Alex Lieberman 在 2020 年把 Morning Brew 的多数股权卖给了 Insider，当时这家从大学宿舍起步的媒体公司估值 7500 万美元。现在他经营 AI 转型咨询公司 10x，同时在 X 和 LinkedIn 上保持高频内容输出。在接受 Lenny’s Newsletter 旗下播客 How I AI 采访时，他公开了支撑这套输出的系统，一个基于 Claude 的“内容机器”，从选题、起草到评审全部由 AI 参与，且产出的内容“没有 AI 味”。

这篇解读整理自该访谈的完整文字稿，按内容机器的运行环节拆解，最后提炼这套系统对普通创作者的启示。

为什么要造一台内容机器

Lieberman 说自己遇到两个问题：

第一个是时间约束。 他从大学创办 Morning Brew 开始持续创作了十年，内容给他带来过大量机会，但每天能投入创作的时间只有大约 25%。他想知道怎么把这 25% 的时间价值最大化，同时保证不产出 AI slop（人工智能垃圾）。

第二个问题是员工创作。 他认为未来的商业世界里，技术越来越商品化，真正的护城河是“可信的分发渠道”，而把公司里的员工变成创作者，是很多公司没有充分开发的分发资源。他的目标是把“员工在有全职工作的同时成为创作者”这件事变得尽可能简单。

他的思路是把内容生产流程重构成 AI 原生。

在进入细节之前，需要先理解 Lieberman 对 AI 内容的基本立场。主持人提到一位作家朋友的观点，认为 AI 会提高平庸写手的下限，但会封顶优秀写手的上限。Lieberman 认同这个判断，但认为它需要细化。如果 AI 只参与起草和编辑环节，确实可能降低顶尖写手的作品上限。但内容创作是多环节流程，把 AI 用在灵感收集、素材整理、格式转换这些环节，并不等于放弃质量。更重要的是比较基线，他的团队在内容机器之前的选择是干脆不创作。让员工围绕自己的专业产出内容，与完全没有人产出内容相比，这两个选项之间他永远选前者。

他还提到一个反直觉的观察，AI slop 的流行其实是创作者在“指着自己说我不够聪明”。当一个人给 AI 输入的是泛泛的想法，得到的自然是泛泛的文字。问题出在输入环节，而不在 AI 本身。这个观点贯穿了整个访谈，也解释了为什么他的系统把大量精力花在选题和采访环节，而不是写作环节。

第一步：先画出现有流程，再拆除约束重建

Lieberman 强调，整个改造的起点不是引入 AI，而是画流程图。他把内容创作过程从头到尾拆出来，找灵感、判断值得不值得写、起草、编辑、发布、分发。他说大多数人在做流程映射之前，根本不知道自己流程里有多少浪费，AI 只是逼着他们完成这一步的推动力。

主持人 Claire Vo 补充了一个关键建议，不要按当前约束去设计流程，要按理想状态设计。不受约束的话，你当然会想要一个永远在线的研究员帮你挖选题，当然会把一段内容拆成多平台微内容。先画出理想流程，再决定哪些环节交给 AI、哪些环节留给人。

第二步：Oracle 扫描七天信息，产出十五个选题

内容机器的第一个组件叫 Oracle。它连接了 Lieberman 在 Tenex 的所有信息源，包括 Slack、Notion、会议纪要、Linear、Git、Gmail，外加一份他自己配置的互联网信息源列表。Oracle 每天扫描过去七天的信息，按一套评分标准给潜在的“内容尖峰”（指从信息流中识别出的、有潜力写成文章的具体话题）打分，最后输出大约 15 个选题。

这套设计的出发点是对“空白页”的恐惧。Lieberman 认为内容创作最大的摩擦点就是面对一张空白页，而 Oracle 的作用就是把这个环节彻底自动化。创作者每天打开机器，面对的不是空白，而是十五个带着具体细节的选题候选。

访谈中展示的实际案例很有画面感。Oracle 从内部信息源里抓住了这样几条，他和银行客户的一次对话，客户说麦肯锡给的建议要六个月才能落地，他用 Claude Code 一周就重建了；他在销售电话里自嘲“我可能是全世界最差的销售”；他把 Morning Brew 卖掉之后一度很痛苦。这些具体的故事被 Oracle 标记为高潜力内容尖峰。从外部信息源里，它则抓到了亚马逊为 FDE 投入十亿美元、不同专家对 FDE 是否万能的分歧讨论。

