大家好，我是 Axton。在这个信息爆炸的时代，我们每天都会接触到大量有价值的文章和新闻。将这些内容分享到各大社交媒体平台，本是乐事一桩，但逐个平台手动发帖，却着实令人头疼。想象一下，如果有一个 AI 系统，不仅能学习你的语言风格自动生成帖子，还能准时帮你发布，那该多酷？步入 2025 年（更新至 2025-05），AI 技术与自动化工具的结合日益成熟，这样的设想早已成为现实。今天，我将手把手带你搭建这样一个 AI 自动化工作流，让你彻底从重复劳动中解放出来，专注于更有价值的创造。
社交媒体管理的痛点与 AI 自动化工作流的曙光
手动管理多个社交媒体平台，耗时耗力，已成为许多内容创作者的共同烦恼。 当我们发现一篇深度好文或一条重磅新闻，想要分享给不同平台的粉丝时，往往需要针对每个平台的特性调整文案、格式，甚至配图，这个过程既繁琐又容易出错。更别提要记住每个平台的最佳发布时间，确保内容得到最大程度的曝光了。
而一个精心设计的 AI 自动化工作流，则能完美解决这些问题。它就像一位不知疲倦的智能助手，能够自动抓取你指定的内容源，利用大语言模型（如 GPT 或 Claude（更新至 2025-05））的强大理解和创作能力，根据你的指令和预设风格，为不同平台量身定制帖子内容。更妙的是，它还能自动完成发布动作，真正实现”一键多发”，让你有更多时间去筛选信息、思考洞见。
我的 AI 自动化工作流是如何运作的？
这个 AI 自动化工作流的核心逻辑是从信息源获取文章，利用 AI 进行内容总结与再创作，最终分发到各大社交平台。 整个流程听起来可能有些复杂，但实际上，通过像 Make.com（更新至 2025-05）这样的自动化平台，我们可以将它拆解为一系列清晰的模块。
简单来说，我的工作流始于 Notion（更新至 2025-05）。我会将筛选好的文章链接保存在 Notion 的一个特定数据库中，并标记是否需要发帖。一旦标记，Make.com 就会自动捕获这篇文章的 URL，并将其传递给 Perplexity AI（更新至 2025-05）。Perplexity AI 是一个强大的 AI 搜索引擎，它能迅速读取并总结文章的核心内容。
拿到总结后，我会将其交给 Claude（更新至 2025-05）这样的大语言模型。AI 会根据我对不同平台（如 Twitter、Facebook、LinkedIn、Instagram）的特定要求，例如字数限制、语气风格等，撰写出相应的帖子。特别地，对于 Instagram，由于它对图片有较高要求，我还会调用 DALL.E3（更新至 2025-05）来根据帖子内容生成一张配图。所有内容准备就绪后，系统便会自动将它们发布到对应的平台。
不久前，我就用这个系统分享了 Anthropic 发布 Claude 3.5 Sonnet 的新闻。在 Notion 中勾选该文章后，系统自动运行。很快，Twitter 上出现了一条精炼的推文，准确概括了 Claude 3.5 Sonnet 的性能提升、价格优势以及新的 Artifacts 功能，并附上了原文链接。Facebook 和 LinkedIn 上的帖子则更为详尽，充分利用了这两个平台对文字长度的包容性。Instagram 上也同步发出了一条图文并茂的帖子，DALL.E3 生成的配图也相当契合主题。整个过程无需我手动干预，效率极高。
完整视频请点击观看：
核心组件解析：构建高效 AI 自动化工作流的基石
要成功搭建这套系统，理解并配置好各个核心组件至关重要。 每一个工具都扮演着不可或缺的角色，它们的协同工作才构成了强大的自动化能力。
首先是我们的内容源头——Notion。我创建了一个名为”待评论文章”的数据库，其中包含文章名称、URL 以及一个关键的”是否发帖”的勾选框。我常常使用 Notion 的 Web Clipper 插件，一键就能将网页内容保存到这个数据库中。正如我常说的，信息获取容易，筛选困难，这个数据库就承载了我筛选信息这一有价值的过程。只有当我勾选了”发帖”，后续的自动化流程才会被触发。
接下来是 Perplexity AI。当 Notion 中的文章被标记后，Make.com 会将文章的 URL 发送给 Perplexity AI。我选择它的原因是其出色的网页内容抓取和总结能力。当然，使用 Perplexity API 是需要付费的（更新至 2025-05）。如果寻求免费方案，我在之前的视频中分享过 Jina AI 的 Reader API，也是一个不错的选择。今天我们主要演示 Perplexity AI 的用法，它可以提供一个高质量的文本摘要，作为后续 AI 创作的基础。
然后是核心的”大脑”——大语言模型，如 Claude 或 ChatGPT（更新至 2025-05）。它们负责根据 Perplexity AI 提供的文章摘要，以及我对不同社交媒体平台的特定指令（例如，Twitter 要求简洁，Facebook 可以更详尽），生成最终的帖子文案。
最后，对于 Instagram 这类视觉优先的平台，DALL.E3 这样的 AI 图像生成工具就派上了用场。它可以根据文本描述创作出独一无二的配图，让帖子更具吸引力。
手把手搭建：跟我一起创建你的 AI 自动化内容工厂
