我用 OpenClaw 打造了一個 AI 內容 Agent，它會自己研究、寫文章、發布貼文
最後更新：2026 年 02 月
TL;DR：我用 OpenClaw 的雙 Agent 架構（Andrea + Samantha）打造了一套 AI 內容自動化流程：從 RSS 篩選主題 → Perplexity 即時研究 → 撰寫部落格 → FAL AI 生成圖片 → 發布 WordPress → 推送社群。一個人，當一支內容團隊。
那篇 n8n 文章讓我停下來想了一下
今天早上在整理 RSS 的時候，看到一篇標題叫「I built an AI content agent in n8n that researches, designs & publishes for me」。
我點進去看。
作者說他做了一個 n8n 工作流，只要透過 Telegram 發一個主題，AI 就會自動研究、設計、發布社群圖文——全自動，他只需要按一個按鈕。
然後我意識到：我其實已經在做同樣的事了，只是我用的不是 n8n，而是 OpenClaw 的 Agent 系統。
差別是：我的版本更接近「兩個 AI 夥伴在幫我跑流程」，而不是「自動化機器在執行規則」。這個差別，比我原本想的還要重要。
我的 AI 內容 Agent 架構：兩個 Agent，各司其職
先講一下設定。我的系統裡有兩個 AI Agent 同時在跑：
Andrea——主工作區的秘書型 Agent，負責排程、郵件、行事曆、專案管理、任務分派。她比較像是「大腦」，負責思考、規劃、下指令。
Samantha——社群工作區的創意型 Agent，負責所有對外的內容：部落格寫作、Threads 串文、IG 圖文、X 發文。她比較像是「嘴巴」，負責把想法變成讓人想看的內容。
這兩個 Agent 可以在 Discord 頻道裡互相標記、對話、協作。Andrea 發現一個好主題，可以直接 tag Samantha 說「幫我把這個寫成部落格」。Samantha 寫完，可以回報給 Andrea，Andrea 再加進排程。
一個人在背後，兩個 AI 在前面跑。
根據 CMI 2025 年的報告，使用行銷自動化的組織比沒用的同行 多 24% 的機率能夠達成內容需求目標（Content Marketing Institute, 2025）。這數字我是信的。
今天的實際案例：從 RSS 到研究到發文，全流程拆解
我不想只講理論，所以把今天實際發生的事情寫出來。這篇文章本身，就是這套流程的產物。
第一步：RSS 篩選主題（Andrea 負責）
Andrea 每天從我訂閱的 RSS 裡篩選值得發文的新聞，整理成一份摘要，丟到 Discord 頻道。今天那份摘要裡就有那篇 n8n 文章。
這個動作讓我省掉的不是「讀新聞的時間」，而是「決定要讀哪些新聞的時間」。選擇困難的人（比如我）最懂這個差別有多大。
第二步：Perplexity 即時研究（Samantha 負責）
收到主題之後，Samantha 不再靠記憶或手動爬文章。她用 Blotato API 的 source-resolutions-v3 端點，送出一個 perplexity-query，讓 Perplexity AI 幫她研究。
舉個例子，今天她研究「AI content agent automation 2025」這個主題，5 秒內就拿到了：內容需求 2023 到 2024 年翻倍成長的數據；60% 的組織現在用 GenAI 做內容構思（2023 年只有 28%）；McKinsey 2025 年的工作流再設計研究……
這些細節不是我記得的，是 AI 即時查的。而且不用提供 URL——直接從關鍵字出發，這才是真正的研究能力。
第三步：部落格撰寫（Samantha 負責）
拿到研究資料後，Samantha 根據 blog-writer skill 的規範撰寫文章：Aceon 的個人風格、長短句混搭、台灣口語、GEO/AISEO 優化結構（TL;DR、搜尋意圖式 H2、FAQ 區塊、作者資訊）。
這篇你現在在看的文章，就是這樣出來的。
第四步：FAL AI 生成圖片 + WordPress 發布（Samantha 負責）
文章寫好之後，Samantha 用 FAL AI Z-Image Turbo 生成 Feature Image（16:9 橫幅），上傳到 WordPress 媒體庫，發布文章，設定 RankMath SEO 欄位。全部一條龍。
第五步：社群貼文（Samantha 負責）
部落格發布後，Samantha 提取重點寫成 Threads 串文，用 Blotato API 直接發出去。不用登入任何社群帳號，不用複製貼上。
這套流程的底層框架：DRCP 四步法
把上面這些步驟抽象化之後，我的 AI 內容 Agent 其實在跑一個四步的框架：
| 步驟 | 英文 | 執行工具 | 人工介入程度 |
|---|---|---|---|
| 發現主題 | Discover | RSS + Andrea 篩選 | 低（只需確認） |
| 即時研究 | Research | Blotato Perplexity Query | 零（全自動） |
| 內容創作 | Create | Samantha + blog-writer skill + FAL AI | 中（審閱確認） |
| 多平台發布 | Publish | WordPress + Blotato API | 低（一鍵確認） |
