एक व्यक्ति सारा कंटेंट करता है, रोज़ अपडेट बिना चूके। अब तक मैंने एक दर्जन से ज़्यादा लंबे आर्टिकल पोस्ट किए हैं, हर एक को औसतन 1,20,000 व्यूज़ मिले हैं, कुल फ़ॉलोअर बढ़ोतरी 9,000+ है, और बुकमार्क दर 0.5-1% स्थिर है—यानी हर सौ लोगों में से एक को लगता है कि यह कंटेंट बाद में सेव करने लायक है।
ऐसा नहीं है कि मेरी लेखनी शानदार है। इसकी वजह यह है कि पर्दे के पीछे एक AI कंटेंट प्रोडक्शन सिस्टम चल रहा है—टॉपिक चुनने से लेकर, सामग्री जुटाने, ड्राफ्ट तैयार करने और इलस्ट्रेशन बनाने से लेकर डेटा रिव्यू तक, पूरी प्रक्रिया AI करती है; मैं सिर्फ़ निर्णय लेता हूँ।
इस सिस्टम का प्रोटोटाइप @dontbesilent द्वारा सार्वजनिक रूप से शेयर किए गए Claude Code वर्कफ़्लो से आता है। वह इस तरीके से एक साल में 13,000 कंटेंट पोस्ट करता है, एक साथ 7 प्लेटफ़ॉर्म चलाता है, और सालाना 7,00,000 फ़ॉलोअर बढ़ाता है। मैंने इसे लिया और X के लंबे आर्टिकल्स के लिए अपनी ज़रूरतों के हिसाब से काफ़ी बदलाव किए। यह पोस्ट उस संस्करण को साझा करती है जिसका मैं वर्तमान में इन बदलावों के बाद उपयोग कर रहा हूँ।
मुख्य अवधारणा
@dontbesilent ने एक बुनियादी मुद्दा उठाया था: ज़्यादातर लोग AI का उपयोग कंटेंट के लिए बिखरे हुए ढंग से करते हैं—जब उनके पास कोई आइडिया आता है तो AI से पूछते हैं, जवाब पोस्ट करते हैं, और फिर भूल जाते हैं। अगली बार जब कोई आइडिया आता है, तो फिर से शुरू से शुरू करते हैं।
उसका समाधान पूरी प्रक्रिया को एक बंद लूप (closed loop) में बदलना है: विचार विषय लाइब्रेरी में जाते हैं → AI मटेरियल लाइब्रेरी में पुन: उपयोग योग्य तत्वों को ढूँढता है → एक सिद्ध फ्रेमवर्क का उपयोग करके लिखता है → प्रकाशित करता है → डेटा रिव्यू करता है → प्रभावी पैटर्न को निकालकर वापस मेथडोलॉजी में डालता है। हर रचना सिस्टम में कुछ जोड़ती है, हर बार नए सिरे से पहिया नहीं गढ़ना पड़ता।
मैंने यह तर्क सीधे अपनाया। नीचे मेरा संशोधित संस्करण है।
चार-परत ज्ञान का आधार (Four-Layer Knowledge Base)
मैं कंटेंट मैनेज करने के लिए Obsidian और निष्पादन के लिए Claude Code का उपयोग करता हूँ। सिस्टम चार परतों में बंटा है।
पहली परत: कॉर्पस (Corpus)।
AI लेखन की सबसे बड़ी समस्या यह नहीं है कि वह खराब लिखता है, बल्कि यह कि वह आपकी तरह नहीं लगता। लंबे लेख पढ़ने वाले शब्द-दर-शब्द पढ़ते हैं; अगर "AI का स्वाद" बहुत तेज़ हो, तो यह अटपटा लगता है।
इसलिए मैं वह सब कुछ सेव करता हूँ जो मैंने कहा है—ट्वीट्स, WeChat चैट रिकॉर्ड्स में चर्चा किए गए दृष्टिकोण, रिकॉर्डिंग्स, और फ्रैगमेंटेड विचार जो मैंने नोट किए। फिर मैं उनसे एक लेखन शैली गाइड निकालता हूँ: मुझे निष्कर्ष पहले बताना पसंद है, फिर कारण; मुझे विशेषणों की तुलना में संख्याएँ पसंद हैं; मुझे किसी मामले को समझाने के लिए दूसरे उद्योगों के तर्क का उपयोग करना पसंद है; और मैं अंत में "प्रेरणादायक बातें" नहीं डालता।
AI हर ड्राफ्ट से पहले इस गाइड को पढ़ता है, तो पहला ड्राफ्ट कम से कम 70-80% मेरी तरह होता है। लिखने के बाद, मैं "डी-AI फ्लेवर" जाँच चलाता हूँ ताकि ऐसे एक्सप्रेशन्स हाइलाइट हो जाएँ जो बहुत मशीनी लगते हैं, ताकि मैं उन्हें बदल सकूँ।
यह क्या पकड़ता है? यहाँ कुछ सामान्य खामियाँ हैं:
- मार्केटिंग शब्द: सशक्तिकरण, बंद लूप, जोड़ना, अंतर्निहित तर्क—देखते ही हटाओ।
- पाठक के लिए बोलना: "आप सोच सकते हैं...", "बहुत से लोग पूछेंगे..."—आपको कैसे पता कि दूसरे क्या सोचते हैं?
