我烧了 71 亿 token，才筛出让 Claude Code 真正干活的 6 个 Skills | 回到Axton

講者的核心問題在於：為什麼 Claude Code 常常裝完就吃灰？他的答案是順序反了。大多人先裝工具再找問題，試了十幾個 Skills 每個都不錯，但從不重複使用。正確做法應該是反過來——先分析日常工作，再為每一步分配合適的工具。

講者的工作是內容生產，從選題到發布共六步，因此打造了一條六工位的流水線。第一工位是選題，這也是最值錢的一個 Skill。它每天早上七點自動監控 31 個同業頻道的 1,400 多條視頻，告訴講者什麼選題在漲、什麼在跌。決策時關鍵是有真實數據——他曾自己最看好的方向只有幾千播放，反而被忽視的方向有幾十萬播放。這不是盲信 AI，而是用數據驗證直覺。

稿件寫完進入第二工位審稿。講者的做法是讓三個 AI 互相挑刺：Claude 負責寫稿，Codex 和 Gemini 負責評審。一篇自己讀了好幾遍的 Newsletter，Codex 直接指出全文最大的邏輯漏洞——一個用來支持觀點的類比，仔細推敲反而是反面證據。不同公司的 AI 視角互補，往往能找到單個 AI 看不見的細節。

第三工位是封面和配圖。AI 根據一句話描述出多個概念方案，大幅壓縮迭代時間——從原來一下午，變成幾分鐘出五個可選方案。講者曾為一部電影封面來回五輪，最終選中空魚缸的隱喻，影片點擊率也很好。

第四工位是影片內的圖解和動畫。影片中那些手繪心智圖、一步步展開的流程動畫，都來自 excalidraw-diagram Skill，把文字直接變成圖甚至動畫。一條影片的心智圖動畫就有一萬多幀，全自動生成。這些圖既能用於影片，也能用於文章配圖，一圖兩用。

第五工位是字幕校對。自動轉錄的字幕往往錯字遍佈，Skill 能從 700 多塊字幕中挑出幾十個錯誤。更妙的是校對好的字幕還能自動變成可發布的文章——700 多塊字幕變成 45 段文章加 30 多項編輯建議，標注哪裡需要事實查核、哪裡口語需清理。

最後一工位是發布。文章要寄到網站、Newsletter、微信公眾號、X，四個平台四種格式，手工乾一遍需時 1-2 小時。這個 Skill 一條命令搞定：自動配圖、傳到圖床、替換鏈接、生成微信草稿、打包成 X 支援的文章格式，講者只需看著它跑、點幾下確認即可。

整個流程在三月的真實案例中完整展現：選題工位用數據定方向、稿子經三場 AI 交叉評審揪出兩個問題、封面五輪迭代定稿、B-roll 動畫一萬多幀自動生成、字幕自動校對後轉成文章、發布到四個平台。這原本是小團隊一週的活，現在一人加上裝了這些 Skills 的 Claude Code 就搞定了。

但核心是：每個環節最後的拍板權始終在人手裡。AI 出體力和方案，判斷權在人，這是整套系統真正能跑起來的原因。講者的思路完全可複製到任何工作領域——把工作拆成工位，為每工位找 Skill，由人負責驗收。