关键点在于，Oracle 抓的不是泛泛的话题，而是当事人亲身经历里的具体瞬间。Lieberman 说，AI 生成的 slop 通常不是 AI 写得差，而是人在提供素材的环节没有给出足够好的东西。

第三步：六人设采访，把想法“说出来”而不是“写出来”

选题确定后，内容机器进入采访环节。Lieberman 创建了六个采访者人设，由它们轮流向他提问。他对着这些提问把想法说出来，用 Wispr Flow 这类语音转文字工具形成初稿素材。

这套设计的意图是把创作从“面对空白文档”变成“回答问题”。说出来的内容比写出来的更口语化、更真实，也更接近他本人的语气。这个环节决定了内容的信息密度，也是 Lieberman 认为整套系统会不会产出 slop 的分水岭。他在访谈里反复强调一个判断，AI 生成的内容有没有“AI 味”，主要取决于人在采访环节分享的想法够不够好。如果输入的是泛泛的观点，AI 输出的自然是泛泛的文字；如果输入的是亲身经历的具体瞬间，AI 输出的就有了别人编不出来的细节。

第四步：用 Markdown 文件“编码”个人风格

Lieberman 的写作风格被拆成两类文件。

一类是语音风格指南（voice markdown file），记录他的句式偏好、用词习惯和表达特点。另一类是内容经验文件（content lessons markdown file），记录他每次编辑中沉淀的教训，比如“不要用’如果这样，那么那样’这种陈词滥调”。

起草时，AI 按照这两份文件用他的声音写初稿。每次他给终稿反馈后，系统会运行一个“经验循环”：对比原始素材和最终发布版本的差异，提取可以抽象复用的教训，经他确认后追加进经验文件。这样系统越用越贴合他的标准，相当于把个人审美逐步固化成了可检索的资产。

第五步：作家委员会打分，低于 9 分就重写

初稿完成后进入评审环节。Lieberman 创建了六个作家人设，包括 David Perell、Morgan Housel、Shaan Puri 这样的知名写作者，以及一个专门负责“AI 味过敏”的人设。六个评委各自读稿打分，1 到 10 分。总分低于 9 分就自动进入修订循环，直到评到 10 分才放行。

在直播演示中，稿子一开始就被评委们打了低分，系统随即开始修订循环，Lieberman 笑着说“我猜它拿不到 9 分了”。整个评审过程可视可查，作者能看到每个评委的分数和意见。这套机制本质上是用 AI 模拟了一个编辑委员会，在没有真人编辑团队的情况下提供外部视角。

第六步：发布后复用分发

内容定稿后，机器还负责分发。Lieberman 可以指定要拆成什么形式，比如三条短推文加两条长 LinkedIn 帖，系统按他的风格自动生成多平台版本。

他说自己每天运行的流程里还缺一步，就是 Oracle 应该顺带提醒他哪些历史内容值得重新包装，这是他接下来要补的功能。

技术底座：一套 Claude Skills 目录

这套内容机器不是定制软件，而是基于 Claude 的插件体系。Lieberman 把它描述为“一个技能目录”，运行在 Claude Code 或 Cowork 环境里，团队成员可以在公司内部的代码仓库中获取更新。他特意把更新方式做得足够简单，让不懂技术的同事也能一键同步最新版本。

这个选择值得注意。他没有为内容流程开发专用产品，而是把流程拆成一组可组合的技能文件，挂在通用的 AI 编程工具上。好处是迭代速度极快，今天发现的新教训，明天就能变成所有同事共享的技能更新。

数字：生产时间从 20 到 30 小时降到 3 到 4 小时

关于这套系统的效果，访谈之外流传的总结数据是，单篇内容的生产时间从 20 到 30 小时降到 3 到 4 小时，构建这套系统本身花了 50 多个小时。Lieberman 在访谈中没有直接给出这两个数字，但访谈全过程的现场演示印证了流程的高效，选定一个当天的话题，几分钟内完成了起草、评审和修订。

