核心用法
Content Research Writer 是一款面向长文创作的 AI 协作工具，工作流覆盖「构思→研究→撰写→打磨」全周期。用户通过本地目录管理项目文件，在 Claude Code 环境中逐段推进：先共创结构化大纲，标注研究缺口；再进行定向资料搜集，自动插入规范引用；随后分段撰写并实时获取反馈，重点优化「钩子」（开头吸引力）；最后统稿润色，输出可发布版本。
显著优点
流程系统化：将写作拆解为可迭代的子任务，降低认知负荷；研究嵌入化：实时检索并自动格式化引用（支持行内、编号、脚注三种样式），解决创作者查证繁琐的痛点；反馈颗粒化：逐段提供「优点-建议-具体修改」三层反馈，而非笼统评价；文风保真：通过样本学习、选项式建议、定期校准三重机制，确保输出匹配用户独特声线；场景覆盖广：内置博客、Newsletter、技术教程、思想领导力文章四种差异化工作流。
潜在局限
信源依赖模型知识：未集成实时搜索引擎，引用可能滞后或存在幻觉风险，需用户二次核实；中文本地化不足：原始设计面向英文语境，中文语料、排版习惯（如书名号、顿号使用）适配有限；协作深度受限：暂不支持多人实时协同或版本控制集成；长文上下文瓶颈：超长稿件后期可能出现细节一致性漂移。
适合人群
独立创作者、技术博主、Newsletter 运营者、产品经理（案例研究/需求文档）、内容运营（SEO 长文）、学术科普写作者——尤其适合重视「有据可查」且希望保持个人风格的非虚构写作者。
常规风险
1. 引用幻觉：AI 可能生成看似真实但无法溯源的「研究」或专家名言，高 stakes 场景必须人工复核；2. 版权边界：模型训练数据含版权文本，直接引用存在潜在侵权风险，建议优先使用 CC 协议或明确授权来源；3. 风格趋同：长期依赖可能导致表达同质化，建议定期引入新样本刷新模型认知；4. 数据泄露：敏感选题的研究笔记存储于本地，但仍需注意云同步工具的隐私配置。