这次我们聊一个可以直接复制的玩法把 ChatGPT 的自定义指令做成一个“内容发布包 Skill”输入一个选题5 分钟内拿到 YouTube、B 站、小红书三个平台各自可用的标题、正文、标签、封面文案和发布时间建议。它不要求你写代码也不需要本地 GPU真正依赖的是一套结构化的提示词模板和合理的保存方式。先把这个 Skill 的核心价值说清楚它解决的痛点不是“AI 能不能写文案”而是“写完的文案能不能直接发”。同一篇内容YouTube 吃长描述和关键词标签B 站吃封面和互动引导小红书吃前 3 行文案和话题词。让 AI 一次性输出三套不同结构的内容再按固定目录归档这才是发布包的实际意义。这类工作流很适合自媒体运营、内容编辑、个人创作者和技术博主也适合把“选题 → 文案 → 发布”这条链路标准化的团队。这篇文章会带你把整套流程跑通先解释 Skill 的本质和适用边界再给出一份可以直接复制到 ChatGPT 的完整提示词模板然后演示如何用示例选题验证输出效果最后补充批量任务设计、常见报错排查和合规发布建议。过程中会涉及 ChatGPT 客户端启动失败、Codex CLI 路径配置、config.toml 加载异常等真实踩坑点这些在后续做自动化时会频繁遇到。1. Skill 核心能力速览先把这个 Skill 的关键信息放在一张表里。以下参数基于通用 ChatGPT 自定义指令能力和常见内容平台规则整理具体以你账号当前可用功能和模型版本为准。能力项说明项目类型ChatGPT 自定义指令 / Skill 技能包核心功能一条选题生成 YouTube、B 站、小红书三平台发布包输出物各平台标题、正文/简介、标签、封面文案、发布时间建议开发门槛无编程要求复制提示词即用进阶可用 API 自动化硬件需求无特殊要求网页端可直接运行显存/GPU不依赖 GPU纯云端模型推理启动方式ChatGPT 对话内启用或放入本地 Agent Skills 目录API 支持取决于你使用 ChatGPT API 还是本地 Agent 接口批量任务可通过脚本批量喂入选题逐条生成 Markdown 文件适合场景自媒体内容生产、多平台分发、选题批量测试、账号矩阵运营从这张表能看出这个 Skill 的准入门槛非常低。它真正的重头戏在“提示词设计”和“输出结构约定”所以后面第 4 节的完整模板是全文的核心建议直接复制保存。如果你在本地走 Codex CLI 或类似 Agent 路线那么这个 Skill 本质上是一个SKILL.md文件。ChatGPT 客户端启动时如果提示unable to locate the codex cli binary或者提示cant load config.toml本质上是客户端没找到可执行文件和配置文件和 Skill 本身的逻辑无关。这个在倒数第二节会单独列排查表。2. 适用场景与使用边界先说适合用这个 Skill 的人。第一类是单兵作战的创作者比如技术博主、生活区 UP 主、小红书知识博主每个平台都要维护账号重复写文案非常耗时用 Skill 可以快速生成初稿再人工调整语气。第二类是内容团队的编辑把选题批量丢进来拿到各平台文案框架后分发给不同组员优化能够明显缩短排期。第三类是想做“分发自动化”的开发者他们可以把 Skill 的提示词封装进 API 请求配合脚本实现选题文件到发布文案文件的自动转换。不适合用这个 Skill 的地方也要说清楚。首先它不能替代真人判断。平台政策、广告法、医疗健康类内容的合规性AI 生成的初稿只能作为参考发布前必须人工复核。其次它生成的是“素材包”不是“上传脚本”当前 ChatGPT 不会替你把视频传到油管或者把图文发到小红书你仍然需要手动复制粘贴或对接平台官方 API 完成发布。还有一个边界不同平台的规则处在变动中比如 YouTube 的标签权重、B 站的活动周期、小红书的违禁词策略Skill 内置的模板不一定能跟上最新变化。稳妥的做法是把 Skill 当“基础生成器”把平台规则变化整理成一份独立的平台规则备忘.md定期更新并在提示词中引用它。这样 Skill 不会因为规则变更而失效。合规方面几个原则必须注意涉及人脸、声音、品牌 Logo、影视素材的内容要确认自己有使用权AI 生成内容要符合目标平台的标识要求批量发布垃圾信息、重复内容会导致限流甚至封号所以“批量”要对齐的是创作效率而不是无脑铺量。3. 环境准备与前置条件我是按照“纯网页使用”和“本地自动化”两条路线来准备环境。如果你只是想在 ChatGPT 对话框里手工用前置条件只有一个一个能正常登录的 ChatGPT 账号并确认当前界面支持自定义指令或自定义 GPT。不同时期的产品入口名称不一样可能是“自定义指令”“Instructions”“Custom GPT”或“Skills”以你账号里实际显示为准。如果想走本地自动化路线也就是让 Skill 可以被脚本反复调用建议按下面的清单检查环境一个可用的 OpenAI API Key或可用本地 Agent 读取的模型服务地址Node.js 18 或 Python 3.10二选一即可一个工作目录用来存放topics/选题输入、skills/Skill 提示词、outputs/生成结果如果用 Codex CLI 作为执行环境需要确认 CLI 二进制路径已被客户端正确识别磁盘空间很小整个流程全是文本几十 MB 足够不需要 GPU。