用 WorkBuddy 定时任务搭居间费素材库：每天自动采集 1 篇高传播度文章，只入库不发布

用 WorkBuddy 定时任务搭"居间费素材库"：每天自动采集 1 篇高传播度文章，只入库不发布

作者：亿公子（税务合规 / 大额居间费方向自媒体博主） 适用场景：垂直领域内容素材沉淀、竞品/同行内容监控、知识库自动化建设

一、先说痛点：我为什么要建这个库

我是做税务自媒体的，主攻大额居间费这个细分方向。做垂直内容的人应该都有同感，最难受的不是写不出来，而是这三件事：

1. 不知道同行今天写了什么。居间费这个赛道，每天都有财税号在写，爆款选题就那么多，等我看到的时候热度已经过了；
2. 看到好文章存不下。收藏夹里躺着几十篇，真要写稿时翻不出来，链接还经常失效；
3. 抄作业会被带沟里。同行文章里夹着大量"自然人代开 1%~1.5%""园区核定 2%~3%""税收洼地返税"这类避税引导，直接照搬就是给自己埋雷。

所以我用 WorkBuddy 搭了一条采集流水线：每天定时自动抓一篇传播度高的居间费文章，做结构化入库、打上传播度和红线标签，最后生成一个可以点开就看的单文件 HTML 索引。

跑了两个多月，库里已经攒了 25 篇，我每天打开 HTML 就能看到今天进了什么货、风险几级、能不能改。这篇把整套方案和踩过的坑拆给你看，提示词和配置直接能抄。

二、整体思路：先定三条规矩，再谈自动化

很多人做自动化采集，上来就写爬虫。我建议先想清楚三件事，否则采回来的都是垃圾。

规矩一：不是所有"税务号"都该采集

这是我踩的第一个坑。一开始我把所有讲税的大号都扔进采集范围，结果发现华税、晶晶亮的税月、无极小刀这类号，主体是税务稽查和政策解读，根本不写居间费。混进来之后，素材库变成了大杂烩。

后来我把来源分成三类，写死在提示词里：

① 类：税务稽查专业号（华税、晶晶亮的税月、无极小刀、明税、何博士说税、中国财税浪子）
   → 排除。主体是稽查/政策，不是写居间费的
② 类：居间费内容号（夏花财税、每日一税、税屋、建筑/房地产财税号、头条财税号）
   → 优先采集。长期写居间费，选题对口
③ 类：官方平台（国家税务总局、中国税务报、12366、各地税务局）
   → 排除。查政策和权威背书时单独去，不混进素材池

品类对不对，比文章好不好更重要。 一个讲稽查的号写得再好，对居间费选题也没用。

规矩二：传播度拿不到精确值，就用代理指标

公众号的精确阅读量和转发量，外部是拿不到的。与其假装能拿到，不如老实承认，改用代理指标：

传播度 = 多平台转载频次 + 标题爆款度 + 是否有 10万+ 标识

- 多平台转载：同一篇文章在头条、搜狐、网易、微信都能搜到 → 说明被大量搬运
- 标题爆款度：含"被罚 XX 万""敢收吗""不是灰色收入""别再 XX 了"等结构
- 10万+ 标识：能确认的算高，确认不了就降级为"中高"并注明原因

我在元数据里会写明判断依据，比如"标题为损失厌恶型爆款结构 + 三组检索词均命中 → 中高，无精确 10万+ 标识"。这样几个月后回看，还能知道自己当初为什么选它。

规矩三：采集 ≠ 发布，人做判断和签发

这条是底线。我在提示词最后一行写了加粗：绝不自动改写、绝不自动发布。

税务内容一旦出错，轻则平台限流，重则误导读者。AI 只负责把货搬回来、贴上标签，改写和发布必须我亲自过一遍。这也是我把"红线标注"设计成必填字段的原因——下一节细说。

三、目录结构：一个 md 仓库 + 一个自包含 HTML

居间费素材库/
├── 资料库索引.md          # 总表：序号/日期/标题/来源/传播度/红线/状态
├── 资料库索引.html        # 自包含单文件索引（正文内嵌，点开即看）
├── build_index_html.py    # 索引生成器
└── 文章/
    ├── 20260901_居间费不能签税后.md
    ├── 20260903_三流一致也会被税务重罚.md
    └── 20260904_居间费付了税不能抵.md

为什么坚持要 HTML？因为 md 文件在浏览器里点开经常是空白或者一堆未渲染的符号，真正会去看的只有能直接点开的那一个文件。让 AI 每天重建一次 HTML，等于给了素材库一个"首页"。

