用 Claude Code 搭无脸视频工厂:四平台分发+Thompson 抽样自我优化

Sabrina Ramonov · 23:30 · 发布 2026-06-11 · 2793次观看(截至抓取) · 观看原视频

主旨

欧洲 AI 顾问 Till Oberhummer 在 Sabrina 的访谈里展示他用 Claude Code 独自搭建的 Optimus Flow 多平台无脸视频工厂,核心差异化是”每晚自动跑 Thompson 抽样分析,把高 lift 的 prompt 改写注入下一轮生成”,而非仅做一次性生成。

核心论点

1. 一个非开发者的欧洲 AI 顾问,凭 Claude Code 独立搭起整套多平台无脸视频工厂——核心不在编程能力,而在把”研究→脚本→渲染→发布→分析→回流”这条业务闭环逐段拆给 agent 写。(→ 详解1)
2. 栈分四块:Claude Code 写代码 + Gemini 写创意 + Kling AI 出图 + Blotato 渲染分发——按”谁便宜/谁长于什么”分工,不让一个 LLM 通吃。(→ 详解4)
3. “夜间自检循环 + Thompson 抽样”是这套系统的差异化核心——每晚跑全平台指标、识别有效 prompt 改写、注入下一轮,是把 LLM 当实验对象做持续 AB 测试的工程化版本。(→ 详解5/详解9)
4. 品牌设置向导把复杂度/口吻/视觉/吉祥物/语音/护栏参数化,同时支持快速入门与 agency 多客户隔离——模板与文档同源,改一处全客户同步。(→ 详解6)
5. per-platform reality score + 成本/观看双指标,避免 TikTok 默认高分让 Instagram 永远被”客观”低估——非数据原生者最易掉的坑,本片直接给出规避方法。(→ 详解8)
6. “非开发者用 Claude Code 反复 vibe code” 与”系统级工程”并不矛盾——本片演示了 vibe coding 路径在业务规模放大到 agency 时的可行形态。(→ 详解10)

知识点详解

1. Introduction: Meet Till Oberhummer 00:00

Sabrina 开场就把嘉宾定位为”自己用 Claude Code 搭出整套无脸视频工厂的非开发者 AI 顾问”——Claude Code 在这一场景里不是辅助工具,而是 Till 自己的”工程团队”。“It is an insane faceless video factory that he builds completely custom, completely personalized with analytics and everything”(00:06)。

这个定位的策略意义:对观众传达”你也能搭”的心理许可——本片不是为了炫技,而是 Till 用来向潜在 agency 客户展示能力的前置内容。这条线索会贯穿后续十个章节。

2. Case Studies and Real Results 00:23

两个客户案例的共同点是:客户原本要”人工把专业内容翻译成大众能看的形态”。第一例是 NOS 基金会(罕见病方向),“they are specialized RTC’s they needed uh a channel where they can share uh the information about all these different medical papers uh in an easy way”(00:31);以前是研究员亲自读论文再总结,现在改成解释性短视频,患者或家属几秒能看完。

第二例是某 startup,目标是”if you Google them um and you hear the name that you that they will be super present”(01:11)——纯 SEO 动机,Till 自己补刀”if you Google my name uh a lot of the YouTube videos are just coming up”(01:21)证明这条路有效。这条副线也呼应了 Sabrina 的”people really underestimate like the SEO power in social content”开场判断。

3. Why He Built a Faceless Video Factory 01:44

Till 把搭建动机拆成三层。第一层是工具发现:“one of the things which I looked at was like different ways how to be present as a solopreneur and then so I came across rotator and I played around with it a lot”(01:53)。

第二层是质量自省:“My background is not social media or marketing. So it was also for me very important to have a self-improving part in there which I then basically build”(02:33)——明确说”非营销出身”是核心约束,因而必须有反馈闭环来补偿经验的缺失。