关于 ChatGPT 客户端启动失败的问题从当前网上反馈看unable to locate the codex cli binary这个报错的常见原因是桌面包内置的bin/codex文件被安全软件清理或者环境变量CODEX_CLI_PATH没有正确指定。另一种常见情况是config.toml无法加载常见原因是模型参数写错或文件权限异常。这些问题都发生在环境启动层不影响 Skill 本身设计但在跑自动化前必须解决。4. 创建 Skill完整提示词模板与配置下面这份提示词模板就是整个 Skill 的核心。把它复制到自定义指令或 Custom GPT 的 Instructions 中即可。你是一个“内容发布包生成器”。你负责把用户给出的选题扩展成适合 YouTube、B 站、小红书三个平台的发布素材包。 你每次的输出必须严格遵循以下结构不要遗漏字段。 # 选题 记录用户输入的原始选题。 # 通用内容理解 用 5 段话以内概括这条内容的核心论点、情绪基调和目标受众。 # YouTube 发布包 ## 标题 给出 3 个候选标题控制在 80 字符内突出搜索关键词。 ## 描述 写一段 150 词左右的视频简介包含核心关键词 3 次自然植入不要堆砌。 ## 标签 给出 10 到 15 个标签包含 1 个品牌词、3 个中长尾词、其余为通用词。 ## 封面文案 给出封面图上适合叠加的大标题不超过 6 个单词或 12 个汉字。 ## 发布时间建议 给出 1 个推荐时间段并说明理由。 # B 站发布包 ## 标题 给出 3 个候选标题字数 20 到 30 字兼顾搜索和点击欲望。 ## 简介 写一段 100 到 150 字的动态文案前 30 字要有钩子引导用户看完视频。 ## 标签 给出 5 到 8 个 B 站标签覆盖分区关键词和热点词。 ## 封面上文字 给出适合压在上传封面上的短句不超过 8 个字。 ## 发布时间建议 给出 1 个推荐时间段并说明理由。 # 小红书发布包 ## 标题 给出 3 个候选标题其中至少 1 个带数字至少 1 个带情绪词控制在 20 字内。 ## 正文 写一段 300 字左右的正文前 3 行必须包含核心信息段落间用 emoji 或空行分隔。 ## 话题标签 给出 8 到 10 个话题标签使用 # 号开头覆盖垂直领域词和流量词。 ## 首图文案 给出首图上适合展示的短文字不超过 10 个字。 ## 发布时间建议 给出 1 个推荐时间段并说明理由。 # 发布清单 最后生成一份 checklist逐项列出用户发布前需要人工检查的内容例如 - 标题是否有夸大风险 - 正文数据是否真实 - 素材是否有版权 - 标签是否与内容相关 - 是否符合平台最新政策 如果用户后续提供“平台规则备忘”你需要在生成过程中同步参考该文件并在输出开头注明“已参考平台规则备忘”。使用这套模板时有一个重要技巧先不要输入具体选题而是让 ChatGPT 先“记住”这一整套规则。你可以先发送“请确认你已经理解以上 Skill 规则并输出一个测试选题的发布包”作为校验确认输出结构完整后再进入正式使用。这样可以避免后续每次对话都重复粘贴长指令。如果你用的是自定义 GPT还可以把这份模板写入 Instructions同时在 Knowledge 区放入两份文件一份是平台规则备忘.md记录你所在领域的平台要求另一份是往期爆款标题样本.md让模型在生成时参考过往风格。这样做能让输出更贴近你的账号调性。5. 功能测试与效果验证5.1 测试选题输入部署完成后先不要用太复杂的选题建议找一个信息密度中等、目标受众明确的选题比如“三分钟讲清楚什么是 Serverless”。这个选题的好处是概念明确三个平台的受众都能理解适合判断输出是否踩中平台差异。5.2 预期输出结构输入选题后ChatGPT 应该按第 4 节的模板输出五个部分选题、通用内容理解、YouTube 发布包、B 站发布包、小红书发布包、发布清单。每部分不能只给平铺的文案必须出现候选标题、标签列表、封面文案和发布时间建议这些细分字段。举个例子油管的三个标题候选应该同时兼顾搜索关键词“Serverless”和观看理由比如“Serverless 到底是什么三分钟上手指南”这类逻辑B 站标题则更偏向“三分钟搞懂 Serverless别再被概念吓到了”这种互动感小红书标题要有一个明确的数字或情绪点比如“3 分钟搞懂 Serverless新手别再背概念了”。如果三个平台的标题风格长得一模一样说明 Skill 的提示词没有被有效执行需要检查模型是否理解“分平台差异化”的要求。5.3 判断成功的标准判断这个 Skill 是否跑通不要只看有没有文字输出要看三个维度。第一个维度是结构完整度八个字段是否全部存在有没有漏掉“发布时间建议”或“发布清单”。第二个维度是平台差异度YouTube 是否偏搜索和标签B 站是否偏互动和封面小红书是否偏前 3 行正文和话题标签。第三个维度是可用度挑选其中一个平台的标题和正文不做修改直接粘贴是否能达到“60 分以上可用”的水平。