本篇深度分析由 Opus（Claude）产出。 这是上一篇《用 Codex 拆抖音》的对照实验——同样这 3 条视频、同样这套框架，换 GPT 的脑子（Codex high effort）拆一遍，再换 Claude 最强的脑子（Opus）拆一遍，看两个模型谁更会拆。这一版是纯 Opus，全程没调 Codex。

为什么要拆两遍

我每天刷抖音推荐流自学，挑 AI 相关的好内容深扒入库。上一版把”分析”这步交给了 Codex，效果不错。这次用 Opus 把同样 3 条再拆一遍——不是为了重复，是为了做一次干净的同题对照：原料完全一样（逐字稿 + 画面理解都复用上一版的，没重下），框架完全一样，只换大脑。

3 条视频都跟”AI 工作流”有关：① 一张商品图，Codex 自动做一条 TVC 广告片 ② 用 Codex 做知识管理 ③ 睡觉前给 AI 安排活、让它彻夜打工。每条按同一套框架拆：① 一句话定性 ② 怎么做的（钩子/结构/手法）③ 四角度反思 ④ 最值得抄的一个点。

先说一个拆完才看清的大判断，再逐条拆。

先看母题：这 3 条其实是同一个套路的三个切面

单看是三条不相干的视频，拆完会发现它们共享同一个母题：

把一套你私下在用的 AI 工作流，包装成一个别人想要的认知升级或产品，再用它本身做获客。

第一条把”AI 出片产线”包装成一条 TVC 案例；
第二条把”知识沉淀系统”包装成一套知识管理方法论；
第三条把”后台 agent 架构”包装成”真假自动化”的判断标准。

它们的表达骨架也是同一套：先抛一个反差或结果 → 揭示背后是一套系统 → 把系统升级成”你也想要的能力/认知” → 轻转化。

更深一层——这三条都在做”自指营销”：内容本身就是它要卖的那个能力的产物或证据。 卖 AI 出片，就用 AI 出的片当 demo；卖知识管理，就用真在跑的知识库录屏；卖自动化 agent，就把真在维护的任务面板摊开给你看。这是 AI 时代内容最高效的信任建立方式，因为没有比”这条内容本身就是我系统做的”更硬的证据。这个元结构，才是这 3 条最值得抄的东西。

记住这个母题，下面逐条拆会更清楚。

一、《一张商品图，Codex 自动做出一条 TVC 广告片》

来源：抖音 @南瓜瓜🎃 · 70 秒。一条定妆喷雾广告片，号称全程由 Codex 自动接入免费视频/音频模型生成。

一句话定性

这不是一条广告，是一次”产品自证”。 视频本身就是它要卖的那套”任意商品图 → TVC 自动化产线”的成品样本。表面在带定妆喷雾，里子在带这套出片工作流——定妆喷雾只是借来的素材。

怎么做的

钩子（0–6s）：用成片本身当钩子。 不讲原理，开口就是”全部由 Codex 自动完成，表现怎么样？先直接看效果”。一句话打三个点：自动完成（省人力）、免费模型（省钱）、先看效果（省废话）。

结构：双层嵌套，片中片。 外层是”AI 工作流叙事”（放成片 → 揭示全 AI → 拆流程 → 升级成可复用产线），里层嵌一条完整 TVC（痛点 → 产品介入 → 效果验证 → 品牌收尾）。这个”片中片”很高级：先让你沉浸进一条像样的广告，再把你抽离出来告诉你”这一切是机器做的”——惊讶感来自落差，落差越大、技术展示越值钱。

手法上有四个动作：

自指证明：卖”AI 出片能力”，就用 AI 出的这条片当唯一证据。这是 AI 工具内容最强的信任锚。
卖点情绪化翻译：定妆喷雾不讲”持久成膜”，讲”出门不用反复确认”。卖的是确定感，不是成膜力。
复杂工序极简叙事：上传图 → 识别产品 → 生成分镜 → 调模型 → 配音乐音效 → 剪辑，六步念出来，让人觉得”我也行”。
价值抬升收尾：最后一句”你得到的不是一条视频，是一套可复用工作流”——把一次交付，升级成产线租赁。