- निर्देशात्मक लहज़ा: "याद रखें," "आपको चाहिए," "मुख्य बात बस एक वाक्य है"—मैं बातचीत कर रहा हूँ, क्लास नहीं पढ़ा रहा।
- काल्पनिक डेटा: "90% लोग नहीं जानते"—आपको वह 90% कहाँ से मिला?
- नाटकीय प्रभाव के लिए स्वतंत्र छोटे वाक्य: एक वाक्य। एक शब्द। पैराग्राफ। —यह सबसे "AI-स्वाद" वाला है।
- बोल्ड किए गए नारे/सुनहरे कोट्स: सच में ताकतवर लोग सभी... —हटाओ।
ये नियम सिस्टम में संग्रहीत हैं। पहले ड्राफ्ट के बाद AI स्वचालित रूप से इन्हें चलाता है और हिट्स को लाल रंग में चिह्नित करता है। इन दो चरणों से, लंबे लेखों में "मानवीय स्पर्श" काफ़ी बेहतर हो जाता है।
दूसरी परत: मटेरियल लाइब्रेरी (Material Library)।
47 समान खातों का विश्लेषण, 1,100 से अधिक कंटेंट का डेटा, वायरल आर्टिकल्स का संरचनात्मक विश्लेषण, और पुन: उपयोग योग्य अवधारणाएँ और कोट्स।
नया आर्टिकल लिखने से पहले, AI पहले मटेरियल लाइब्रेरी को पलटता है: किसी ने समान विषयों पर क्या लिखा है, किस कोण से डेटा मिला, और किस संरचना पर पाठक सेव करने को तैयार हुए। यह नकल नहीं है; यह दूसरों के डेटा के आधार पर एक रास्ता चुनना है।
47 खातों का विश्लेषण करने के बाद, कई निष्कर्षों ने सीधे मेरी विषय रणनीति को प्रभावित किया:
- 1M+ व्यूज़ वाला कंटेंट केवल 5 श्रेणियों में आता है: आवश्यक टूल ट्यूटोरियल, चिकित्सा/स्वास्थ्य विज्ञान, AI + पैसा बनाना, व्यक्ति विश्लेषण, और संसाधन संग्रह। अन्य प्रकार शायद ही कभी एक लाख से अधिक पहुँचते हैं।
- बुकमार्क दर और एक्सपोज़र आवश्यक रूप से सकारात्मक रूप से सहसंबद्ध नहीं हैं। कुछ आर्टिकल्स का एक्सपोज़र औसत होता है लेकिन बुकमार्क दर अधिक होती है, जो दीर्घकालिक मूल्य दर्शाती है—इन्हें बार-बार लिखना उचित है।
- फ़ॉलोअर वृद्धि और एक्सपोज़र भी आवश्यक रूप से सकारात्मक रूप से सहसंबद्ध नहीं हैं। 119K एक्सपोज़र वाली एक व्यक्ति पोस्ट ने 156 फ़ॉलोअर बढ़ाए, जबकि 77K एक्सपोज़र वाले एक ट्यूटोरियल ने केवल 25 फ़ॉलोअर बढ़ाए। व्यक्ति लोगों को व्यक्ति को फ़ॉलो करने के लिए प्रेरित करते हैं; ट्यूटोरियल लोगों को सेव करके छोड़ने पर मजबूर करते हैं।
तीसरी परत: कंटेंट पाइपलाइन (Content Pipeline)।
विषय पूल → गहराई में जाने के लिए → प्रगति पर → प्रकाशित। पूल में हमेशा एक दर्जन लिखने के लिए तैयार विषय और एक दर्जन उम्मीदवार होते हैं जिन्हें और अधिक सामग्री की आवश्यकता होती है। मैं बस जो मन में आए वह नहीं लिखता—मैं रणनीति के आधार पर पूल से चुनता हूँ।
