拆分工作流：分析與寫作為何要用不同模型
拆分工作流（split workflow）是 AI 內容產線的核心規則：用一個模型負責分析與大綱（例如 Gemini），換另一個模型把大綱寫成最終文章（例如 Kimi 或 Claude）。 這樣發布的文字就不是分析模型的原生輸出，避開單一模型的可偵測指紋，同時讓每個模型做它最擅長的事。
為什麼要拆？兩個理由
理由一：避開單一模型的指紋與浮水印。 Gemini 的輸出帶有 Google DeepMind 的 SynthID 文字浮水印（以 token 機率模式嵌入，改寫不保證洗得掉）。2026 年初的業界實測顯示，20 多個新站全用 Gemini 3.0 直出文章，Google 幾乎不收錄；改成拆分工作流後收錄排名立刻恢復。就算不談浮水印，整站幾百篇共用同一模型的句式節奏，統計上也非常顯眼。
理由二：各取所長。 分析和寫作是兩種不同的能力：
| 階段 | 需要的能力 | 適合的模型類型 |
|---|---|---|
| 分析／架構 | 長上下文推理：吃下競品頁面、SERP、關鍵字資料後做結構化判斷 | 長上下文、推理強的模型 |
| 寫作 | 自然流暢的母語文字、遵守格式模板、口吻一致 | 文筆強、無浮水印疑慮的模型 |
擅長吞 50 頁競品資料做推理的模型，未必寫得出最自然的繁中；反之亦然。拆開，兩邊都用到最強的那一個。
兩段各自要產出什麼
分析段（模型 A）的交付物：
- SERP 意圖判讀：這個關鍵字的搜尋者到底想解決什麼
- 競品缺口：前 10 名都寫了什麼、漏了什麼
- 語意大綱：H2/H3 結構、每段必答的問題、該放的數據點
- 內鏈規劃：這篇要連到哪些集群內文章與 Boss 頁
寫作段（模型 B）的交付物：
- 按大綱寫成最終文章：答案優先開頭、自包含段落、FAQ、表格
- 只做「大綱 → 文字」的轉換，不自己發明事實——所有數據點來自分析段與人工提供的素材
關鍵紀律：大綱可以來自模型 A，發布的每一個字必須出自模型 B（再經人工終審）。讓模型 A「順手潤飾」最終稿，等於前功盡棄。
平台差異：Google 拆、Bing 不用拆
業界實測還有一個反直覺的發現：Bing 的偏好和 Google 相反，同一批 Gemini 直出文章在 Bing 表現很好，部分站點單月流量破 3 萬。所以：
- Google 優先的語言／站點 → 一律拆分（分析模型 ≠ 寫作模型）。
- Bing 優先 → Gemini 直出目前反而受青睞，可以不拆。
判斷依據是你的目標市場流量來源，不是個人喜好。兩個引擎的態度差異，完整分析見〈Google 對 AI 內容的態度 vs Bing 的差異〉。
拆分不等於免終審
拆分工作流解決的是「指紋」問題，解決不了「空殼」問題。業界實測者自己也強調：AI 幫他省了約 50% 時間，每篇仍親自審過。終審要做的事——查證數字、注入第一手經驗、補上客戶真正會問的問題——是任何模型組合都給不了的 E-E-A-T。跳過終審的拆分產線，產出的只是「換了文風的空殼」，遲早被 helpful content 系統處理。
快速自檢：你的產線拆對了嗎
- 發布文字的產出模型 ≠ 大綱的產出模型？
- 寫作模型拿到的是結構化大綱（含數據點），不是「幫我寫一篇 XX」的一句話？
- 每篇發布前有真人看過、至少改過一處實質內容？
- 每種模型組合上線前先小批量（3–5 篇）測過 GSC 收錄？
四題全是，才算真的拆分。
常見問題（FAQ）
Q1：分析和寫作用同一家公司的兩個模型可以嗎？ 風險看廠商。SynthID 目前用在 Google 自家模型上，所以「Gemini 分析＋Gemini Flash 寫作」等於沒拆；跨廠商（例如 Gemini 分析＋Claude 寫作）才達到拆分的目的。
Q2：寫作模型該怎麼選？ 標準有三：目標語言的文筆品質、無浮水印疑慮、遵守格式指令的能力。業界實測用的是 Kimi 與 Claude。最終還是要用自己的小型實驗驗證：各發幾篇、看 GSC 收錄，留下有效的組合。
Q3：拆分會不會讓成本翻倍？ 不會翻倍。分析是一次性成本（一個集群做一次），寫作按篇計。相比「發了幾十篇全不收錄」的沉沒成本，拆分的額外 API 費用可以忽略。
Q4：翻譯算不算安全的「第二個模型」？ 不算。把 Gemini 成品機器翻譯成另一種語言發布，是典型的內容負債工廠，Google 與 AI 引擎都會降權。每種語言要各自從大綱用母語寫。
拆分工作流是 GeoSeoToday內容產線的第一條鐵律。寫完的文章先用 GEO 就緒度檢測器 打分再發布；整條產線從矩陣到終審的全貌，收錄在〈AI 內容產線完整指南〉。想了解這條規則的實測起源，讀〈為什麼全用 Gemini 產文會被 Google 冷處理〉。