Karpathy给了答案：缺一个"编译"环节。

编译器长什么样

我花了大概两个小时，和阿策一起搭了一套"知识编译器"。

核心流程就三步：

第一步：丢链接，自动读取。

我发一个文章链接给阿策，它自动读取全文内容。飞书文档、公众号文章、网页链接都支持。

第二步：按模板编译成"结构卡"。

阿策不是简单总结文章，而是按一个固定模板把文章"拆"开：

• • 一句话结论（≤20字）
• • 核心论点（3-5个）
• • 关键数据（具体数字）
• • 案例/故事
• • 金句（3-5条原文引用）
• • 对我的公众号有什么选题价值（3个角度）
• • 可迁移的结构/数据/写法

每张结构卡大约500字，但信息密度是原文的20倍。

第三步：存入知识库，更新索引。

结构卡按方向自动分类——公众号运营、认知升级、出海、AI编程、生财有术。同时更新一个全局索引，以后写文章的时候先搜索引，5秒找到所有相关素材。

实际效果

昨晚我一口气发了6篇长文给阿策编译。

6篇文章总字数超过8万字。

10分钟后，我拿到了8张结构卡。

其中一张是生财有术"西昂"的分享——《不会写代码，用AI做了15个小程序，每月稳定收益2w+》。原文2.3万字，编译后500字，但我能立刻说出：

• • 他做15个小程序，7个稳定产出，3个废了，成功率47%
• • 失败成本每个不到200块
• • 选需求三标准：功能单一+场景清晰+没有头部产品
• • 核心金句："小程序就是数字售货机，做完不用管，收益自动到账"

500字的信息密度碾压2.3万字，因为每一条都是"可用的组件"。

这就是编译器的价值——把"看过了"变成"能用了"。

然后我做了第二件事：提炼模板

8张结构卡积累完之后，我做了一件更有价值的事——从这8张卡里提炼出4个"爆款模板"。

不是我自己凭空想的，是从8个真实的爆款案例中提取出来的共性模式：

模板一：认知冲击型。 标题公式："[权威/现象]都不[常规做法]了——[新趋势]" 示例："OpenAI联合创始人都不写代码了，在操作知识" 传播机制：颠覆认知→激发好奇→转发表达自己

模板二：实操复盘型。 标题公式："我用[方法]做到了[结果]——完整复盘" 示例："13天开通YouTube YPP，月入过万的自动化实操" 传播机制：这哥们做到了→我想学→收藏关注

模板三：痛点→方案型。 标题公式："[具体痛点]的[底层逻辑]" 示例："为什么你学了那么多还是写不出文章？" 传播机制：这说的是我→收藏学习→关注看更多

模板四：产品化拆解型。 标题公式："[市场机会]+[验证路径]+[真实数据]" 示例："普通人如何24小时在小红书构建自己的生意" 传播机制：能赚钱→我想试→关注

这四个模板不是写死的。每次编译新素材，发现好的结构、角度、金句，就更新进去。模板跟着知识库一起长。

现在我写文章的流程

搭完这套系统后，我写文章的流程变成了这样：

1. 1. 说主题 → 阿策自动匹配模板
2. 2. 搜索素材 → 阿策从索引里找到相关结构卡
3. 3. 注入素材 → 把金句、数据、案例塞进模板骨架
4. 4. 生成初稿 → 用AI写作框架生成
5. 5. 我来审核 → 改细节、加个人风格

以前从零开始3小时，现在30分钟出初稿。省下的时间不是变少了，是花在更有价值的事情上——打磨观点、加自己的真实经历、做配图。

几个踩过的坑

这套系统不是一开始就顺的，踩了三个坑：

坑一：AI会"编"案例。

早期编译的时候，AI会把不同文章的信息混在一起，"编"出一个不存在的案例。后来加了一条硬规则：案例必须标注来源，数据必须是原文中的真实数字，不能跨文章组合。

坑二：结构卡不是越多越好。

一开始我把每篇文章的每个细节都编进去，结构卡膨胀到2000字。后来发现太长了反而不好用——写文章的时候要在2000字里找一段，比在原文里找还麻烦。现在控制500字，只留"可用的组件"。

坑三：索引文件要定期整理。

编译了20多篇文章后，索引文件变得很长，搜索效率开始下降。我现在每周花10分钟整理一次——合并相似的、删除过时的、补充新分类。索引和结构卡一样，需要维护。

你也可以搭

你不需要会写代码。核心就三样东西：

一个AI助理。 能读取链接、按模板输出结构化内容的AI就行。Claude、GPT、任何主流模型都可以。

一套结构卡模板。 我用的模板包含：一句话结论、核心论点、关键数据、案例、金句、选题角度、可迁移元素。你可以根据自己方向调整。

一个索引文件。 所有结构卡的目录，写文章前先搜这个文件。

起点就是这么简单。第一版不需要完美——Karpathy的原话是"它不需要一次就完美，它需要被使用，然后在使用中进化"。

最后一件事

搭完这套系统后，我最大的感触不是"效率提高了"。

而是一个更底层的变化：我不再害怕看不完了。

以前看到好文章，第一反应是"先收藏，以后看"。但"以后"永远不会来。

现在看到好文章，第一反应是"丢给编译器，10分钟后变成我的素材"。

这不是效率问题。这是一个认知转变——

从"我要看完所有东西"变成"我需要的东西会在需要的时候出现"。

Karpathy说得对：知识库不是仓库，是编译器。

仓库让人焦虑（永远存不完），编译器让人安心（用的时候编译就行）。

你缺的不是更多的时间去阅读，而是一个把阅读变成写作素材的编译工序。

试着发一篇你最近觉得不错的文章给你的AI，让它帮你编译成500字的结构卡。积累5-10张之后，你会发现——写文章这件事，突然变简单了。