深度内容写作

解决什么具体问题

很多基于大模型的长文写作，读起来像是“把模板填满”。问题不在于模型词汇量不够，而在于写作顺序错了：先搭结构，再找内容。这会导致文章缺乏支撑观点的具体证据，段落之间逻辑断裂，读者读到一半就流失。

deep-content-writer 尝试解决这个问题。它的核心逻辑是 Depth-first, structure-second：在动笔之前，必须先完成知识侦察，找到具体的研究、数据、跨领域连接和反直觉观点。结构只是最后用来组织这些深度内容的载体。

核心能力与关键步骤

这个技能将写作分为三个阶段：

• Phase 0: Knowledge Reconnaissance（知识侦察）：在写第一个字之前，要求调用模型先自检已知信息，并搜索近期的具体研究、反直觉数据或真实案例。必须找到一个可以推翻的“常识”作为文章立足点。
• Phase 1: Writing（六段式弧线）：在收集到足够证据后，按照 HOOK（具体场景或数据） → DEFINE（对比式定义） → THE MECHANISM（解释机制与研究背书） → EXAMPLES（具体案例） → TAKEAWAY（具体行动建议） → CLOSE（回归钩子并提问） 的结构展开。
• Phase 2: Depth Techniques（深度技巧）：在草稿完成后，进行“具体性检查”（确保每个段落都有名词、数字或引用）、寻找跨领域连接（如把心理学与编程 bug 类比），并引入学术、口语、挑衅性的多层级语言风格。

适用边界与注意点

并非所有写作任务都需要这套重型流程。如果只是需要生成大纲、写技术文档（API、README），或者明确要求“只要事实、保持简短”，这套技能会显得过于冗长。

此外，Phase 0 的强制研究要求意味着依赖模型的内置知识或实时搜索能力。如果当前环境无法联网或无法调用搜索工具，生成的文章可能无法满足“每个段落至少包含一个具体信息”的硬性规则。

最后，技能内置了知乎、公众号、博客、Twitter/X 等平台的适配规则（如段落长度、标题风格），在生成时需要明确告知目标发布平台，以获得正确的格式输出。