核心用法
create-content 是一个四阶段内容创作工作流技能。第一阶段作为"思考伙伴"，通过 2-3 个精准提问帮助用户澄清核心洞察，而非急于动笔；第二阶段建立严格的"声音指南"，要求短句、具体数据、个人观察，明确禁止企业黑话、长句解释和 AI 痕迹明显的表达（如 em-dash、"This is why..." 等）；第三阶段针对 X/Twitter 和 LinkedIn 两大平台提供差异化的格式模板与病毒传播机制；第四阶段产出 2-3 个版本供用户选择迭代。
用户可通过快捷指令跳过阶段，如直接输入"X post about [topic]"进入 Twitter 草稿模式，或输入"explore"延长思考探索期。
显著优点
方法论扎实：不追求 prompt 工程技巧，而是复制顶级创作者（@levelsio、@marclou、@bryan_johnson）的真实表达模式，提供可学习的范例对照。
反 AI 痕迹设计：明确列出"Red Flags"清单（em-dash、"The key is..."、超过 20 词的句子），并配备"Voice Calibration Test"对比 AI 腔与真人表达，有效降低内容被识别为 AI 生成的风险。
平台适配精细：区分 X 的"单条可独立+线程可串联"结构与 LinkedIn 的"个人故事→普世洞察"叙事弧线，而非一刀切输出。
轻量无依赖：纯 Markdown 文档定义，无需外部 API、数据库或文件系统权限，部署门槛低。
潜在缺点与局限性
平台覆盖有限：仅支持 X/Twitter 和 LinkedIn，缺少 Instagram、TikTok、小红书等视觉或短视频平台的适配指南。
文化语境偏西：参考的创作者范例均为英文科技/创业圈 KOL，对中文社交媒体的语言节奏、梗文化、平台算法机制（如微博热搜、公众号打开率）缺乏针对性指导。
过度依赖用户输入质量：若用户无法提供具体数据或真实案例，技能难以凭空生成有说服力的内容，对"从零开始"的纯新手不够友好。
缺乏发布后的数据反馈闭环：仅负责内容生产，不涉及发布时间优化、A/B 测试、互动数据分析等运营环节。
适合的目标群体
- 技术创业者、独立开发者希望建立个人品牌但缺乏写作经验
- 已有专业洞察但表达生硬、需要"翻译"成社交媒体语言的专家
- 厌倦 AI 腔、追求真实自然表达的内容创作者
- 需要快速产出多平台版本内容的运营人员
使用风险
内容同质化风险：若大量用户使用同一套 voice guidelines，可能产生风格趋同的"模板化内容"，削弱差异化竞争力。
平台政策合规：技能本身不提供事实核查，用户若输入未经核实的数据，可能面临平台事实核查标记或法律风险。
过度优化陷阱：追求"病毒机制"可能导致标题党或争议性表达，损害长期专业信誉。
性能与稳定性：作为纯提示词技能，其效果高度依赖底层大模型的指令遵循能力，不同模型版本输出质量可能有波动。