利用 AI 系统优化与 Claude 实现内容销售额翻倍

6 月 9 日，Anthropic 发布了一款名为 Claude Fable 5 的新模型。

就在当天，我让它接管了我整个“自动化 Note 销售系统”。

结果，仅仅一周多时间，每日销售额就几乎翻了一番。

老实说，我当时只是想：“新模型出来了，不如试一试”，所以连我自己都对这个结果感到惊讶。

在这篇文章中，我将记录下所有细节：我让它做了什么、修复了什么，甚至包括我使用的提示词（Prompts）。

顺便提一下，我通常会在我的 LINE 上分享这个系统的最新动态以及无法写进文章的详细设置，如果你感兴趣，请查看文末的链接。

在 Fable 5 发布当天，让 AI 接管一个成功的系统

首先，介绍一下背景。

Fable 5 是 Anthropic 推出的首款模型，它将此前因性能过高而未向公众发布的“神话级（Mythos-class）”能力，在配备安全机制的前提下提供给了所有人。

它在编码基准测试（SWE-bench Pro）中记录了 80.3% 的成绩，这一数字不仅超过了之前的 Opus 4.8，还超越了 GPT-5.5 和 Gemini 3.1 Pro。

顺便说明一下，“安全机制”意味着只有涉及危险领域的请求才会自动切换到旧模型。根据官方数据，超过 95% 的会话都不会触发这一机制。

简而言之，在正常的商业用途中，你不会感觉到任何差异。

然而，我关注的重点不是基准测试的数字，而是它能够 “在不丢失上下文的情况下执行长期且复杂的任务”。

这意味着什么？

这意味着我们现在可以将“改进”过程本身外包出去——即阅读整个系统的所有文件，将其与销售数据进行交叉比对，并判断需要修复的内容——这在过去只有人类才能做到。

使用传统模型时，如果你给它 10 个文件，它们往往会忘记开头的内容，并给出不相关的建议。而 Fable 5 几乎从不犯这种错误。

一个明显的例子是海外的一份报告，其中提到“迁移 5000 万行代码的时间从 2 个月缩短到了 1 天”。本质上，这意味着它可以在完全理解庞大整体的情况下推进工作。

我的系统总共包含约 40 个文件以及销售数据，所以这种“通读一切的能力”直接产生了效果。

这就是为什么我决定，与其仅仅把玩新功能，不如 “让它改进现有系统”才是最聪明的用法。

这里有一个重要的视角。

模型的进化并不意味着“系统变得过时了”。

它意味着“系统改进的速度加快了”。

对于拥有系统的人来说，每一次新模型的发布都是顺风车。

我不亲自进行改进的原因有三点：

亲力亲为会引入“假设”（根据自己的直觉判断为什么东西卖得好）。
外包意味着交出系统内容（泄露商业机密）。
AI 可以毫无情绪地阅读所有数据（处理人类无法完成的海量数据，且只需一夜时间）。

坦率地说，改进就是“阅读所有数据并找出差异”的任务，所以 AI 比人类更适合这项工作。

我的直觉可能会说：“我觉得这个月基于共情的文章效果不错”，但如果我让 AI 阅读数据，它会给出基于数据的发现，比如：“高保存率的文章在开头部分始终包含这个元素。”

这种差异是巨大的。

自动化 Note 销售系统概览

这是我目前运行的配置：

概念设计（将卖给谁、卖什么、怎么卖整合到一个 md 文件中）
自动化文章生成（AI 根据概念每天创建 10 篇文章）
自动化发布（每天在设定时间流向 Threads/X）
Note 引导（从文章 → 个人资料 → Note 文章的转化流程）
数据收集（自动累积展示量、保存量和销售额）
自动化改进循环（根据累积的数据改变后续文章）