接下来，我将带你一步步拆解这个 AI 自动化工作流的搭建过程，即使是初学者也能轻松上手。 我会把 Make.com 的操作界面分为上下两部分，上方是我已创建好的工作流作为参照，下方我们从零开始。
启程：在 Make.com 中初始化你的工作流
在 Make.com 中，每个工作流被称为一个 “Scenario”。我们首先点击 “Create a new scenario”，并给它命名，比如”演示自动发帖”。第一个模块自然是 Notion。我们选择 “Watch database items” 作为触发器，目的是监控数据库中项目的更新。你需要连接你的 Notion 账户，然后通过数据库名称（如”待评论文章”）搜索并选定你的数据库。我们可以设置一次返回的记录数量，比如 10 条，并选择从现在开始监控。完成这一步后，不妨在 Notion 中更新一篇文章的状态（比如勾选”发帖”），然后单独运行这个 Notion 模块，检查输出是否正确获取到了文章信息。我当时测试的是一篇关于英伟达成为世界市值第一公司的新闻，模块成功输出了这条记录。
信息获取与初步处理：Perplexity AI 的妙用
获取到文章 URL 后，我们需要提取并总结文章内容。这里我们添加 Perplexity AI 模块，选择 “Create a Chat Completion” 操作。连接你的 Perplexity AI 账户（需要 API Key）。在模型选择上，Perplexity 提供了多种模型（更新至 2025-05），我们可以先选一个 small online 模型。关键在于 Message 配置，User 角色的 Content 就是我们的提示语，例如：”请详细总结文章 {URL}”，其中 {URL} 从 Notion 模块的输出中动态获取。Token 和 Temperature 等参数可以根据需要调整。为了确保只有标记了”发帖”的文章才进入后续流程，我们在 Notion 和 Perplexity AI 模块之间添加一个 Filter，条件设置为 Notion 输出的”发帖”字段等于 “true”。
智能写作的核心：设置变量与 AI 指令
在让 AI 开始写作之前，我习惯性地添加一个 “Set multiple variables” 模块。这么做的目的是为了集中管理后续各个 AI 模型可能共用的提示语 (Prompts) 和数据，方便统一修改和维护。 我会设置一个变量 article 来存储 Perplexity AI 总结的文章内容。更重要的是，我会把通用的系统提示 (System Prompt) 和用户提示 (User Prompt) 也设为变量，例如 writer_system_prompt 和 writer_user_prompt。此外，针对不同社交平台的具体写作要求，比如字数、风格、标签等，我也会分别创建变量，如 twitter_requirements, facebook_requirements 等。这样，当需要调整某个平台的写作风格时，只需修改对应的变量，而无需深入到每个 AI 模块中去修改 Prompt。
分发到各大平台：Twitter、Facebook 与 LinkedIn 的配置
由于我们要向多个平台发帖，因此需要一个 “Router” 模块，它能将流程分叉到不同的路径。
第一条路径是 Twitter。我们添加 Anthropic Claude 模块（当然也可以用 OpenAI GPT），选择 “Create a Message”。连接账户后，选择合适的模型，比如 Haiku 模型（更新至 2025-05）以追求速度。Message 配置是核心：User Message 中，我们会组合使用之前设置的变量，比如 writer_user_prompt（包含通用写作指令）、article（文章摘要）以及 twitter_requirements（Twitter 的特定要求）。System Prompt 则直接引用 writer_system_prompt 变量。为了确保 AI 输出纯净的帖子内容，我会在 Prompt 中要求它将最终文案包裹在特定的 XML 标签内，例如 <social_media_post>…</social_media_post>。
紧接着 Claude 模块之后，我会添加一个 “Text parser” 模块，选择 “Match pattern” 操作。这一步的目的是精确提取出 AI 生成内容中，位于 XML 标签之间的纯文本，去除任何可能多余的解释性文字。 你需要提供一个简单的正则表达式来匹配并提取标签内的内容。提取出的纯净文本，就可以直接传递给 Twitter 模块的 “Create a Tweet” 操作中的文本内容字段了。
Facebook 和 LinkedIn 的配置与 Twitter 非常相似。我们可以直接复制粘贴 Twitter 路径中的 Claude 和 Text parser 模块。唯一需要修改的是 Claude 模块中引用的平台特定要求变量，分别改为 facebook_requirements 和 linkedin_requirements。然后连接到各自平台的发布模块，如 Facebook Pages 的 “Create a Post” 和 LinkedIn 的 “Create a Post”，并将原文的 URL 从 Notion 模块传递给它们，作为帖子的附加链接。