विषय कई ट्रैक पर घूमते हैं: प्रोजेक्ट प्रैक्टिस, AI मनी-मेकिंग ट्रैक डीकंस्ट्रक्शन, कम थ्रेशहोल्ड वाला आम आदमी का व्यवसाय, और नए AI प्रतिमान रुझान। प्रत्येक ट्रैक की अलग तीव्रता होती है—कठोर टूल ट्यूटोरियल्स को सबसे अधिक एक्सपोज़र मिलता है, व्यक्ति परिचय सबसे तेज़ी से फ़ॉलोअर बढ़ाते हैं, और डेटा रिव्यू का दर्शक संकीर्ण होता है लेकिन बुकमार्क दर अच्छी होती है। मैं वर्तमान लक्ष्यों के आधार पर विषय चुनता हूँ: एक्सपोज़र के लिए ट्यूटोरियल, फ़ॉलोअर के लिए व्यक्ति, और दीर्घकालिक मूल्य के लिए रिव्ये रिव्यू।
चौथी परत: मेथडोलॉजी (Methodology)।
कौन से शीर्षक प्रभावी हैं, कौन से विषय वायरल होते हैं, किन संरचनाओं की बुकमार्क दर अधिक है—यह सब मेरे अपने प्रकाशन डेटा से निकाला गया है।
शीर्षक (ट सबसे आसानी से मापी जाने वाली चीज़ है। एक दर्जन लंबे आर्टिकल्स के बाद, जो शीर्षक अच्छा प्रदर्शन करते हैं वे मूलतः चार पैटर्न में आते हैं:
पोस्ट करने से पहले जाँचें: क्या विशिष्ट संख्याएँ हैं? क्या कोई पहचान टैग है? क्या कोई विरोधाभास है? क्या पाठक को पता चल जाता है कि शीर्षक पढ़ने के बाद उन्हें क्या मिलेगा? जितनी अधिक हिट्स, डेटा उतना बेहतर।
इलस्ट्रेशन्स (Illustrations)
X के लंबे आर्टिकल्स के लिए इलस्ट्रेशन महत्वपूर्ण हैं। फ़ीड में उपयोगकर्ता के ध्यान का क्रम है: HERO इमेज > शीर्षक > मुख्य भाग। अगर इमेज खराब है, तो शीर्षक चाहे जो भी हो, कोई क्लिक नहीं करेगा।
मेरा सिद्धांत: HERO इमेज, शीर्षक और हुक (hook) तिकड़ी को जानकारी दोहरानी नहीं चाहिए। HERO इमेज एक नज़र में बताती है "यह किस तरह का कंटेंट है," शीर्षक एक डेटा एंकर प्रदान करता है जिससे लोग रुकते हैं, और मुख्य भाग का पहला पैराग्राफ़ विवरण का विस्तार करता है। तीन चीज़ें तीन अलग-अलग परतों की जानकारी देती हैं।
इलस्ट्रेशन की दो शैलियाँ हैं, जो सामग्री प्रकार के आधार पर स्वचालित रूप से चुनी जाती हैं:
ट्यूटोरियल में इन्फ़ोग्राफ़िक्स का उपयोग होता है—सफ़ेद पृष्ठभूमि, हल्के रंग के सजावटी बुलबुले, गोल कोनों वाले कार्ड, फ़्लैट आइकन, और बड़े चीनी शीर्षक, जैसे किसी SaaS वेबसाइट पर एक साफ़ हीरो बैनर। ओपिनियन पीस में कॉन्सेप्चुअल पोस्टर का उपयोग होता है—बड़े टेक्स्ट को फ्रेम के रूप में, जिसमें कैरेक्टर और टेक्स्ट एक-दूसरे में गुंथे हों, जैसे एक प्रदर्शनी पोस्टर, PPT नहीं।