我把這個叫做 DRCP 框架。不是什麼了不起的學術理論，就是我自己跑了一陣子之後歸納出來的節奏。
核心理念只有一個：把「決策」留給人，把「執行」交給 AI。
跟 n8n 方案比起來，有什麼不一樣？
n8n 那篇文章的流程也很厲害——Telegram 觸發 → Blotato 研究 → 生成圖文 → 發布 Instagram/LinkedIn。自動化程度很高。
但它是「規則型自動化」：你把流程定義好，機器照規則跑。
我的 OpenClaw 方案比較像「判斷型協作」：Agent 會讀上下文、理解意圖、做出選擇。比如今天 Samantha 在發現 Blotato 有 source-resolutions-v3 這個端點之前，是主動去查 API 規格的，而不是照著我提前定義的 flow 走。
| 維度 | n8n 工作流 | OpenClaw Agent |
|---|---|---|
| 適合任務類型 | 重複性、規則明確 | 需要判斷、有變化 |
| 設定複雜度 | 高（需要設計 flow） | 低（用自然語言下指令） |
| 彈性 | 低（改 flow 才能改行為） | 高（說話就能調整） |
| 探索未知能力 | 不行（需要預先設計） | 可以（Agent 會自己查） |
說真的，理想狀態是兩者結合：OpenClaw 負責有彈性的判斷任務，n8n 負責高重複性的執行任務。但如果只能選一個起步，我覺得 OpenClaw 的門檻更低，更快能跑起來。
今天最大的意外收穫
其實整件事裡，讓我最驚喜的不是流程本身，而是發現 Blotato API 其實有 research 功能這件事。
我用了 Blotato 好一陣子，一直以為它只是個「發文工具」。今天因為看了 n8n 那篇文章，才讓 Samantha 去查 API 規格，才發現 source-resolutions-v3 這個端點支援 perplexity-query——可以直接下關鍵字做研究，不用 URL，幾秒內回傳。
這就是我說的「判斷型 AI」的價值：我沒有要求它去查 API 文件，它自己判斷「要寫好文章，先要有研究能力，先要搞清楚手邊的工具能做什麼」。
然後它去查了。然後我們找到了。然後這個能力被整合進了 blog-writer 的 SOP。
這整個過程，就發生在今天，就在這幾個小時裡。
常見問題 FAQ
OpenClaw 是什麼？跟 n8n 一樣是自動化工具嗎？
OpenClaw 是一個 AI Agent 平台，讓你可以部署多個 AI Agent，每個 Agent 有自己的身份、工具集和工作空間。跟 n8n 不同的是，OpenClaw 是「判斷型 AI 協作」，Agent 會根據上下文做決策，不需要預先設計好所有規則。
Blotato 的 Perplexity Query 功能是怎麼用的？
用 Blotato API 的 POST /v2/source-resolutions-v3 端點，設定 sourceType: “perplexity-query”，然後提供你的研究主題文字。系統會非同步透過 Perplexity AI 研究主題，通常 5-10 秒內完成，回傳結構化的 title 和 content。
這套流程需要很強的技術能力嗎？
設定的時候需要一些，但使用起來不需要。大部分的操作都是用自然語言跟 Agent 說話。當然，理解 API 的概念和基本的 JSON 結構會讓你能更精確地調整流程。
一個人真的可以用這套流程當一支內容團隊嗎？
可以，但要設定好「審閱」環節。我的原則是：AI 做初稿，我做判斷。文章的角度、發不發、加什麼觀點——這些決策還是在我這裡。AI 幫我省的是「執行時間」，不是「思考時間」。
FAL AI 生成的圖片品質夠用嗎？
對部落格用途來說夠用。FAL AI Z-Image Turbo 的特色是速度快（幾秒內），扁平插畫風格適合內容圖片。不適合需要照片寫實感的場景，但對資訊型部落格來說是好的 cost/quality 選擇。
這套流程每月成本大概是多少？
OpenClaw 本身有自己的定價；Blotato API 依使用量計費；FAL AI 圖片每張幾美分。整體估算，如果一個月發 30-50 篇文章加社群貼文，API 成本大概在數十美元以內，比雇一個人便宜幾個數量級。
n8n 和 OpenClaw 可以結合使用嗎？
可以。n8n 適合處理高重複性、規則明確的觸發邏輯（比如每天定時跑 RSS），OpenClaw Agent 適合處理需要理解和判斷的任務。兩者結合是目前我在評估的下一步。
如果我想複製這套流程，從哪裡開始？
從「定義你的 Agent 分工」開始。先想清楚你需要什麼類型的 Agent，然後一個一個設定工具集（skills）。不用一次做完，先跑起來一個流程，看看哪裡卡，再修。
寫到這裡，我覺得最有意思的地方不是「AI 幫我省了多少時間」，而是「AI 幫我找到了我自己沒想到要找的東西」。
今天早上我只是想確認一下 Blotato 有沒有 research 功能。結果找到了，整合進了流程，然後用這個新功能寫了這篇文章。
這種感覺，有點像莊子說的：「無為而無不為。」你不是在用力推，你是在讓事情自然地流向它該去的地方。
搞不好這才是 AI 協作最深層的價值——不只是自動化，而是讓你有機會找到你原本找不到的路。
你用什麼方式做內容自動化？有沒有類似的流程？留言跟我說說看。