我们给客户做 AI 内容工厂，最后发现第一步就错了
Demo 跑通以后，我们没有继续调 Prompt，而是回到第一批样本、人工修改和结果回写。
客户最初的要求很直接：找爆款、拆爆款、复刻爆款。我们也很快做出了能工作的 Demo，但一进入真实生产，内容质量和稳定性开始一起掉。
内容工厂的现场
现场团队希望用 AI 扩大内容供给。原始链路看上去很顺：先抓取爆款，再抽取结构，最后生成可发布的脚本。前几轮演示里，它甚至比人工更快。
可真实发布之后，问题变得清楚：同一批“爆款”里混进了投流、活动和不适合复用的内容；模型把它们当成样本，输出自然越来越像热闹的拼贴。
问题卡在第一步
我们最初把问题归因于模型和 Prompt，后来回看每一次失败，发现错误早在数据入口就已经发生。输入没有区分自然增长、投放放大和外部事件，后面的“分析”只是把噪声组织得更漂亮。
当第一批样本没有业务语境，AI 不会自动补上。它只会更稳定地放大已有的偏差。
先把可靠输入接进来
01确认来源区分自然增长、投放与外部事件
02清洗字段统一主题、场景与可复用边界
03保留人工改动让选择理由进入下一轮
04回写业务结果用结果校正样本与策略
把人的修改留下来
内容团队每次改稿，其实都在给系统一份极有价值的反馈：哪里删掉了，哪里保留了，为什么这条最终能发，发出以后带来了什么结果。过去这些判断散在聊天记录和个人经验里。
我们把 AI 初稿、人工修改、采用与否以及后续结果写回同一条任务。下一批内容不再只参考“爆过什么”，也能参考“为什么这次可用”。
内容工厂真正要积累的三件事
数据可追溯的来源与可复用的样本
判断人工为何保留、修改或放弃
结果发布后的真实表现回到任务本身
从 FDE 到 Agentic FDE
FDE 先进入真实任务，弄清数据、判断和结果分别在哪。只有这三个位置被接住以后，Skill、Eval 和 Workflow 才有可持续的对象。
所谓 Agentic FDE，不是把人替换掉，而是让系统能够跟着真实任务不断吸收证据。这个方向仍在验证阶段，不能把它说成已经解决所有内容生产问题。
内容工厂的第一步不是写得更快，而是知道什么样的输入值得被放大。
先把第一批样本做对
如果你的内容 AI 已经能生成、但团队仍然不敢直接使用，带上一次真实改稿记录。我们先看输入、判断和结果有没有形成闭环。