Article Writing

核心用法

Article Writing 是一项长文生成技能，专为需要超越段落长度的深度内容而设计——包括博客文章、产品发布稿、技术指南、教程、通讯邮件及观点文章。其核心在于声音捕获（Voice Capture）：通过分析用户提供的样本文本（文章、社交媒体帖子、内部文档或品牌指南），提取句式节奏、正式程度、修辞偏好与格式习惯，生成与特定人物或品牌高度一致的写作风格。若无样本，则默认采用直接、务实的"运营者风格"（operator-style voice）。

显著优点

1. 反AI腔调设计：明确禁用"In today's rapidly evolving landscape"等通用开场、"Moreover"等填充过渡词，以及"game-changer""cutting-edge"等空洞 hype 词汇，强制输出真实人声。
2. 证据优先结构：规则要求"先给例子，后解释"，每节以具体场景、数据、代码块或截图描述开篇，避免抽象说教。
3. 场景化结构模板：针对技术指南、观点文章、通讯邮件三类主流格式提供差异化框架——技术文强调代码示例与可执行收获，观点文以张力或矛盾开篇并单节单论点，通讯文则注重首屏强度与易扫读结构。
4. 事实锚定机制：明确禁止虚构传记信息、公司数据或客户证据，所有量化声明必须关联提供来源，内置事实核查环节。

潜在局限与风险

• 样本依赖：声音还原质量高度依赖用户提供样本的数量与代表性；样本不足时可能滑向平庸默认风格。
• 创意边界：严格的"禁用模式"与"质量闸门"虽保证真实感，也可能抑制某些需要刻意修辞或情感渲染的文学性写作。
• 事实核查盲区：技能本身不联网验证，仅"对照提供来源"核查，若用户输入含误信息，输出将继承该错误。

适合人群

• 创始人、运营者需批量产出个人 IP 内容但无专职写手
• 内容团队需统一多作者声音至单一品牌调性
• 技术写作者需将笔记、访谈或研究草稿转化为结构化发布内容
• 通讯运营者追求高打开率与辨识度并存的编辑风格

常规风险

中等风险（A级）：虽禁止虚构，但无法阻断用户蓄意提供虚假信息；长文场景下幻觉累积概率高于短回复，需人工终审关键数据与引用归属。

核心用法

Article Writing 是一个纯提示词驱动的长文写作 Skill，核心能力在于「风格复刻」与「结构化输出」。用户只需提供品牌样本、创始人文章或简短的风格指引，Skill 即可提取其中的句式节奏、修辞偏好、正式程度等特征，生成高度一致的原创内容。支持的输出类型涵盖技术指南、博客文章、产品发布稿、教程、通讯简报等长文本场景。

操作流程遵循「输入样本→提取特征→生成内容→质量校验」四步：首先收集目标语音的公开文章、社交媒体帖子或内部备忘录；接着解析句子长度、括号/列表/破折号等标点习惯、观点表达方式；然后按用户提供的主题和受众生成初稿；最后对照原样本进行语音一致性检查，删除模板化表达。

显著优点

风格还原度高：不同于通用 AI 的「平滑腔」，该 Skill 能复刻具体个人的写作指纹——从 Naval 的碎片化警句到 Paul Graham 的长句论证均可模拟。

结构纪律严格：强制要求每节以具体案例、数据或场景开头，禁止「在当今快速变化的格局中」这类空洞开场。对于技术写作，要求每个主要章节包含代码或终端示例。

输出可控性强：通过「Banned Patterns」清单主动过滤「game-changer」「revolutionary」等 hype 词汇，以及「Moreover」「Furthermore」等过渡填充词，显著提升文本密度。

安全透明：纯 Markdown 实现，无可执行代码，零外部依赖，通过六维安全扫描获得 S+ 评级。

潜在缺点与局限性

事实核查责任完全在用户：Skill 明确声明不验证来源数据，可能生成「听起来合理但过时或错误」的陈述，需人工复核所有数字和引用。

风格样本质量决定天花板：若提供的参考文本本身风格混杂或质量参差，输出也会继承这些缺陷。没有优质样本时，只能退化为「直接、务实的运营者风格」，未必适合需要强烈个人 IP 的场景。

长文连贯性挑战：虽然章节内部结构受控，但跨章节的叙事弧线依赖用户的骨架大纲输入。若用户未提供清晰的章节目的，可能出现各节自说自话的情况。

中文本地化缺失：当前文档和示例均为英文语境，对中文修辞习惯（如成语密度、四字格节奏）的适配需用户额外指引。

适合人群

• 创始人/高管：需持续输出个人品牌内容但时间有限，希望 AI 承袭其既有语音
• 内容营销团队：批量生产保持品牌调性的博客、白皮书、产品故事
• 技术布道者：撰写教程和深度指南，要求代码示例与观点密度兼备
• 通讯作者：将零散素材整理为结构清晰的 Newsletter 或周报

常规风险

信息泄露风险：上传未发布的内部备忘录或品牌指导文件时，可能意外包含敏感商业信息。建议仅使用已公开或经脱敏处理的样本。

事实幻觉风险：AI 可能为增强说服力而编造「具体数字」或「客户案例」，必须对照可信来源逐一核实。

风格同质化风险：长期依赖同一套样本可能导致内容陷入套路，建议定期更新参考文本库。