第三层是平台差异:“YouTube, Tik Tok, Instagram, Facebook, they all are different when it comes to the audience and what the expectations are”(02:49)——这直接定义了”平台原生分发”是规格要求,不是优化项。再加一句”Even if it’s the agency then you have the chaos because you have numbers brands you have number stacks which you have to uh contribute on”(02:57)——多客户下的指标混乱是他要主动用系统解决的事。

4. The Tech Stack (Blotato, Claude Code, Gemini, Kling AI) 03:03

栈的选型是按”谁便宜/谁长于什么”分工,不是让一个模型通吃。“The whole thing I built with Claude Code”(04:00)是主力;Till 同时自陈”I’m not a developer”(04:02)。

创意侧由 Gemini 接走:“I use Gemini actually because it’s it’s better on the creative parts”(04:09);图片侧交给 Kling AI / KIE AI(转录作 KIE),“I use uh KIE AI uh for the pictures because they are super cheap”(04:16)。Till 对 Kling 的成本判断很硬:“they are at the moment at least unstoppable”(04:20)——目前没有能在质量/价格上匹敌的对手。

Blotato 在栈里同时负责”渲染/发布/部分动画”,Sabrina 的判断”80 bucks per month if you want 20 social accounts”被拿来对比 Buffer,是 Till 选 Blotato 的关键依据——同样的多账号需求,价格低一档,且对接 TikTok 平台的批准流程被平台代为处理(对 solopreneur 是隐形节省)。

5. The Self-Improving Analytics Loop 05:57

这是整片最重要的差异化设计。Till 用一句”It’s this self-improving loop”(05:59)开场,紧接把机制讲清:“Basically what it does every night the system checks all the videos which have been published has a look on what the metrics are the views the saves uh the clickthrough rate”(06:05)。

抽样算法是 Thompson sampling,不是简单的规则更新:“This Thompson sampling uh in the background to understand okay what works well what doesn’t works well”(06:12)。Till 强调要做 baseline 抽样,防热门选题喧宾夺主:“does it randomly as well to make sure that you have the baseline so that just doesn’t go wrong uh because maybe um you just picked an amazing topic several times in a row and it’s actually not really linked to the way you did the video”——即避免把”选题红利”误判为”prompt 红利”。

这条 loop 的工程意义是:把”我应该改 prompt 的哪里”从一次性的人工经验,转成系统每晚自动跑、且自带统计置信的实验对象——这跟传统社媒运营”凭感觉调整”是分水岭。

6. Live Demo: Brand Setup and Onboarding 09:08

品牌设置分两层。浅层是快速向导:“you can do this quick wizard uh brand setup where you basically choose the niche uh which you are in. Choose the platforms you want to publish on. Choose the language uh which you’re looking for”——四步成型。

深层是”丢入 brand booklet,AI 全部抽出来”:客户有”this literal this brand booklets where they have everything in there, the whole brand kit and they just throw it in there and then the AI will take everything out of it uh and basically adjust the whole thing”——这一步让有完整品牌文档的 agency 客户能零手工接入。

参数化设计有两条最值得记的设定。一是复杂度滑杆:“for example for me I found out that uh plain language works best on Facebook”(10:44);但”if your brand is like okay well I’m a specialist in some points so then actually my my target group is not the broad community it’s already someone who is maybe very technical uh himself then uh you probably go there and say okay well I’m actually going full-blown specialist”(10:51)——同样的内容生成器,目标受众不同,语言粒度完全不同。

二是 cameo + 语音 A/B。“if you want to have it in there, you basically can give some information uh describe the the cameo. A cameo here is like a kind of like an AI character. So you can have you can give it a name”——可以是吉祥物(如某博主的猴子),也可以是 Till 自己只出现在开场。语音部分 “try to kind of have this random as well because I wanted to have a look if the voice has also impact on how long people are watching the videos”——刻意随机化是为了让自检循环能采集”语音 vs 完播率”这一维度的数据。