视觉冲击：为 Instagram 定制图文并茂的帖子
Instagram 的路径会多一步图片生成。同样，我们先复制 Claude 和 Text parser 模块，并将 Claude 中的平台要求变量改为 instagram_requirements。然后，在 Text parser 之后，添加 OpenAI DALL.E3 模块，选择 “Create an image”。在 Prompt 中，我会指示 DALL.E3 根据 Text parser 输出的帖子文本内容，创作一幅逼真的、视觉吸引人的图像，并指定风格（如干净专业）、避免文字和机器人形象、以及适合 Instagram 的方形尺寸（如 1024×1024 像素（更新至 2025-05））。
一个非常重要的设置是 DALL.E3 模块的 “Response Format”。务必将其从默认的 URL 改为 “Image File”（或类似选项，如 B64_JSON），因为 DALL.E3 生成的图片 URL 是有有效期的，直接使用会导致图片日后失效。 获取到图片文件后，我通常会使用一个图床服务（如 IMGBB，Make.com 也内置了对多种图床的支持）来永久保存这张图片。添加相应图床的 “Upload an image” 模块，将 DALL.E3 输出的图片文件作为输入。最后，添加 Instagram for Business 模块（你需要将个人 Instagram 账户转换为 Business 账户才能使用此功能），选择 “Create a Photo Post”。将图床模块输出的图片 URL 作为照片来源，Text parser 输出的文本作为 Caption（说明文字）。
实战演练：见证 AI 自动化工作流的强大威力
理论讲解完毕，让我们通过一个全新的案例，完整检验刚刚搭建的 AI 自动化工作流的实际效果。 我选择了一条关于亚马逊推出全新 AI 版 Alexa，每月订阅费 5-10 美元（更新至 2025-05）的新闻。首先，我用 Notion Web Clipper 将这条新闻保存到我的”待评论文章”数据库，并勾选了”发帖”。
回到 Make.com，我点击运行刚刚创建的”演示自动发帖”Scenario。整个流程顺利执行完毕，没有任何报错。接着，我逐一检查了各大社交平台。Twitter 上出现了一条关于亚马逊 AI Alexa 的精炼推文，提到了订阅价格、核心功能，并以提问方式结尾，互动性不错（不过我发现忘了把原文 URL 加上，这个后续可以在模块中轻松补充）。Facebook 和 LinkedIn 的帖子内容则更为丰富，详细介绍了新版 Alexa 的特性和对用户可能产生的影响，语言风格也符合各自平台的调性。最后是 Instagram，DALL.E3 生成了一张配图——有趣的是它画了一个碗，虽然与 Alexa 的直接关联性不大，但也算是一张视觉上还不错的图片。所有帖子都已自动发布，效果令人满意。
获取免费模板与提示语，即刻开启你的自动化之旅
为了让你能更快地体验到 AI 自动化的便捷，我已将本次演示的 Make.com 模板及所有提示语打包分享。 你可以访问我的网站 Axtonliu.ai，进入”AI 精英学院”的免费分享区。在”AI+自动化”模块下，找到”全平台自动发布贴文的简化版”，即可下载包含系统提示、用户提示文本以及 Make.com 模板（一个 JSON 文件）的压缩包。
获取到 JSON 文件后，解压缩。然后在你的 Make.com 中创建一个新的 Scenario，点击界面上的三个点（省略号）按钮，选择 “Import Blueprint”，然后上传这个 JSON 文件。整个工作流就会自动加载到你的 Scenario 中。当然，你需要根据提示重新配置各个模块与你个人账户的连接信息（如 Notion、Perplexity AI、Claude、社交媒体平台等），因为模板不会包含我的私人登录凭证。
更多细节可参考我的上一篇文章 👉 为什么有那么多人从 Zapier 转向 Make？不只是价格问题
全局性核心要点总结
回顾整个搭建和演示过程，有几个核心观点值得我们深入思考。首先，有效的 AI 自动化工作流始于高质量的信息筛选，你输入给系统的内容决定了输出的上限。其次，Make.com 这类平台的模块化设计赋予了我们极大的灵活性，可以根据需求自由组合和扩展功能。再者，将核心提示语（Prompts）集中管理，能极大提升工作流的可维护性和迭代效率。同时，我们也要认识到，AI 的强大之处在于其适应性，通过精心设计的指令，它可以为不同平台创作出风格迥异的内容。最后，任何自动化系统都不是一蹴而就的，持续的测试、调整和优化是确保其长期有效运行的关键。
独特深度洞见
掌握了这样的 AI 自动化工作流搭建方法，你获得的不仅仅是时间上的节省。更深层次的价值在于，它为你构建了一个可扩展的”内容操作系统”的基石。未来，你可以基于这个基础框架，集成更多的 AI 工具和服务，比如情感分析、热点趋势预测、个性化回复等，打造出更为复杂和智能的自动化内容生态。这不仅是技术的进步，更是内容创作与传播范式的革新。
希望今天的分享能为你打开一扇通往高效内容创作与管理的大门。我是 Axton，如果你喜欢我的内容，请不吝点赞、评论和订阅，我们下期再见！
