L 站佬友三個月賺 10 萬嘅 AI 網文 pipeline 大公開

L 站有位佬友，唔寫 code 唔做 crypto，靠住一條 AI 網文 pipeline，每日穩定輸出八千到一萬字，三個月內變現超過十萬港幣。你可能會諗：又係用 ChatGPT 噴垃圾文呃廣告費？錯。佢嘅方法唔係量產垃圾，而係將知識工作者的資訊焦慮——嗰種「書買咗睇唔完、筆記記咗唔會翻睇」嘅痛點——變成一條可規模化嘅內容生產線。關鍵唔係 AI 寫得幾好，而係你條 pipeline 有無辦法將 raw input 變成有觀點、有結構、有價值嘅輸出。以下係完整拆解。

Calibre 切書：將所有知識變成可餵養嘅原料

成條 pipeline 嘅起點係 Calibre——一個開源嘅電子書管理工具。大多數人淨係用佢嚟轉格式，但呢位佬友嘅用法完全唔同：佢將所有 Kindle 買返嚟嘅書、Z-Library 摷到嘅 PDF、甚至訂閱嘅 newsletter 合集，全部經 Calibre 嘅 command-line interface 批量轉成純文字。重點係 strip 走所有目錄、頁碼、註腳呢類 metadata，只保留正文。點解要咁做？因為 AI 模型對乾淨嘅純文字輸入同混雜格式嘅輸出質量可以差好遠。佢每個月固定處理 5-10 本書，按主題分類存入一個名為「raw corpus」嘅資料夾。呢個動作每星期花唔使一個鐘，但就係整條 pipeline 嘅原油儲備——無呢步，後面所有嘢都建唔起。

更深一層嘅 insight 係：佢唔係求其搵十本書塞入去，而係刻意選擇「有爭議性」嘅文本——同一 topic 揀立場相反嘅兩本書一齊處理。例如講 productivity，佢會同時餵《Deep Work》同《The 4-Hour Workweek》。呢種刻意嘅觀點衝突，係後續 AI 輸出有「人性」嘅關鍵。

Claude 打碎重構：從被動閱讀到主動拆解

第二步係全條 pipeline 最核心、最容易被低估嘅環節。呢位佬友唔會叫 AI「幫我 summary 呢本書」——呢種做法只會產出你永遠唔會睇第二次嘅 bullet points。佢嘅做法係：將 Calibre 吐出嘅純文字餵入 Claude（佢用 Sonnet 4 同 Opus 交替，平嘢做初稿、貴嘢做校準），然後落一個極度具體嘅 system prompt。個 prompt 唔係叫人寫 summary，而係要求 Claude 以「逆向工程」嘅方式拆解本書：作者嘅核心論點係咩？佢用咩證據支撐？邊度 logic 有漏洞？如果反駁佢，最有力嘅三個論點係咩？

呢個拆解過程會生成一份 3000-5000 字嘅「內部筆記」——唔係畀讀者睇嘅，而係畀下一步嘅 Cursor 同 Deep Research 用。佢會將呢份筆記連同之前另一本書嘅相反觀點筆記，一齊送入下一步。呢種「觀點碰撞」先係 AI 寫出有張力內容嘅秘密，唔係靠 prompt engineering 嘅花巧嘢。

佢仲有一個關鍵竅門：每次都要求 Claude 標注信心分數，對自己唔肯定嘅推斷要 explicit 標明。呢個做法逼住模型唔好亂吹，亦畀後續嘅 human review 一個明確嘅檢查點。

Cursor 實戰 + Deep Research 循環：從筆記到網文嘅生產線

第三步係將筆記轉化為真正可以 publish 嘅文章。呢位佬友用 Cursor 開一個新 project，將上一步嘅內部筆記貼入 docs folder，然後用 Composer 功能逐段同 AI 對話，將 raw notes 擴寫成連貫章節。佢嘅工作流程好特別——唔係一次性叫 AI 寫晒成篇文，而係逐個觀點同 AI「辯論」：你咁寫有無證據？呢個 claim 係咪過份简化？有無考慮到相反情況？呢種迭代式寫作逼出咗 AI 最佳嘅輸出。

完成初稿之後，佢會開一輪 Deep Research——將文章入面每個有數據或引用嘅 claim，逐個用 AI search 驗證。發現錯嘅就改，發現可深化嘅位就標注返畀 Claude 重新擴寫。呢個循環通常行兩到三次，到所有事實 claim 都有來源支撐為止。

最後一步係 human touch：佢會人手改寫開頭三段同結尾兩段，確保 tone 同 voice 係人寫嘅感覺。其餘部分由 AI 生成果陣已經夠好，因為前幾步嘅「觀點碰撞」確保咗內容唔會係 flat 嘅 AI 腔。成個循環由 raw corpus 到 publishable draft，大約 6-8 個鐘。

變現邏輯：內容係手段，信任係產品

好多人睇到呢度會問：寫咁多文，錢從何來？答案係多層次變現，而唔係靠廣告呢種低效模式。第一層係將文章同步 publish 去 L 站、Medium 同自己嘅 Substack，累積 readership。第二層係將同一批內容重新結構成付費 newsletter，月費 $50 港幣，累積咗 300+ 付費訂閱者。第三層係最賺錢嘅——將 pipeline 本身變成教學產品：佢整咗一個 Notion template + 10 條 video tutorial 嘅套裝，賣 $199 港幣，賣咗超過 200 套。四個月後仲開咗一個私人 Discord 社群，月費 $100，而家有 150+ 成員。

呢個模式嘅精髓在於：同一條內容 pipeline，產出三種產品——免費文章 build trust、付費 newsletter build depth、教學產品 build scale。每一步嘅邊際成本近乎零，因為原料（書）同處理工序（AI pipeline）係一次過嘅。最聰明嘅係，佢完全冇同人競爭「寫得快」，而係競爭「寫得有觀點」——呢個係 AI 做唔到、只有人先可以做到嘅差異化。

如果你都想起一條類似嘅 pipeline，建議由一個你已經有基礎認知嘅領域開始——最好係你本身已經有 5-10 本書嘅 topic。唔好貪多，一個月專注處理一個主題就好。先跑通一個完整循環：揀兩本觀點相反嘅書 → Calibre 切 → Claude 拆 → Cursor 寫 → Deep Research 驗 → publish。跑通一次之後，先諗 scale 嘅嘢。記住，呢個遊戲嘅贏家唔係寫得最多嗰個，而係 consistently 輸出有觀點內容嗰個。