如果三个维度都过关这个 Skill 就算建成了。5.4 常见失败原因实际使用中最常见的问题是输出过于“通用”三个平台区别不大。这往往是因为提示词里对平台差异的描述不够具体可以补充一句“不同平台用户阅读习惯不同你必须在写作风格上做出明显区分”。第二个常见问题是输出过长模型为了面面俱到写出了大段废话这时需要在提示词里加入字数上限约束。第三个问题是发布清单缺失如果模型漏掉了最后的 checklist直接追问一句“请补上发布清单以表格形式输出”不需要重新发整段提示词。6. 批量任务与接口流程设计Skill 手工用没问题之后可以向自动化扩展。批量场景的本质是读取一批选题逐个调用支持指令的模型接口把返回结果按平台拆分成 Markdown 文件。建议的目录结构如下content-studio/ ├── topics/ │ └── 2025-06-topics.md ├── skills/ │ └── publish-pack-skill.md ├── outputs/ │ ├── youtube/ │ ├── bilibili/ │ └── xiaohongshu/ └── scripts/ └── batch_generate.pytopics/里存选题每行一个skills/里放第 4 节的提示词文件outputs/下按平台建目录方便后续手动粘贴或对接平台 APIscripts/放批量脚本。下面给一个 Python 批量脚本的通用模板。这里的api_key和模型名需要按你的实际服务地址替换它只做请求和保存不涉及具体平台上传。import os import json import time import requests API_KEY your-api-key MODEL your-model-name API_URL https://api.example.com/v1/chat/completions SKILL_FILE skills/publish-pack-skill.md TOPICS_FILE topics/2025-06-topics.md OUTPUT_DIR outputs with open(SKILL_FILE, r, encodingutf-8) as f: skill_prompt f.read() with open(TOPICS_FILE, r, encodingutf-8) as f: topics [line.strip() for line in f if line.strip()] os.makedirs(f{OUTPUT_DIR}/youtube, exist_okTrue) os.makedirs(f{OUTPUT_DIR}/bilibili, exist_okTrue) os.makedirs(f{OUTPUT_DIR}/xiaohongshu, exist_okTrue) headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } for idx, topic in enumerate(topics, start1): messages [ {role: system, content: skill_prompt}, {role: user, content: f我的选题是{topic}} ] payload { model: MODEL, messages: messages, temperature: 0.7 } try: resp requests.post(API_URL, headersheaders, jsonpayload, timeout180) resp.raise_for_status() data resp.json() content data[choices][0][message][content] with open(f{OUTPUT_DIR}/topic-{idx:03d}.md, w, encodingutf-8) as f: f.write(f# 选题{topic}\n\n) f.write(content) print(f[OK] topic-{idx:03d}: {topic}) except Exception as e: print(f[FAIL] topic-{idx:03d}: {topic}, error{e}) time.sleep(2)模板说明几点。time.sleep(2)是用来避免短时间请求过密的简单手段实际生产建议使用指数退避重试。temperature默认 0.7如果你希望输出更稳定可以调低到 0.4。如果希望按平台拆文件可以在拿到content后按# YouTube 发布包、# B 站发布包、# 小红书发布包这三个分隔符做字符串拆分然后分别保存到对应目录。7. 资源占用与运行稳定性观察这个 Skill 不依赖 GPU也不需要本地大模型。网页端使用时资源占用基本可以忽略你只需要一个稳定的浏览器和账号。走 API 自动化时关注点从“显存”转移到了“请求频率、token 消耗、超时重试”这是这类纯文本任务的典型特征。如果你是纯前端 浏览器模式唯一要留意的是长对话带来的上下文膨胀。