对每个部分稍作补充：

第 1 步中的概念 md 是所有工作的起点。从第 2 步开始的一切动作都基于这里写的“卖给谁、卖什么、怎么卖”。

在第 2 步中，AI 在阅读概念 md 后，会自行每天创建 10 篇文章。人类不再参与写作。

第 3 步只是将它们放入自动化发布工具，所以我甚至不需要按下发布按钮。

第 5 步非常重要；“哪篇文章被保存了”、“哪篇文章引导了个人资料点击”、“那天卖了多少钱”都会每天自动记录。

第 6 步是一个循环，每 3 天读取一次这些数据，并将其反映在接下来的 30 篇文章中。

关键在于，这个系统不是“建成即完成”，而是 5 → 6 → 2 的改进循环一直在旋转。

人们常说：“看起来很难构建”，但繁重的工作只有第一次。

你只需要在最初构建概念 md 和评估标准时动脑。之后，运行的时间越长，累积的数据就越多，数据越多，改进的准确性就越高。

由于这是一个随着时间推移而变得更强的结构，我真心认为，尽早开始的人会赢得这场游戏。

那么人类在做什么呢？实际上只有三件事：

在开始时决定类型和概念（这是人类的工作）。
决定是否采纳 AI 的改进建议（我稍后会详细写这一点）。
偶尔查看数据，调查是否有异常情况。

在日常工作时间方面，不到 10 分钟。

而我这次让 Fable 5 做的是循环中最上游的任务：“将该系统的所有文件与最近的销售数据进行交叉比对，以确定需要修复的领域。”

我在数据传输方面没有做任何复杂的操作；我只是让它直接读取系统文件集以及包含销售额、展示量和保存量的数据。

许多人认为：“我必须在移交之前整理好它”，但事实恰恰相反。

如果你移交原始数据，AI 会自行整理，并发现人类注意不到的相关性。

我抛出的提示词基本上是这样的（我把它留在这里，方便你复制粘贴）：

“阅读该系统的所有文件，并将它们与销售数据进行比较，以找出‘畅销时’和‘滞销时’之间的所有差异。只给我数据差异，不要给我展示量。接下来，建议应该在系统的哪个文件和哪个判断标准中反映这些差异，并以文件名和修改建议的形式呈现。”

关键在于我限制它 “只提供数据差异，不要展示量”。

如果你不加上这一条，AI 就会混入“增加发布频率”之类的通用建议，这种建议到处都能看到。

通过将其限制为数据差异，出来的只会是我系统独有的改进点。

在找出差异后，实际让它进行修复的提示词是这样的：

“我会指定采纳哪些建议，请直接重写相应的文件。在最后向我展示重写前后的差异列表。不要更改我未指定的任何部分中的一个字符。”

“不要更改我未指定的任何部分中的一个字符” 非常重要。如果你不加上这一条，AI 会出于好意去“改进”其他领域。在触碰一个正在运行的系统时，铁律是限制更改范围。

Fable 5 发现的“滞销时”的三大差异

Fable 5 提出了三个差异。

当我看到第一个差异时，我想：“这绝对会改变销售额。”

差异 ①：畅销的 Note 包含“购买前的那句话”

这是 Fable 5 在比较了所有畅销和滞销的 Note 后得出的结论。

畅销 Note 的概念将“读者在购买前脑海中产生的某种情绪”进行了语言化并包含在内。

而那些滞销的 Note 只设计到了“目标”和“问题”层面。

具体来说，滞销 Note 的概念处于这种粒度：

“30 多岁女性 · 想和前任复合 · 教她怎么做。”

而畅销 Note 的概念是这样的：

“30 多岁女性 · 想和前任复合 · 在她想到‘如果我完全按照这个人说的做，我就不用在午夜看着手机感到焦虑了’的那一刻，她就会购买。”

你看出区别了吗？

前者止步于“卖什么”。

后者 设计到了打开钱包前 0.5 秒脑海中的想法。

这就是销售的分水岭。

因此，我让它将“购买前情绪的语言化”作为概念设计 md 中的强制项。

仅仅增加这一项就改变了一切。由于概念处于上游，生成文章的措辞、Note 的标题以及正文的触达方式——一切都开始朝着那个“购买前的想法”去写。

一个文件中一项内容的修改会波及所有下游产品。这就是系统化的魅力。

顺便提一下，我还让 Fable 5 输出编写这一项的诀窍：标准是“用读者自己的话，写出读者无法告诉任何人的真实感受”。

“我想解决我的焦虑”太弱了。

如果你能写出“我太害怕再次被冷暴力，以至于我不敢按下发送键”，那就合格了。

在其他领域也是一样。例如，在副业领域，与其写“给想通过副业赚钱的人”，不如写：

“那些在发薪日前一周看着余额，叹着气把一件商品放回便利店货架的人。”

