昨天用 Claude Code 的 Explore Agent 做了一个大胆的实验：给它一份 50 万行的关键词 CSV 文件和一台阿里云服务器的访问权限，让它完全自主地分析关键词、规划内容、写文章、发布上线、质量自检。
结果：8 小时内，33 篇暖通温控器技术文章上线，共 13 万字。
先说结论，再说过程，最后回答大家最关心的问题：AI 写的文章到底能不能用？
实验过程
Step 1: 关键词分析（30 分钟）
我给 Agent 的 CSV 来自 5118 关键词工具——50 万行，但只有 47 个\"头部词\"有搜索指数数据，剩下的 499,954 行全是长尾变体，所有指标都是\"-\"。
Agent 做了一个关键决策：不依赖搜索指数，而是写了一个评分算法。 对每个关键词从三个维度打分：这个词和暖通/地暖业务有关吗？用户在问教程还是比价格？这个词有多长（越长越精准）？
评分结果揭示了内容策略的核心方向：70% 的高价值关键词是\"怎么接线\"\"怎么安装\"\"怎么设置\"这类教程意图词，只有 5% 是\"多少钱\"\"价格\"这样的商业意图词。这意味着：用户来搜索温控器相关内容时，绝大多数是来找教程和解决方案的，不是直接来买的。
Step 2: 覆盖率驱动的迭代规划（45 分钟）
Agent 先写了 8 篇支柱文章（地暖完全指南、壁挂炉完全指南、接线大全、智能选购……），然后做了一个我很喜欢的东西——覆盖率分析器。
它把每篇文章定义为一组正则语义域（比如\"地暖温控\"覆盖了 r\'地暖.*温控\'），然后把 50 万个关键词全部跑一遍，检查每个词是否被至少一篇文章命中。结果发现 22.6% 的严格匹配率，还有 10 个明显的缺口领域：电采暖设备（2789 个未覆盖词）、控制箱接线（1145 个）、传感器选型（1068 个）……
正是这个缺口清单驱动了后续三批扩展，最终达到 33 篇。
Step 3: 全自动发布 Pipeline
Agent 自己写了一个 Markdown → HTML 转换器（支持表格、列表、代码块、FAQ 格式），然后通过站点的采集 API 发布。但发布只是第一步。每篇文章还需要：
- 自动生成目录（提取 H2 标题 + 锚点 ID）
- 插入 CTA 区块（渐变蓝色卡片）
- 将\"相关阅读\"中的纯文本转为超链接
- 注入 Schema JSON-LD（Article + Breadcrumb + FAQ）
- 更新 sitemap.xml
- 提交 IndexNow（Bing/Yandex/DuckDuckGo）
这些全部通过 PHP 脚本在服务器端自动完成。一篇新文章从写到上线，全流程约 15 秒。
Step 4: 质量自检
Agent 定义了一个六维 100 分的评分标准（内容深度 25 分、结构清晰 20 分、SEO 优化 20 分、内链质量 15 分、转化引导 10 分、格式规范 10 分），然后用 Python 爬虫逐篇爬取线上页面，自动打分。
最终 33 篇文章平均 89.5 分，20 篇达到 A 级（≥90 分）。
翻过的最大车
实验目标站点是一个老旧的 Destoon CMS。Agent 尝试在 header.htm 模板中添加 OG 标签时，不小心删掉了一个 {/if}。
Destoon 的模板里有 54 对 {if}/{/if} 标签，少一对就直接导致整个模板引擎崩溃——所有页面返回 0 字节。 Agent 花了约 45 分钟从系统备份恢复，经历了三次失败的恢复尝试才最终稳定。
教训非常具体：永远不要动 Destoon 模板里的 {if} 结构。改 PHP 逻辑层（.inc.php），不要改模板层（.htm）。
回答核心问题：AI 写的内容到底能不能用？
能用的场景：信息型内容（how-to 教程、知识库、FAQ）、长尾关键词覆盖、内容冷启动。这 33 篇地暖/温控器教程文章，每篇都有正确的技术参数、完整的接线步骤、准确的故障代码对照——这些都是公开知识，Agent 可以准确生成。
不能用的场景：需要一手数据的产品评测（因为你没有真实使用过这个产品），需要主观体验的评价（\"这款温控器手感好不好\"），需要原创摄影的内容（接线图、产品照片）。
最惊喜的发现：AI Agent 的一致性远超人类写手。每一篇的结构都保持一致（TOC → H2 → 表格 → FAQ → 相关阅读 → CTA），评分算法确保了这一点。人类写手通常越写越松，前几篇精雕细琢，后面就开始划水。
站点 https://www.syuan.vip/course.html 可以看到全部产出。代码和文档已整理到 GitHub: https://github.com/DeYU035/thermostat-seo-content-engine
欢迎提意见。