如果一天内反复让模型生成十几个发布包上下文会越积越长响应速度变慢输出质量也可能下降。解决办法是开新对话或者把 Skill 做成 Custom GPT让它每次独立加载 Instructions不依赖当前对话的历史。如果你走了 Codex CLI 本地路线稳定性问题的来源通常不在模型本身而在客户端环境。结合网上较热门的报错我把常见情况整理成了这个观察清单chatgpt failed to start大概率是桌面客户端找不到代号为 codex 的可执行文件需要检查CODEX_CLI_PATH环境变量cant load config.toml说明配置解析失败重点看模型名或 API 地址的语法spawn EINVAL多发生在 Windows 下路径包含特殊字符或二进制文件权限异常。运行批量脚本时建议每处理 5 到 10 个选题后手动抽查一次输出目录内容确认没有出现“所有选题文案完全相同”的退化情况。这种情况偶尔会在模型上下文污染时出现一旦发现最简单的方法是重置会话或改用 Custom GPT。8. 常见问题与排查方法问题现象可能原因排查方式解决方案ChatGPT 客户端启动失败提示unable to locate the codex cli binaryCODEX_CLI_PATH环境变量未设置或bin/codex缺失检查环境变量检查客户端安装目录是否存在bin/codex文件手动指定CODEX_CLI_PATH到实际二进制路径或重装客户端恢复缺失文件提示cant load config.toml, so this thread cant resume配置文件权限异常、模型参数错误或文件语法损坏打开config.toml检查model字段是否为当前可用模型检查文件是否可读备份原配置后按官方默认模板重新生成配置文件提示spawn EINVALWindows 下路径含特殊字符或二进制文件执行权限异常查看客户端日志确认启动命令路径将项目目录改成纯英文路径重新赋予 codex 可执行权限输出三个平台内容风格一样提示词中的平台差异化约束不足检查输出里是否包含“候选标题 3 个”“标签 10 到 15 个”等细分字段在提示词中增加“必须在平台简介和标题结构上做明显区分”模型输出与原选题偏离上下文被污染或选题描述不清晰确认选题是否包含模糊词汇新开对话重新发送选题并规范为“领域 观点 目标人群”格式批量脚本某个选题请求失败网络超时或 API 限流查看脚本打印的error信息增加指数退避重试降低并发检查 API Key 额度生成标题有夸大风险模型自动补全了敏感词查看“发布清单”是否提醒复核发布前人工检查必要时在提示词中加入“禁用绝对化用语”约束小红书文案触发限流提示文案含平台疑似营销词对照平台规则检查正文和标签将规则写入平台规则备忘.md在生成时引用9. 最佳实践与发布建议第一先小规模验证再上量。用 3 个你真正准备发布的选题做测试分别生成发布包逐个平台人工核对。不要一上来就批量生成 50 条否则很容易把错误格式和错误风格复制到整个账号。第二把 Skill 提示词当成代码来维护。每次修改提示词后保留一个版本号比如publish-pack-skill-v2.md这样当你发现输出质量下降时可以快速回退回上一个稳定版本。不要直接在原文件上反复覆盖。第三模型输出要进入“内容复核清单”再发布。至少检查三件事标题是否存在夸大风险正文里的数据和事实是否真实封面图和标签是否与内容相关。涉及产品推荐时要确认推荐依据真实可信。第四构建平台规则备忘文件。你可以定期把各平台的规则变化整理成 Markdown 文件并在提示词末尾加上“生成前请参考平台规则备忘”。这种方式比死记硬背规则更可靠因为模型每次都在系统提示中读取最新规则。第五关注平台的 AI 内容政策。多数平台目前允许 AI 辅助创作但要求内容真实、不误导用户。发布 AI 生成内容时建议在合适的位置披露 AI 参与情况尤其涉及知识科普、医疗健康、财经建议等领域。第六批量脚本要可重复运行。脚本中每次生成的输出文件不要覆盖旧文件建议文件名带时间戳或序号避免跑完两轮后无法比对效果。日志也要记录成功和失败的分界线方便回溯。10. 总结与下一步这个 Skill 最值得尝试的点是把“AI 写文案”升级成了“AI 出发布包”。你不需要懂任何编程复制一份提示词就能用如果你有 API 经验还可以把它扩展成批量的内容生产流水线。建议你拿到模板后先做三件事第一用第 4 节的模板创建一个 Custom GPT 或自定义指令第二拿一个本周真要发布的选题完整跑一遍第 5 节的测试流程第三根据输出结果修改模板加入“禁用语气词”“突出实测数据”等自己的规则。最容易踩的坑有两个一是输出结构不稳定解决办法是坚持用 Custom GPT 而不是普通会话二是本地自动化时报codex cli binary或config.toml之类启动错误这跟 Skill 无关先把环境变量和配置文件恢复默认再继续。下一步可以考虑把脚本接到平台官方 API 上实现“选题文件 → 发布包 → 定时发布”的全自动链路。也可以把往期优秀内容整理成样本库让模型在生成时做风格迁移。这套玩法起步很简单上限取决于你愿意在提示词和规则文件上花多少功夫。