但是，得加一层批判

上一版（Codex）把这条拆得很干净，但有一层它没点破：这条片是”优中选优”的演示。

“免费模型""全自动”是钩子化表述。算力、订阅、人工选样、重生成、调参的成本，全被隐去了。你看到的是 best take，真实良率和返工不会出现在 demo 里。 自己复刻时，按 3–5 倍工时和一定废片率预估才不会被坑。
“自动”省略了最难的一环：审美判断与选片。 模型能生成 10 条，但”哪条能用”仍是人的活。真正的护城河不在生成，在”选 + 调”的品味。

看这类 AI 演示内容，默认带这层滤镜，才不会高估”自动”两个字。

四角度反思

1｜对电商：最值得迁移的不是”做酷视频”，是”把产品如何被系统化生产出来”也变成卖点。固定带货结构（痛点 → 产品出现 → 使用动作 → 效果验证 → 下单理由）；卖点统统译成用户状态（保温杯不是”316 不锈钢”，是”早八到下午还有热水”）；一张主图批量出通勤版/宝妈版/办公室版/送礼版。而最该抄的是”自指证明”——用你自己的 AI 产线产出的样片，当你卖这套产线的信任锚。

2｜对 AI 助理 / agent：从”问答”升级到”一个输入 → 端到端成品”。关键不是单点能力，是三件事：编排、良率把控、把过程显性化建立信任。这里有个反转洞察：如果你已经在跑一套比视频更全的产线，真正的动作不是”去建一个”，而是”把你真实的产线本身做成内容”——真实系统比演示 demo 可信得多。

3｜对教培机构：先给结果再拆方法（“这道申论，AI+老师 3 分钟出了份提分方案，先看前后对比”）；课程卖点译成考生痛点（不说”系统课名师课”，说”你不是不会学，是不知道每次错在哪”）；把课程包装成”学习工作流”而非一节课；做成系列栏目。

4｜对未来：内容生产正从手工创作进入产线自动化。护城河不是会用某一个模型，是能把文案/视觉/视频/音频/剪辑多个模型编排成稳定产线，配一张标准化输入表和一道人机审核。

最值得抄的 1 个点

“自指证明 + 价值抬升”：用你卖的能力，去生产这条卖它的内容；再把一次成品，重新定义成一套可复用产线。前者解决信任，后者解决价值天花板。

二、《我是如何用 Codex 来做知识管理的》

来源：抖音 @Gilbert🍃 · 7 分钟屏幕录制。讲怎么把跟 AI 的每次对话沉淀成可复用、可自动更新的个人知识库。

一句话定性

教你把”和 AI 的一次性对话”沉淀成”会自动更新的个人知识库”——本质是用一份 AGENTS 说明书 + 一个 memory 文档 + 一份 index 索引 + 每晚定时回顾，搭一套 LLM-wiki。而它的落脚点很妙：知识管理的终极目的不是记更多，是看清”你反复关注什么、反复做什么判断”。

怎么做的

钩子：戳痛点，不夸工具。 “跟 AI 的沟通都是一次性交易，下次同样的问题还得重问一遍，答案可能还没第一次好。” 精准到让 AI 重度用户马上”我也是”。

结构： 痛点（一次性、不可复用）→ 解法（用知识库管理每次对话）→ 工具（Codex + AGENTS + memory + index）→ 拆工作流（沉淀/归类/自动更新）→ 个人收益（选题不再从零想）→ 扩展（外部文章视频也能自动入库）→ 升华（知识管理是看清自己）→ 轻转化（公开课）。

手法： 全程真·屏幕录制（“我在用”比”我来教”可信）；把系统拆成三件——能动手的 AI 工具、AGENTS 说明书、memory 文件夹——降门槛；不只讲功能还展示结果（知识库反哺视频选题）；“每晚 11:50 自动回顾”制造”系统自己在跑”的高级感；不硬推课、先给足方法再轻提公开课；认知升华收尾，把一个工具教程拔高成认知内容。

加一层

它真正的销售品，不是”知识库方法”，是**“你该把 AI 当长期合作者，而不是一次性工具”这个认知转变。** 认知一旦被植入，后面所有课程和工具都顺理成章。这是面向 AI 用户的内容高级套路：不卖功能，卖世界观。