7. Running the Content Pipeline 14:00

输入端是开放的:“the the scraping doesn’t work. So the transcript is not really working then you can go in there and copy paste it and just paste it in there put it in a title and then start the pipeline as well and it will also work”——视频 URL、PDF、纯文本三种入口互为 fallback。

中间步骤对每个视频都是”先识别需不需要 blueprint,再决定格式(explainer/short/deep dive),然后才进入图片生成与渲染”。Till 把这层决策逻辑放在 n8n workflow 里展示,流程图可读:“it runs through. I’m using as I said rotator here um for the the scraping uh of the the transcripts. Um and then I have like this uh in between steps where it identifies here if there should be a blueprint in there”。

review 节点是关键人介入点:“I can review it. I can edit the caption. I can even rerender within the platform as well”(05:17)。若对单场景不满意,可单点 rerender 而不是全片重来——这把”全片重做的成本”压到单场景粒度。

最后是”四平台同一份原料、不同声/不同调”的逻辑:“For clients, I allow them to do really like individual scenes and videos for each platform”(13:48);但自己跑实验时”Till initially I did it really like for four platforms but it just got too expensive for for a simple experiment”——演示时是四平台分场景,实战是单视频+换旁白+改文案,成本/收益做权衡。

8. Analytics, Cost Tracking, and Platform Insights 17:14

数据面板做了三件事:聚合、归一化、对齐成本。

聚合是从四平台拉 followers/engagement/performance,落成统一时间序列;归一化是 per-platform reality score——Till 明确说”sometimes uh Tik Tok is just outperforming everything else. And if you then compare I don’t know um Instagram with it uh you basically kind of just throw away Instagram”——不归一化就会得出”放弃 Instagram”的错误结论。

成本对齐是这一节最被低估的部分:“I track the costs on on each uh image which is created”(08:38)+“I have the reality score which I also have broken down per platform”(08:43)。再叠加月固定成本(Blotato 等订阅)与可变成本(每视频生成),“the average cost, they have the the variable, then the fixed per month. Uh and you can really adjust that because it really fits into what kind of platform you’re using”——这一行让”我要不要继续在 X 平台投”有了量化判据,而不是凭 GMV 拍脑袋。

输出形态自由度也高:不只是视频,carousel 也能做(纯图文则无 AI 图片/视频成本);同一份钱在不同平台能配出不同档位的内容。

9. Thompson Sampling and Prompt Optimization 20:01

这节把第五章的”loop 在做什么”具体到了”它在改写什么”。

候选标签分三档:金规则(golden)、测试规则(testing)、随机探索。Till 现场展示了一个例子:“for example, here it says it’s a golden one. So, it really started already to inject that words is not working anymore. It’s declining. Um, but it was a golden rule”(20:18)——一个曾被验证有效的”用 words 类数据可视化”规则,在数据下降后被自动从 prompt 撤回。

“Till 把它类比成”your own like mini AB testing lab for content”——但比 AB test 多了两层:一是 prompt 改写可被注入到新视频的生成过程(不只是事后打标),二是 Thompson 抽样自带”探索 vs 利用”的统计平衡,长期不会陷入局部最优。

普通人访问不到 prompt 编辑面板:“This prompts option is usually not even available because it’s it’s advanced. So for the normal fans, I don’t give them the option to uh look into the prompts directly”——这是产品取舍:让客户不被自己乱改拖累,同时保留运营/Till 自己调参的入口。

10. How to Work With Till 22:42

收尾两句话浓缩了这条视频的真实定位:“The best way is either to just uh go to our website so wopflow.consulting consulting”——拼写口误,实为 optimusflow.consulting; “or Google my name uh you can reach me also on LinkedIn uh which is my channel where I’m the most present”。

这条访谈对 Till 的实质功能是”客户获取前置内容”:用十分钟的端到端 demo 替代理性化自我介绍。Sabrina 收尾”Thanks so much for joining us this was super awesome to see so glad to see uh out in the wild people building stuff on top of it”——把 Till 的工作定位为”在 Sabrina 自己的 Blotato 之上做下游生态”,也是对 Blotato 平台广度的旁证。