四、每篇文章的元数据：把判断固化成字段

每篇入库文章头部都有 YAML frontmatter，我设计的字段长这样：

---
序号: 25
采集日期: 2026-09-04
标题: 居间费付了，税不能抵——这可能是你今年最亏的一笔钱
来源账号: 融控罗盘｜罗盘君（②类头条财税号）
来源平台: 今日头条
原文链接: https://www.toutiao.com/article/7674593767412646442
传播度: 中高（损失厌恶型爆款标题 + 3900万工程312万场景钩子；无精确10万+标识）
可借鉴结构: 痛点场景钩子 → 5%红线算例 → 个税代扣算例 → 稽查三信号 → 五个坑 → 两种合规模式
红线标注: ✅ 低（无任何避税引导）。改写须纠偏4处：①银行大额交易标准误传 ②...
改写状态: 待改写
---

重点说三个字段：

「可借鉴结构」——不抄观点，抄骨架。比如"损失厌恶钩子 → 两笔账算给你看 → 稽查三信号 → 五个坑 → 两种模式选一个"，这个骨架我下次写别的话题也能用。观点会过时，结构不会。

「红线标注」——这是整个库最有价值的字段。每条都要求标出三件事：

1. 有没有避税引导（❌ 自然人代开1%-1.5% / 个体户园区核定2%-3% / 税收洼地返税）
2. 有没有事实错误（例：把"个人居间费按经营所得"误读，
   正确口径是劳务报酬所得、由支付方代扣代缴）
3. 改写时必须改哪几处（列序号，具体到改法）

举个真实的例子：今天入库的一篇文里写"对公向自然人单笔转 20 万以上会触发银行大额交易监测"——这不是《金融机构大额交易和可疑交易报告管理办法》（人民银行令〔2016〕第 3 号）的标准，法定口径是"自然人与非自然人银行账户之间当日单笔或累计人民币 50 万元以上"。这句话在自媒体圈传得很广，但它是错的。如果不标出来，我改写时很可能顺手写进去。

「改写状态」——待改写 → 改写中 → 已定稿 → 已发布。有了状态机，我打开库就知道哪些是没动的原料，哪些已经变成了成品。

五、去重：先读索引，再决定采不采

自动化跑几天就会遇到重复问题——同一个案例被十个号写过，标题不同但内容一样。

我的做法是在提示词里加了一步：检索之后、入库之前，必须先读一遍 资料库索引.md，比对标题和案例主体。

3. 先读取 `居间费素材库/资料库索引.md`，检查候选文章标题或案例是否已在库中
   （同标题/同案例只更新不重复），避免重复入库。

配套的硬门槛（踩坑后补的）：

1. 检索结果里没有可访问原文 URL 的，一律不选。头条/搜狐搜索经常返回标题但没有正文链接，抓不到正文的条目没有入库价值；
2. 案例没有税务机关、文书号、日期的，可以入库，但必须在红线栏标明"不得作真实案例引用"。自媒体文章里的"某公司被罚近千万"十个有九个查无此案。

六、HTML 索引生成器：一个脚本收口

这个脚本做的事很简单：读总表 → 扫描 文章/ 目录兜底 → 把全部正文内嵌进单文件 HTML。

核心就三个设计：

1. 目录兜底扫描。 只写 .md 忘了更新总表是常有的事，所以脚本会扫一遍目录，没进总表的也一并收录，并在控制台和页脚提示：

indexed_files = {os.path.basename(r["rel"]) for r in records if r["rel"]}
extra_files = []
for fp in sorted(glob.glob(os.path.join(ART_DIR, "*.md"))):
    base = os.path.basename(fp)
    if base in indexed_files:
        continue
    fields, body = parse_frontmatter(open(fp, encoding="utf-8").read())
    extra_files.append(base)
    records.append(dict(...))   # 兜底入库，不漏

2. 按未转义竖线切分单元格。 Markdown 表格里如果单元格内容带竖线 |，不转义就会整行字段错位，而且是静默错位，肉眼很难发现：

# 按「未转义的竖线」切分，支持单元格内用 \| 表示字面竖线
cells = [c.strip().replace("\\|", "|")
         for c in re.split(r"(?<!\\)\|", lines[i].strip().strip("|"))]

所以我在提示词里专门加了一句"单元格内若需写竖线必须转义为 \|"。

3. 风险等级只取单元格开头。 风险栏是"低 + 一长段说明"，说明文字里经常出现"两高解释""最高院""税负高"这类词，用全文子串匹配会把低风险误判成高风险：

def risk_level(r):
    s = re.sub(r"^[^高中低]*", "", str(r).strip())  # 跳过 ✅/⚠️/❌ 等前缀
    if s.startswith("高"): return "高"
    if s.startswith("中"): return "中"
    if s.startswith("低"): return "低"
    return ""