需要说明的是，效率提升不等于质量妥协。他反复强调这套系统的前提是自己有十年的内容创作积累，做过几千次内容创作流程，才能把流程拆得足够细。这也回应了他对“AI 是否封顶创作上限”的立场，AI 不会让平庸的人变优秀，但能让优秀的创作者把时间从重复劳动中释放出来，投放到真正需要判断力的地方。

员工创作：用游戏化机制把全员变成内容源

内容机器解决的是“创始人自己如何高效创作”，Lieberman 还在公司层面解决“员工如何愿意创作”。

他认为员工是大多数公司最被低估的营销渠道，Claire Vo 在访谈中补充说，她见过很多 CEO 担心员工在社交媒体上表现太突出会被挖走，但真正让员工离开的，恰恰是他们没有机会展示自己做的有价值的工作。愿意鼓励员工建立个人品牌的公司在人才竞争中有明显优势。

在之前的公司 StoryArb，他做过一个叫 Own the Internet 的活动，六到八周内鼓励全员发 LinkedIn，唯一规则是内容里至少一半要和工作相关，最终赢家能拿 5000 美元。那个季度活动贡献了公司 40% 的入站线索，还带来了大量招聘端的曝光。

Tenex 刚启动的版本叫 Creator Cup，一个月内全员在 LinkedIn 或 X 发帖，发一条得 10 分，给同事的帖子互动得 3 分，每周创始人评选最佳帖子加 50 分，另有周榜和月榜。公司内部开了个叫 Reply Guys 的 Slack 频道，所有人互相看帖、互相评论。整个设计把内容创作变成了团队运动，用分数和排行榜制造参与感。

Lieberman 说员工倡导（employee advocacy）已经存在很多年，他只是觉得互联网和社交媒体把这件事的门槛降到了前所未有的低，而多数公司还停留在担心风险的阶段。访谈中他还提到一个观察，在 AI 时代技术越来越商品化之后，商业护城河越来越少，而“可信的分发渠道”是少数几个能持续积累的壁垒。把公司变成媒体公司，让员工成为内容源，本质上就是在构建这条护城河。

Anthropic 就是一个反例，Claude Code 相关的几位工程师在社交媒体上持续输出，读者因为信任他们个人而更信任产品。这些人成了品牌的延伸，他们的个人输出和公司产品形成了互相强化的循环。

对普通创作者的启示

整套系统可以抽象成四步方法论，不依赖 Morning Brew 的资源和 Tenex 的工程能力。

**第一，先画流程再谈 AI。**把创作过程拆成环节，找出瓶颈和浪费，这是所有 AI 改造的起点。Lieberman 在访谈里说，流程映射本身就会暴露大量效率问题，AI 只是推动你完成这件事的催化剂。

**第二，选题来自真实经历。**Oracle 的价值不在于“自动生成选题”，而在于从当事人自己的对话、会议、邮件里捞具体故事。没有真实素材，任何 AI 都写不出有信息量的内容。

**第三，风格可以编码。**语音指南加经验文件，本质是把“我觉得这样写不好”沉淀成可检索的规则，让 AI 越用越懂你。

**第四，评审要外部化。**六人设委员会模拟了“让高手帮你改稿”，在没有编辑团队的情况下提供了客观反馈环。

Lieberman 在访谈末尾被问到“AI 产出 slop 时你会怎么办”，他的回答很实在，要么直接手写，要么花时间骂它一遍并确认那些教训是不是已经写进经验文件。他承认自己有时对 AI 态度很差，“考虑到 AI 迟早会成为我的老板，我确实应该对它好一点”。

最后可以留意他关于工程师的判断，最好的工程师既要有系统级理解能力，又要愿意把自己的工作流全面 agentic 化。这个标准同样适用于内容创作者，理解整套系统的运作方式，同时愿意把重复劳动交给 AI，是这场变革里最有价值的能力组合。这套内容机器的价值，正在于它把这种能力组合变成了可复制的流程。

参考来源：本解读基于 Lenny’s Newsletter 播客 How I AI 的访谈《How the founder of Morning Brew built a Claude content machine that never runs out of ideas》完整文字稿（Lenny’s Newsletter），以及 Insider 收购 Morning Brew 的相关报道（Axios、Business Insider）。