如果你能写到这种程度，它就变成了一篇看起来像是专门为那个人投放的广告的 Note。

差异 ②：文章评估标准过于关注展示量

自动化改进循环的评估标准过于“偏重展示量”。

然而，与销售额相关的不是展示量，而是“保存次数”和“个人资料点击率”。

这意味着 获得展示量的文章和打开钱包的文章是两回事。

任何做列表营销的人都会明白，潜在客户的数量和转化数量并不一定相关。

获得展示量的文章是“共情、可关联、幽默”类型的。

但对于打开钱包的文章，会发生“我想保存这个以后再看”或“去看看这个人的个人资料”之类的动作。

病毒式传播感觉很好，但直接与销售挂钩的数字往往是那些更低调的数字。

顺便提一下，这两个数字任何人都可以免费在 X Analytics 上看到。

只需按照“保存量”而不是“展示量”的顺序回顾你的文章，你应该就能找到畅销的模式。

作为参考，被保存的文章有三个共同点：

包含以后可以使用的具体步骤（读完后不会结束）。
包含数字或专有名词，让人想把它们当作“备忘录”保存。
有应用到自己情况的空间（以可以直接使用的形式）。

相反，“好故事”不会被保存。展示量在现场被消耗掉，然后就结束了。

当我让它将评估标准重写为“专注于保存量和个人资料点击量”时，展示量略有下降，但销售额却上升了——这是一个有趣的动态。

仅仅通过改变自动化改进循环中评估标准的一行代码，所有生成文章的方向就会改变，所以拥有系统的人应该首先审查这一点。

差异 ③：正文的顺序是“过早给出解决方案”