हर लंबे आर्टिकल को एक कवर प्लस दो या तीन आंतरिक इन्फ़ोग्राफ़िक्स मिलते हैं। AI आर्टिकल सामग्री के आधार पर प्रॉम्प्ट जनरेट करता है, GPT इमेज 2 API को कॉल करके इमेज बनाता है, फिर मैं डाउनलोड करके आवश्यक अनुपात में क्रॉप करता हूँ। पहले Canva में जिसमें आधा घंटा लगता था, अब तीन इमेज के लिए 10 मिनट लगते हैं।
लॉन्ग-फ़ॉर्म डेटा (Long-form Data)
यहाँ कुछ प्रतिनिधि उदाहरण हैं:
औसत एक्सपोज़र लगभग 1,20,000 है, बुकमार्क दर 0.5-1% है। AI भविष्यवाणी पोस्ट की बुकमार्क दर सबसे अधिक 1.01% थी—AI + पैसा बनाना + सूचना विषमता का संयोजन पाठकों को सबसे अधिक सक्रिय रूप से सेव करने के लिए प्रेरित करता है।
डेटा से विकसित पैटर्न
"डेटा से नियम विकसित करना" dontbesilent की मुख्य पद्धति है। यहाँ मेरे अपने X लॉन्ग-फ़ॉर्म डेटा से प्राप्त विशिष्ट पैटर्न हैं:
शीर्षकों में विशिष्ट संख्याएँ होनी चाहिए। "4 महीनों में 1 लाख कमाई," "$155 बनाम $15," "452% ROI"—सभी सफल लंबे आर्टिकल्स में कठोर संख्याएँ होती हैं। संख्याएँ फ़ीड में लोगों को रोकने के लिए सबसे आसान चीज़ हैं।
AI को मुख्य पात्र होना चाहिए। AI ट्यूटोरियल आर्टिकल्स लगातार 1,00,000 व्यूज़ से ऊपर रहते हैं, जबकि शुद्ध निवेश कंटेंट शायद ही 50,000 पार करता है। लोग इस अकाउंट पर "AI का उपयोग कैसे करें" देखने आते हैं, न कि "स्टॉक कैसे ट्रेड करें।"
"आपका समय बचाना" वायरलिटी का अंतर्निहित तर्क है। सार्वजनिक खाते एकत्र करना, Codex परिचय, इलस्ट्रेशन अभ्यास—सभी वायरल लंबे आर्टिकल्स में समानता है "मैंने कोशिश की, गलतियाँ कीं, और आपके लिए व्यवस्थित किया; बस साथ चलें।"
वायरल फार्मूला: कठोर ट्यूटोरियल या वास्तविक अनुभव + विशिष्ट डेटा एंकर + पुनरुत्पादनीय पथ। कोई भी वायरल शीर्षक कोई अमूर्त अवधारणा नहीं है। वे सभी "मैंने X किया, और परिणाम Y था" संरचना का पालन करते हैं—अनुभव साझा करना प्लस डेटा, व्याख्यान नहीं देना।
ये नियम हर नए आर्टिकल पोस्ट होने पर अपडेट होते हैं। सिस्टम स्व-सुधार करने वाला है।
आप इसे सीधे उपयोग कर सकते हैं
dontbesilent का dbskill (GitHub पर 4000+ स्टार्स) एक बेहतरीन शुरुआती बिंद है। आप वही कर सकते हैं जो मैंने किया: उसके मुख्य विचार लें और उन्हें अपनी ज़रूरतों के अनुसार संशोधित करें।
एक ही कदम में सब कुछ सही करना ज़रूरी नहीं है। पहले अपना विषय पूल और मटेरियल लाइब्रेरी बनाएँ, इसे दो हफ़्ते चलाएँ, और डेटा को आपको बताने दें कि किस दिशा में समायोजन करना है।