跑起来就一行，输出会告诉你收录了多少篇、高中低各多少：

cd "C:/Users/Admin/WorkBuddy/居间公众号/居间费素材库"
python build_index_html.py

# OK -> 资料库索引.html | 文章数: 25 | 高/中/低: 4 4 17 | 生成时间: 2026-09-04 00:02

生成的页面带风险等级筛选芯片 + 全文搜索 + 展开/收起全部，正文全部内嵌，离线也能看。页脚有"最后生成时间"，一眼能确认今天有没有真的刷新。

七、挂上定时任务：整条流水线的启动开关

最后一步，把上面所有规则写成一条 WorkBuddy 自动化任务。配置要点：

{
  "name": "居间费文章每日采集入库",
  "scheduleType": "recurring",
  "rrule": "FREQ=DAILY",
  "status": "ACTIVE",
  "prompt": "（下面那段完整提示词）",
  "cwds": ["C:\\Users\\Admin\\WorkBuddy\\居间公众号"]
}

rrule 只写 FREQ=DAILY 就是每天跑一次；要指定钟点就补上 BYHOUR 和 BYMINUTE，比如 FREQ=DAILY;BYHOUR=8;BYMINUTE=0。

完整提示词（可直接改造成你自己的领域）：

你是内容采集助手。任务：每天从第三方平台采集**一篇传播度较高**的
{你的领域}文章，存入「{领域}素材库」，供后续人工改写优化后发布。

执行步骤：
1. 用 WebSearch 检索 {领域关键词} 相关文章，优先来源为②类内容号：
   {A号}、{B号}、{C号}。传播度用代理指标判断：多平台转载频次、
   标题爆款度（如"被罚XX万""敢收吗"）、是否有10万+/阅读量标识。
2. **排除**：①类专业号（{不相关的大号，列举}）和官方平台
   （{官方来源，列举}）——它们不是写这个主题的，不要入库。
3. 先读取 `素材库/资料库索引.md`，检查候选文章标题或案例是否已在库中
   （同标题/同案例只更新不重复），避免重复入库。
4. 选定当天唯一一篇最佳候选，抓取原文正文。
5. 在 `素材库/文章/` 下新建 `YYYYMMDD_简短标题.md`，头部用 YAML
   frontmatter，字段：序号、采集日期、标题、来源账号、来源平台、
   原文链接、传播度（含判断依据）、可借鉴结构、红线标注、改写状态。
6. 在 `素材库/资料库索引.md` 的索引总表末尾追加一行。
   注意：单元格内若需写竖线必须转义为 `\|`，否则会导致字段错位。
7. **必须重建 HTML 索引**（采集未进 HTML 视为任务未完成）：
   `python build_index_html.py`
8. 交付 HTML 索引文件，让我可直接点开浏览。
9. **绝不**自动改写、绝不自动发布。只采集+入库+更新索引+重建 HTML。

完成后用一句话汇报：今日入库了哪篇、来源、传播度、红线风险等级、
HTML 已收录总数。若当天未找到符合条件的新文章，则跳过入库并说明原因。

几个我觉得关键的设计，说明一下为什么这么写：

• 步骤 2 的排除清单必须列举具体账号名。只说"排除不相关的号"，AI 判断不了；
• 步骤 4 强调"当天唯一一篇"。不加这句，AI 会一次给你塞三篇，质量稀释；
• 步骤 7 明确"未进 HTML 视为任务未完成"。这是我在 AI 偷懒只写 md 不重建索引之后补的；
• 步骤 9 的"绝不自动发布"加粗。发布是外部动作，必须留给人。

八、踩过的坑，一张表说完

九、效果与小结

跑到现在，库里 25 篇，我的体感变化是：

• 选题不再焦虑。每天打开 HTML 就有新货，选题从"想不出来"变成"挑一个"；
• 改写变快了。结构和红线都标好了，我只需要往骨架里填自己的案例和口径；
• 踩雷概率降了。那些错误的法条引用、虚假的大额交易标准，在入库时就被标出来了。

如果你也在做垂直内容，我建议把 WorkBuddy 当流水线而不是聊天框来用：采集走定时任务，判断固化成字段，人只做签发。

顺带说一句，这套思路不止能用在内容采集——竞品监控、政策追踪、论文文献沉淀，本质都是同一件事：定好来源分级、把判断写成字段、用定时任务收口、最后留一道人工闸门。

完整提示词在上面第七节，欢迎改造成你自己的领域。觉得有用点个赞 👍

声明：文中涉及的税务口径仅为素材标注示例，具体业务请以主管税务机关意见为准，不构成税务建议。