滞销的 Note 在开头给出的解决方案太多了。

如果你在读者意识到“这是我的问题”之前就给出了答案，他们在感受到价值之前就会读完。

畅销的 Note 使用了 “总篇幅的 30% 用于语言化问题”。

在 7000 字的 Note 中，前 2000 字不是用来提供解决方案的，而是用来“比读者自己更准确地描述读者的处境”。

只有在读者处于“为什么你这么了解我？”的状态后，你才会第一次提供解决方案。

按照这个顺序，即使是同样的内容，也会被读作“有价值”的东西。

对于那些想知道“如何编写问题的语言化”的人，我将留下我实际使用的程序。

我让 AI 写出 10 个目标受众在晚上躺在床上时会想到的独白。

比如“已经一周了，还是没有已读回执”、“我无法和朋友谈论这件事”或“我的搜索历史全是关于如何与前任复合”。

只需重新排列这 10 个独白并将其放在正文开头，问题语言化部分就基本完成了。

这里的一个常见错误是用“通用语”来写问题。

像“复合很难，对吧？”或“这让你很焦虑，对吧？”这种适用于任何人的短语，不会触动任何人。只有当你将其具体化到独白级别时，才会出现“这就是在说我”的时刻。

这也是 Fable 5 作为一个数据差异提出来的。仔细想想，这是销售的基础，但它是我自动化生成系统中尚未纳入的部分。

人类自然会做的事情在系统设计中缺失了。

找出这些“已知但未实施的漏洞”，是让 AI 进行改进的最佳部分。

将改进交给 AI 时的设计理念

我从尝试将改进交给 AI 的过程中学到了三个原则。

原则 ①：改进交给 AI，采纳决定权留给自己

Fable 5 总共提出了 7 个建议。

我采纳了 3 个。

我拒绝的 4 个建议中，例如有一个是“将每天的文章数量从 10 篇增加到 15 篇”。

逻辑上讲得通，但我过去已经验证过，对于我的读者群来说，时间线压力会太大，他们最终会屏蔽我，所以我拒绝了。

如果你全盘接受，系统就会倾向于 AI 的通用性，反而停止销售。

事实上，我过去曾采纳过所有建议，结果那周的数据下降了。

即使每一条看起来都正确，但结合在一起时，它就变成了一个“随处可见的账号”。

AI 是发现差异的天才，但判断“是否采纳该差异”的材料——过去的验证历史和读者的感觉——只存在于你自己心中。

原则 ②：始终将改进反映在“文件”中

不要只是在聊天中说“从现在开始这样做”就结束了；要让 AI 直接重写系统文件本身。

这样做的原因是将改进转化为资产。

聊天中的指令会消失，但放置在文件中的判断标准会持续对从下一代开始的所有内容产生影响。

就我而言，我按角色划分重写目的地。

“卖给谁、卖什么”是概念文件，“判断哪篇文章成长了”是评估标准文件，“Note 以什么顺序写”是结构文件。

由于我可以看到每个文件随着每次改进而成长，感觉整个系统正在变得越来越聪明。

原则 ③：从上游修复（概念 > 文章 > 措辞）

在进行改进时，你往往倾向于从下游开始修复，比如文章的措辞。

然而，对销售额的有效性顺序是“概念 > 评估标准 > 正文结构 > 措辞”。

这次销售额翻倍的主要原因无疑是差异 ① 中的概念部分。

原因很简单：一个上游位置会影响从那里生成的一切，而一个下游位置只会影响那一个片段。

如果你修复概念的一行代码，未来所有的文章和 Note 都会改变。如果你修复文章的一个结尾，只有那篇文章会改变。

如果工作量相同，最好将其用在有效的地方。

无论你如何润色下游，如果上游设计卖不出去，数字就不会动。

系统方的人在 AI 每次进化时都会获利

那么，现在发生了什么？

我在 6 月中旬反映了改进，从那时起，每日销售额稳定在近乎翻倍的水平。

最有效的部分无疑是差异 ① 中的概念部分。在反映它之后，生成内容带来的“保存 → 个人资料 → 购买”流程发生了肉眼可见的变化。

工作时间保持不变，几乎为零。

这件事让我确定了一件事：

每次 AI 进化时，获利最多的人是“那些拥有系统的人”。

Fable 5 本身任何人都可以使用。

但没有“让 Fable 5 改进的目标”的人，只能在新模型出来时试用一下。

有些人每次新模型发布都会尝试，说“太棒了”，发布一下感想，然后就结束了。

而有些人，每次新模型出来，都会让它阅读自己的系统，改进它，并将销售额提高一个台阶。

尽管他们使用的是同一个 AI，但一个是消费，一个是投资。

因为我有系统和数据，所以我的销售额在模型进化的当天就动了。

模型将继续进化。

六个月后，比 Fable 5 更聪明的模型就会出来，我会再次做同样的事情。

这个循环本身就是一种资产。

每次发生这种情况，我相信拥有系统的人和没有系统的人之间的差距都会以惊人的速度拉大。

有时有人问我：“现在开始是不是太晚了？”但事实恰恰相反。

后来者可以从一开始就用聪明的模型构建系统，所以他们可以跳过我过去挣扎的部分。

当我开始构建这个系统时，我必须每次都手动修复 AI 的输出，但现在构建它的人几乎不需要那个过程。

是否太晚，不是由进入时间决定的，而仅仅取决于你是否开始构建系统。

现在，对于那些读到这里并想“我想转到系统方”的人。

实际上，一个令人难以置信的项目正在进行中。

我正在进行一项名为 “让一位 40 多岁、不懂技术的家庭主妇，在每天 30 分钟的限制下，仅使用 Claude Code 自动化赚取 20 万日元” 的实时挑战。

当你睡觉时，AI 会完成 Note 的写作，当你早上醒来时，它已经在自动销售了。

我正在展示所有内容，包括失败的经历，展示“完全交给 AI 让它为你赚钱”是如何成为现实的。

从零开始构建系统的步骤、概念设计模板以及实际赚钱的人的动态都在这里分享，所以老实说，如果你不看，你真的会错过很多。

参与即可获得 ↓

✅ 一位 40 多岁、不懂技术的家庭主妇实现从 0 到 20 万日元的完整过程（以你可以直接模仿的水平披露）

✅ 通过评论栏分发挑战中实际使用的 Claude Code 自动化内容

✅ AI x Note 销售的最新诀窍（超过 50 人报告了结果；有人曾是诀窍收集者，一个月赚了 14.7 万日元）

点击此处参与（完全免费，有人数限制，请尽早加入）

https://line.me/ti/g2/2NjuIznaLxS8gyB0eKLdMOQxQvpcYUYj1e9TlQ