Case 02
Creator OS為一人品牌打造的 AI 內容生成系統
從痛點定義到系統設計——這是我如何解決自己問題、並規劃可操作AI內容系統的完整過程。
Problem Statement / 問題定義
我在解決什麼問題？
我一人維運兩個定位不同的社群帳號——中文品牌內容與英文教學內容——每次產出都需要從零告訴 AI「我是誰、我的語氣是什麼、這次的目標是什麼」。 這是我自己經營品牌的長期痛點，而且我知道這是一個在AI工具崛起的時代可以被系統化解決的重複性問題。
| 工作項目 | 原始耗時 |
|---|---|
| 圖文文案（單則、輪播貼文） | 10–60 分鐘，取決於資訊量以及是否需美編做圖 |
| 影片腳本（無結構） | 約 60 分鐘 |
| 跨平台格式改寫 | 每次重做，無法複用 |
核心問題不是「AI 不夠好」，而是品牌知識沒有被結構化，導致每次生成都從零開始。
User Research / 使用者研究
我怎麼知道這個問題值得解決？
研究方法：深度自身分析（Primary User Interview） 在 Phase 1，我同時是這個工具的設計者與最典型的目標使用者。 我將自身的工作流程進行結構化記錄，作為需求驗證的第一手資料。
使用者樣貌
就是我自己。Maggie，手作銀飾品牌主理人，獨立經營 4 年，一人負責產品設計、攝影、社群內容、課程教學。 每週需產出 1–5 則跨平台內容，在Creator OS之前都是依賴個人經驗與直覺產出內容，沒有固定流程。
三個核心痛點
1. 每次從零開始
品牌語氣、TA 設定沒有固定格式，每次寫文案都要重新「回想」品牌細節、靠自己的經驗去撰寫。 過去累積的內容經驗無法被系統化複用，所以每次都需要重頭來過。
2. 跨平台重工
同一素材要改寫成 IG caption、Threads 貼文、商品描述，格式字數、語彙風格各不同，只能手動改寫。
3. 腳本缺失導致剪輯效率低
沒有事先準備腳本就開始剪片，剪輯中途才在重組邏輯，估計浪費 30–40 分鐘在結構調整。
研究方法說明
Phase 1 研究基於深度自身分析，未進行外部訪談。 計畫於 Phase 2 ，補充 3–5 位一人品牌創作者的需求訪談，驗證痛點的族群共性。
My Role / 我的角色
我負責： 問題定義與需求結構化、品牌知識文件設計、系統架構規劃、Prompt 引擎邏輯設計、AI API 串接策略、UI 開發協作 外包給 Claude AI 負責： 程式語言實作、本地端邏輯串接、code review
Why This Approach / 為什麼這樣設計？
關鍵決策與取捨
這個工具有幾個核心設計選擇，每一個背後都有取捨：
決策 1：品牌知識結構化為可執行文件，而非每次 prompt 重述
選擇把品牌語氣、Persona、語法模式整理成 AI 可直接讀取的規格文件（brand-soul.md、voice-pattern-nlp.md），而不是每次手動在 prompt 裡補充。
取捨雖然前期建檔和建立架構成本較高，但之後每次生成的一致性與速度大幅提升。
決策 2:雙 AI 平行輸出，而非單一模型
同時呼叫 Claude Sonnet 與 OpenAI GPT-4o mini 並排輸出，讓使用者選擇最接近品牌聲音的版本。
取捨增加 API 成本與等待時間，但「讓人做最後判斷」的設計，比單一模型輸出更有彈性，也方便未來擴充其他AI生成工具需求。
決策 3:先本地端，再雲端化
Phase 1 選擇本地端運行，而非直接做成網頁版。
取捨犧牲跨裝置便利性，但大幅降低初期開發複雜度，讓我可以快速驗證核心功能是否有效。 雲端化列為 Phase 2 優先項目。
How I Made It / 製作過程
Step 1— 把品牌語氣變成可執行文件
在開始寫程式之前，我把品牌語氣寫成 AI 可以直接讀取的規格文件。
brand-soul.md——
品牌起源、Persona 人設、語氣規則、禁忌用語、不同內容類型對應的語氣變化
voice-pattern-nlp.md——
從 20 篇真實發佈貼文中，分析整理語法模式庫、句型庫、emoji 使用規則
讓AI了解我的慣用字詞、語法構成，這些是可以直接被 AI 參考執行的內容生成規格，而不是讓它自己猜測用詞寫出不符合品牌語調的內容。
Step 2— 設計可組合的系統架構
將三層結構打通：品牌知識層（AI Core）→ 內容策略層（Content Strategy）→ 格式輸出層（Platform Adaptation）。每層獨立可替換，方便未來升級單一模組而不影響整體。
Step 3— 跨工具整合開發流程
後端邏輯和 AI 串接在 VS Code 完成 → 用自然語言撰寫 UI spec 貼進 Lovable 生成前端框架 → Lovable 匯出原始碼上傳 GitHub → 手動合併 UI 元件與邏輯層。
Step 4— 雙 AI 平行輸出
系統同時呼叫 OpenAI GPT-4o mini 和 Claude Sonnet，並排輸出讓使用者選擇最接近品牌聲音的版本。從「AI 幫我寫」變成「AI 給我選項，我做最後判斷」。
Tools / 工具
| 工具 | 用途 |
|---|---|
| Claude API, OpenAI API | 品牌語氣生成，連接 brand-soul.md, voice-pattern-nlp.md ，平行輸出對照，選出最接近品牌聲音的版本 |
| Jina AI | 商品 URL 內容萃取，自動帶入產品資訊 |
| Lovable | 前端 UI 框架生成，遷移回 VS Code 整合 |
| VS Code | 後端邏輯、API 串接、模組整合 |
| GitHub | UI 版本控制 |
Results / 成果
- ●圖文文案產出時間:15–20 分鐘 → 2–3 分鐘
- ●輸出結果帶有品牌記憶，不需要每次重新解釋語氣
- ●可同時比較兩個 AI 模型輸出，選出最接近品牌聲音的版本
- ●系統架構已預留擴充空間，未來新增 AI 模型不需重建
數據說明： 時間縮短為基於實際使用的估算值，非精確秒表測量；影片腳本改善幅度預估更顯著（原流程無結構化輸入）。 此工具目前運作於本地端，非公開部署。
Roadmap / 下一步
Phase 2 產品規格
Phase 1 驗證了核心假設：結構化品牌知識可以大幅降低內容生成的重複摩擦。 Phase 2 目標是解決目前最大的使用限制——只能在本機操作——並為多用戶擴展打好基礎。
- ●網頁版部署，能在手機 / iPad / 其他電腦裝置正常使用
- ●使用者帳號系統（登入 / 註冊）
- ●AI Core 雲端儲存與跨裝置同步
- ●多裝置 Session 管理
- ●輸出格式擴充（EDM、SEO 關鍵字）
- ●多使用者支援（不同品牌各自的 AI Core）
- ●排程發佈整合（Meta 跨平台）
- ●AI 視覺內容生成（ComfyUI, Nano Banana → 圖片、影片視覺素材生成）
Phase 2 成功指標
- ●能在手機 / iPad / 其他電腦裝置正常使用
- ●AI Core 設定確實被儲存入雲端，跨裝置切換後，設定無需重新輸入
- ●從註冊到首次生成內容 < 5 分鐘
Closing / 結尾
這個工具解決的是我自己的問題，但它真正展示的是我面對一個模糊問題時的工作方式： 定義問題 → 結構化需求 → 設計有取捨的解法 → 快速建出來驗證 → 規劃下一步。 這是我自己在工作模式上的思考模式。