可执行步骤

• 用 Claude Code 把一段已知业务(发视频/做数据/抓线索)从”人工 + 半自动”重写为”完全自动 + 指标回流”的循环,先复刻一份最小可运行版本。
• 拆分栈:把创意/代码/图像/渲染/发布各分给最便宜/最擅长的服务,不要让一个 LLM 通吃。
• 上线前为每个平台拉齐”per-platform 真实指标”——TikTok 的高分不能用来证明 Instagram 该被砍。
• 把”如何改 prompt”从一次性的人工经验改为每周/每晚跑的统计实验,自带 baseline 抽样。
• 选 niche 后立刻用 brand 文档或向导把视觉/口吻/复杂度/吉祥物全部参数化,再走多平台分发。

关联

• 进阶: 先读 2026-06-19-循环工程实战 理解 loop engineering 的本质与三类代价,再看本片能更准确判断”每晚跑 Thompson 抽样改 prompt”这条 loop 的工程价值与失败模式。
• 互补: 2026-06-19-用 Claude Code 加 Remotion 免费批量做 AI 视频：五类提示词与一站自动发布 覆盖 Blotato 栈的”创作+多平台分发”切面,本片覆盖”在那之上再叠一层 Thompson 抽样自我优化”切面——看完两篇才能拼出 Sabrina 频道 Blotato 栈的完整用法。
• 互补: Blotato 概念已被本频道多条笔记印证为”多平台社媒分发的低成本默认选项”,本片新增”agent 写完整套 Blotato 自动化的可行性”维度——印证 Blotato 不仅是发布工具,也是 AI 自动化栈的可编程基座。

一手来源与延伸

• 视频所讲/引用的原始文章、论文、文档链接(从 .meta.json description 提取):Till 的咨询网站 https://optimusflow.consulting 与 LinkedIn https://www.linkedin.com/in/till-oberhummer 为主入口;Sabrina 频道同期主推的 Blotato https://blotato.com 是本系统依赖的核心 SaaS。

术语

• Thompson 抽样(Thompson sampling):在 bandit 问题中以概率选择臂的多臂赌博机算法,本片用其平衡”沿用已知有效 prompt”与”探索新 prompt 假设”的比例。
• Optimus Flow:Till 创办的多平台无脸视频工厂品牌,本片主体内容即其端到端流程演示。
• Rotator(转录形式):即 Blotato 的本名,Till 在访谈中按发音转写为 “rotator/potato/plotator”,实质指同一服务。
• Reality score(平台归一化分):把”在该平台的相对表现”标准化,防止 TikTok 等天然高互动平台压垮其他平台的横向比较。
• Per-platform cost per view:单平台视角下”花多少钱买一次观看”,是 ROI 判据,比 GMV/follower 更敏感于内容策略微调。
• Cameo:本系统对”视频中常驻 AI 角色(吉祥物或本人)“的称呼,可在品牌设置里描述并出现在开场等指定场景。
• Brand wizard:本系统对”快速品牌设置向导”的称呼,把 niche/平台/语言/视觉/复杂度/语音/护栏等参数化为可保存模板。

金句

“Basically what it does every night the system checks all the videos which have been published has a look on what the metrics are the views the saves uh the clickthrough rate”(06:05) —— 一句话把整套系统的差异化讲清:不是”做内容”,而是”做内容的反馈循环”。

“My background is not social media or marketing. So it was also for me very important to have a self-improving part in there which I then basically build”(02:33) —— 坦诚”非数据原生者”反而是系统设计动机的核心证据,比”我懂营销”更可信。

