SpaceX 那个助推器回收视频我又看了一遍，这次是“捕获”而不是“着陆”，机械臂在空中直接抱住，那种暴力又精确的视觉冲击力太强了。这玩意儿跟我现在干的活本质上一样：用看似粗暴的自动化流程，去执行一个要求极度精确的创意任务——比如，用 AI 批量生成带“人味儿”的营销文案。
上个月接了个 SaaS 工具站的活儿，客户扔过来两百多个功能点的原始描述，全是工程师写的，干得像压缩饼干。“支持多租户架构”、“基于 RBAC 的权限管理”、“实时数据同步”。这玩意儿直接放官网，转化率能过 0.5% 我跟你姓。以前这种单子我得疯，要么自己一句句磨到吐血，要么外包给写手团队，沟通成本比写作成本还高，最后出来的东西经常是另一种风格的拧巴，充斥着“赋能”、“打通”、“闭环”这种互联网黑话肿瘤。
现在我的流水线是这样的。第一步，暴力抓取。不是爬竞品，那太低级了。我让 GPT-4 当“需求分析师”，把那些技术描述喂进去，给它的指令不是“改写”，而是：“假设你是一个刚入职、对技术一窍不通但充满好奇的销售，连续追问这个功能到底解决了你客户工作中的什么具体痛苦，请列出十个问题。” 这一步是关键，把冷功能还原到热场景。比如“多租户架构”会被问出：“我的客户公司里，财务部和销售部能看到的数据是不是完全隔离的？老板能不能一键看到所有部门的数据？如果子公司想独立管理自己的数据行不行？”
第二步，精确分类。这些生成的问题和原始描述，我会用 n8n 建个工作流，自动调用 OpenAI 的 embeddings API 做向量化，然后聚类。不是按技术模块分，而是按“用户角色-焦虑点-期望结果”这个三维矩阵来分。跑出来的结果经常让我意外，原来市场部最关心的“数据同步”痛点，和技术部理解的压根不是一回事。他们怕的是“昨天跟客户说的数字，今天在系统里对不上，当场丢人”。
第三步，注入人味儿。这才是最难的部分，也是我作为“教练”的价值，不是提示词工程师那种。我不会直接让 AI 写最终文案。我让它扮演角色：一个是被这个问题折磨了三个月、终于找到解决方案的疲惫运营总监，另一个是刚帮这个总监解决了问题、有点小得意的售前顾问。让他们基于前面梳理出的具体场景，用 Slack 或者微信聊天的方式对话。限制条件：禁止使用任何行业黑话，必须用“我昨天就遇到了……”这种句式开头，可以吐槽，可以带情绪词（比如“妈的终于搞定了”）。AI 生成的这些对话记录，才是真正的金矿，里面充满了活生生的语言节奏和未被满足的情绪。
最后一步，封装交付。把这些对话片段、问题列表、原始技术描述，打包成一个结构化的 JSON，再喂给专门调教过的文案模型（我用 Claude 比较多，它更长于连贯叙述）。指令是：“请将以下原材料，组合成一段面向[特定角色]的官网功能描述文案，要求：1. 以故事或场景切入；2. 核心痛点用客户的原话；3. 解决方案部分直接、清晰，避免形容词堆砌；4. 结尾是一个引导性的、低门槛的行动建议。” 出来的稿子，我再过一遍手，只做减法，删掉那些“光滑”得不像人话的句子，偶尔加回一点口语化的顿挫。
这套流程暴力吗？暴力。从两百个技术点到几百个营销文案初稿，全自动流水线，48小时内跑完。精确吗？必须精确。每一个情感锚点都来自对真实工作场景的算法还原。客户觉得我温暖，是因为最终文案里能摸到人的体温和焦虑；他们不知道这体温是硅基大脑在严格流程下模拟出来的。这感觉就像 SpaceX 的工程师，看着机械臂以毫秒级精度“砰”地抓住下落的火箭——算法冷酷无情，但最终呈现的，是人类扩张生存空间的巨大浪漫。
妈的，这么一说，我好像也是个火箭工程师了，只不过我的发射场在云服务器上，燃料是 API 调用次数，目标是把那些干瘪的功能描述，精准投送到潜在客户的情绪着陆区。
