核心用法
create-content 是一套结构化内容创作工作流，采用"思考→校准→平台适配→迭代"四阶段模型。用户以粗糙想法或创作困惑启动，系统先通过追问澄清核心洞察（Phase 1），再强制约束语言风格：禁用em-dash、"This is why..."等AI痕迹词汇，推崇短句、具体数字、自嘲式幽默（Phase 2）。平台适配阶段区分Twitter（280字符钩子、独立成帖的线程结构）与LinkedIn（首行诱饵、个人故事→普世洞察的叙事弧）。最终输出2-3版草稿供用户选择迭代。
显著优点
- 反AI腔设计：明确列出6类"红旗词汇"和20字句长上限，从根本上规避ChatGPT式冗长说教
- 创作者原型参考：内嵌@levelsio（ raw观察）、@marclou（数据庆祝他人）、@bryan_johnson（极端数据+黑色幽默）三种可模仿声线，降低风格校准成本
- 平台原生逻辑：Twitter强调"每帖独立可传播"，LinkedIn强调"首行截断诱饵"，而非简单改写同一文本
- 逃逸机制：用户可随时用"explore"指令退回思考模式，防止半成品想法被强行包装
潜在局限与风险
- 平台覆盖窄：仅优化Twitter/X与LinkedIn，对小红书、抖音、Instagram Reels等视觉优先平台无适配
- 文化语境偏向：示例全为英文Tech Twitter风格，中文社交媒体的"玩梗文化"、Emoji策略、评论区互动 ritual 未涉及
- 过度风格约束：20字句长上限和em-dash禁令在中文语境可能产生碎片化、口语过度的问题
- 依赖用户输入质量：若用户无法提供"具体数字"或"反直觉洞察"，系统可能陷入空转
适合人群
- 技术创始人、独立开发者需建立个人品牌但厌恶"内容营销"腔调者
- 已有观察/数据但缺乏平台化表达经验的专家型用户
- 希望从"随机发推"转向系统性内容策略的Twitter/LinkedIn活跃用户
常规风险
- 风格同质化风险：大量用户采用同一套"反AI规则"可能导致新型平台腔调泛滥（"看起来像真人"本身成为可识别的模式）
- 平台算法变动：X/Twitter的线程分发逻辑、LinkedIn的文本折叠规则若调整，硬编码的格式建议可能失效
- 数据隐私：Phase 1建议"搜索近期笔记、日记、会话"，若系统实际接入个人知识库需明确授权边界