立场与利益

本片的双向利益关系需要分开看。

• 与利益同向(待印证):(1) “我用 Claude Code 搭整套工厂”的可行性——视频展示了流程,但具体 prompt 与 n8n workflow 架构未公开,需独立复现验证;(2) “Thompson 抽样对 prompt 改写有效”——视频给了”words is not working anymore 被自动撤回”的现象,但未给对照基线,需外部印证 lift 来源。
• 利益中性:四块栈(Claude Code / Gemini / Kling AI / Blotato)的选型理由、各平台 audience 差异导致内容应平台化——这些是通用知识,与博主变现路径无直接挂钩。
• 与利益反向(可信度最高):(1) Till 直接承认 Kling AI 之外没有”质量/价格匹敌”的对手,同时坦诚”they are at the moment at least unstoppable”——这种不包装的判断反而提高信任度;(2) Sabrina 把 Till 的工作定位为”在 Blotato 之上做下游生态”——承认对方才是产品主角,自身只做平台方,这一克制也提高了本片作为案例参考的可信度。

利益证据:meta description 同时含 sabrina.dev(Blotato 创始人 Sabrina 的内容漏斗)、blotato.com(其 SaaS 主页)、optimusflow.consulting(Till 咨询主页)与双方 LinkedIn——本片本质是 Sabrina 的”成功客户故事 + Blotato 平台广度展示”与 Till 的”客户获取前置内容”双重商业意图的交集。

价值定位

• 适合谁:(1) 已经在用 n8n + Blotato 栈、想加入”内容生产侧”的 AI 自动化顾问与 solopreneur;(2) 好奇”非开发者用 Claude Code 能搭多大”的 vibe coder 与产品经理;(3) 数据原生度低、但需要规模化多平台运营的小团队负责人。
• 解决什么:展示了”agent 写完整套自动化”+“指标回流到 prompt 改写”两条独立能力在一个端到端系统里的可工程化整合,是同 Sabrina 频道 Blotato 教程所缺的最后一块(那篇覆盖创作+多平台分发,本片覆盖自我优化层)。
• 认知 vs 实操:主要是认知/启发——实操涉及 Blotato plan 选型、Kling AI API key、Thompson 抽样参数微调等大量选型,不适合照搬;但 demo 本身能给出”这套架构可以被一人/小团队完成”的心理许可。
• 与 2026-06-19-用 Claude Code 加 Remotion 免费批量做 AI 视频：五类提示词与一站自动发布 重叠在 Blotato 集成;本片独有”夜间 Thompson 抽样自我优化循环”这一层,这是已有笔记里没有的增量。

自检问题

1. 这套系统的差异化核心是”做内容”还是”做内容的反馈循环”?

   答案:做内容的反馈循环——每晚自动跑 Thompson 抽样回看指标、识别有效 prompt 改写、注入下一轮生成。锚定:详解5/详解9。回跳:05:59

2. Till 为什么把代码、创意、图像、渲染各分给不同服务,而不是让一个 LLM 通吃?

   答案:按”谁便宜/谁长于什么”分工——Claude Code 写代码、Gemini 写创意、Kling AI 出图、Blotato 渲染分发。锚定:详解4。回跳:04:09

3. 为什么 per-platform 跟踪成本和观看数是必要的,而不是看一个聚合指标就够?

   答案:不归一化就会被”TikTok 默认高分”压垮,错误地放弃 Instagram 等平台;per-platform reality score 与 cost per view 是横向比较的判据。锚定:详解8。回跳:08:43

4. 品牌设置里”复杂度”滑杆解决了什么产品取舍?

   答案:让同一套内容生成器在”plain language(给大众)“与”full-blown specialist(给专业受众)“之间二选一,匹配不同 niche 的目标受众。锚定:详解6。回跳:10:44

5. 这条视频对 Till 与 Sabrina 各自的真实商业价值是什么?

   答案:Till 用端到端 demo 替代自我介绍,作客户获取前置内容;Sabrina 借 Till 工作展示 Blotato 作为”可被下游生态搭建”的平台广度——本质是双向商业意图交集,不是中立评测。锚定:详解10/立场与利益节。回跳:22:42