批判一句：“每晚自动回顾沉淀”听着美，真正的坑在”什么值得沉淀”的判断——它依赖那份规则文档写得好不好，写不好就沉淀一堆噪音。 视频跳过了”规则反复迭代”这个最磨人的部分。沉淀系统的难点从来不是存，是判断该存什么。

四角度反思

1｜对电商：别上来卖货，先讲”你每次做标题、卖点、竞品分析都从零问 AI”的低效，再展示把历史好标题/好卖点/好人群沉淀成一个可调用的电商知识库，下次上新让 AI 调历史爆款经验生成。卖的是模板/系统/陪跑营，不是单个知识点。

2｜对 AI 助理 / agent：从”对话助手”升级到”记忆型工作流助手”——自动识别值得沉淀的（偏好/项目/客户/选题/决策标准）、每次对话后生成可复用资产、建索引知道”什么内容该在什么时候被调用”、主动发现重复模式、推”今日沉淀”。反转洞察：如果你已经有一套记忆 + 索引 + 定时回顾系统（不少 agent 框架已自带），这条视频对你不是”该建什么”，而是逼你检查两件事——采集入口够不够顺、你沉淀的到底是判断还是搬运。

3｜对教培机构：把”学习过程资产化”做成产品——错题库（记错因不只记错题：审题/公式/陷阱/时间分配）、申论素材库、面试表达库、个性化复习计划。用屏录展示一个真实学员从模考报告到 AI 复习建议的全过程，公考用户极吃”具体、可执行、有路径”。

4｜对未来：AI 产品竞争正从”回答能力”转向”记忆能力、工作流能力、资产沉淀能力”。长期看，真正值钱的不是”AI 工具教程”，是某个垂直赛道里的”AI 工作流操作系统”。

最值得抄的 1 个点

把”AI 对话”重新定义为”可沉淀、可复用、可反哺业务的长期资产”——卖世界观，不卖功能。 它同时打通内容、产品、转化：让用户明确感到”我越用它越懂我，我越积累下次越省力”。

三、《睡觉前给 AI 安排工作，让 AI 帮你彻夜打工》

来源：抖音 @Siyao · 7.9 分钟。一个”真假自动化”的判断标准 + 一套自动维护的任务面板演示。

一句话定性

用一句”睡觉时 AI 还干不干活”当真假自动化的唯一标尺，演示一套”任务面板 + 调度层 + 执行层 + 业务逻辑层 + 日志层”五层架构的后台 AI agent。它卖的不是工具，是”普通人也能有一个不下班的后台员工”这种生产力幻觉的祛魅与兑现。

怎么做的

钩子：否定现状。 “你用 AI 大概率不是自动化，是在给 AI 当人工开关。” 先把”我会用 AI”的人打回”你可能用错了”，再甩一个极简自测标准（睡觉时它还干不干活），再制造反差（11 点关机，早上起来 AI 干完 N 件事）。

结构： 定义真假自动化 → 展示结果（面板自动维护）→ 具体任务举例（portfolio 拆子任务）→ 人机边界（能做的做、要拍板的 block）→ 拆五层架构 → 收益（5–10 倍 / 治拖延）→ FAQ 消顾虑（会乱做吗/怎么停/数据安全吗/能改规则吗）→ 转化。

手法： “唯一标准”降理解成本；屏录让面板、字段、日志、block 状态全可见，建信任；大量生活化类比把 FS watch、launch、agent、日志讲成人话（小黑板/门铃/闹钟/工头/监控录像）；“block 机制”消除失控恐惧（AI 不越权，遇到要拍板的会停下等人）；ADHD、启动困难、拖延这些”个人缺陷”增真实感，让工具变成”人格化的自救系统”；FAQ 前置，把下单前的钱、安全、关闭、数据、改规则的顾虑提前消掉；最狠的是”先结果后架构”——小白被收益吸引，技术人被系统设计说服，一条视频通吃两类人。

加一层

这套五层架构，其实是**“一个真实在跑的 agent 系统”的标准解剖。** 它最值钱的不是任何单独一层，是把”自动化”变得可信、可控、可交接的那三个设计：人机边界（block）、可回溯日志、注意力适配规则。 很多人做 agent 只做了执行层，恰恰漏了这三个让人敢托付的设计。

这里有这 3 条里最强的一个反转洞察——

如果你恰好已经在运行一套这样的系统，甚至是多 agent、多业务线的更复杂版本，那这条视频对你的意义完全反过来：你不是观众，你是这条视频更硬核的版本。而”把你真实在跑的系统讲出来”本身，就是最强的获客内容——因为它是真业务、真在跑、真有多线在并行，不是一个 portfolio 的演示 demo。

四角度反思

1｜对电商：把”任务面板”换成”店铺增长面板”（选品/竞品/标题/评价/脚本/上新/投流复盘）。钩子改成”你以为在用 AI 做电商，其实只是半夜陪 AI 加班”。卖系统不卖课（“AI 店铺任务面板模板”）。一定保留 block 机制：AI 不替人定价、不决定库存、不拍板投钱，但可以把决策压缩成 A/B/C 选项——这个边界反而提高信任。

2｜对 AI 助理 / agent：从”即时问答”转向”持续推进任务的后台 agent”——把一句需求变成任务卡（目标/子任务/状态/阻塞点）；留可回溯状态，用户问”昨天你帮我做了啥”能按时间线汇报；学会判断”自己能做 vs 必须问人”；给人的任务必须低启动成本（“从这 3 个标题选一个，回 1/2/3”，而不是”请完善策略”）；做睡前托管模式；做 block 汇报（不只说”失败”，要说”卡在缺商品链接，你发来我就能继续”）。

3｜对教培机构：迁移成”AI 学管 + 教研 + 督学”。演示对象不是技术面板，是”备考任务面板”（今日刷题/错题归因/素材积累/弱点/复盘/明日计划/待批改）。讲清人机边界（AI 做分类归因计划，老师做立意/表达/策略/激励）。做”AI 督学班”：学员只上传错题，AI 更新看板，老师只看 block 项和高风险学生。课程卖点从”名师讲课”升级为”持续陪跑系统”。

4｜对未来：从”教人怎么问 AI”转向”教人怎么搭 AI 工作流”；从单次生成转向持续执行；从工具推荐转向 AI 组织设计（主 agent / 子 agent / 面板 / 日志 / 权限边界）；从结果炫技转向过程可信；从人适应工具转向工具适应人的注意力缺陷。

最值得抄的 1 个点

“睡觉时 AI 还干不干活”——把一个复杂技术概念，压成一句人人能懂、立刻能自测、还自带焦虑感的标尺。 它既是钩子，又自然带出产品价值：不是 AI 多聪明，是它能不能在你不盯着时持续推进事情。

写在最后：Opus 这版，和 Codex 那版差在哪

同样 3 条、同样框架、原料一字不差，两个模型拆出来的东西确实不一样。说点实话——

Codex（GPT）那版强在：结构极稳、落地模板密、“翻译”功夫稳。 每个格子都填满，每条反思都给可直接抄的话术，把卖点译成情绪、把技术译成自测标准这种活它做得又快又自觉。对不熟悉的领域，它是非常靠谱的中立拆解器。

Opus（Claude）这版强在：母题归纳、批判层、和”反转洞察”。 它会跳出单条，看出三条共享一个”自指营销”的元结构；会主动加一层”这是优中选优的演示，别高估自动”的批判；最关键的是——当视频教的东西恰好是你已经在跑的系统时，它能识别出来，并把”被教”反转成”我们可以把真系统做成内容去教别人”。 这一步，缺项目上下文的模型给不出。

一句话总结这次对照：拆”离你远的内容”，两个模型半斤八两，Codex 甚至更稳；拆”和你自己业务高度重叠的内容”，Opus 的项目上下文是决定性的——它知道你已经有什么、缺什么、能反过来怎么用。

这也解释了为什么这次实验本身值得做：选模型不是选谁更聪明，是选谁手里握着”你是谁”这条上下文。同一条视频，对一个陌生人是”该去学的方法”，对一个已经在跑系统的人是”该去讲的故事”——能不能看出这层差别，才是分水岭。