開課王怎麼用 AI 自動產生課程行銷素材：完整工作流揭密

週日晚上 11 點 04 分，Tina 還坐在書桌前。

她是一位獨立講師，主題是「給文組轉職的 SQL 入門」。下週課程要開賣，但 Facebook 廣告貼文寫到第七版還是覺得卡——太硬、太罐頭、太像在賣保健食品。她剛把第六版貼文丟給 ChatGPT 改寫，跑出來的版本通順是通順了，但讀起來跟其他十個正在搶同一群學員的講師沒兩樣。她關掉 ChatGPT，泡了第三杯咖啡，桌上的 iPad 還顯示著昨天的代辦：錄宣傳片、修封面、寫 Email 序列、跑五版標題給朋友投票、串 Meta Ads。

這不是個案。Statista 估計，2026 年全球 e-learning 市場規模逼近 4,000 億美金，但市場越大、競爭越紅海。一個獨立講師、一個小型補習班、一個訓練機構，要在這個池子裡冒出頭，最大的瓶頸是「課行銷不出來」，而非「課做不好」。

這篇文章把恆遠數位行銷自家產品「開課王」內部跑了八個月的 AI 行銷素材自動產生工作流完整拆給你看：input 怎麼進、AI 怎麼拆解、文案怎麼分多版本產出、視覺素材怎麼接 Stable Diffusion、A/B 測試怎麼跑、廣告怎麼自動化串 Meta Ads 和 Google Ads。也會誠實寫我們前三個月踩過的坑——AI 寫的太罐頭、課程定位被誤判、自動化跑出一堆「正確但沒人想看」的素材。看完你能拿走的是一套可以自己組、也可以直接用開課王跑的完整工作流。

為什麼獨立講師的行銷素材永遠不夠用

先丟一個數字。

Ruzuku 的State of Online Courses 2026 報告把線上課程創作者拆成三類：每年營收 1 萬美金以下的占 62%、1 至 10 萬美金的占 28%、十萬美金以上的不到 10%。真正讓人意外的，是這三群人「卡住的點」高度一致——都是行銷素材產不出來，這條金字塔本身反而是其次。底層卡在「不知道怎麼寫」，中間層卡在「寫得出來但出不夠多」，頂層卡在「要同時做多檔課程，產製速度跟不上」。

一堂課要上線完整跑一輪行銷漏斗，最少需要：FB 廣告貼文 3 至 5 版（不同受眾、不同訴求）、落地頁長文案 1 篇、Email 序列 5 至 8 封、課程預告短影片腳本 1 至 2 條、課程封面 3 至 5 張、Google Ads 標題 5 至 10 組、IG / Threads 短文案 10 至 20 則。把這些素材全部備齊，從零開始的講師平均要花 8 至 12 小時。

HubSpot 的 AI 內容行銷調查 顯示，全球已有 80% 行銷人用 AI 加速內容產製、46% 的人直接用 AI 寫文案。但 AI 工具用了一年，講師的痛點轉移到下一層——「AI 寫得太通用」「不同平台格式都要重來」「素材跟其他課越長越像」。Tina 的卡關點正好就在這裡。

我們在做開課王內部訪談時，整理出五個高頻痛點。每一個都是讓講師週日晚上 11 點還在改文案的元凶：

• 「廣告燒了一週、CTR 不到 0.5%」——文案太硬、太自我感覺良好，沒對到學員的真實情境（PTT WomenTalk、Dcard 課程板出現頻率：高）
• 「明明是不同主題的課，文案讀起來都一樣」——個人風格沒被萃取，AI 直接吐出產業範本
• 「每次開新課都要重來一次」——沒有素材庫、沒有版本管理、沒有可重用模板
• 「不知道哪一版會中」——A/B 測試成本太高，乾脆挑一版開賣
• 「廣告投了不知道怎麼追加」——數據看了也不會改，文案沒辦法追熱、追季節、追用戶反饋

開課王是什麼：把整個行銷漏斗包進一個 SaaS

先說產品定位，不繞圈子。

開課王是恆遠數位行銷做的「課程行銷素材自動產製 SaaS」。一個獨立講師、補習班、企業內訓單位，把課程大綱（30 分鐘錄音、PDF、或一張白紙手寫的綱要）丟進來，系統自動產出整個行銷漏斗需要的所有素材：3 種長度的文案（FB 貼文／落地頁／Email 序列）、5 版 A/B 測試標題、課程封面圖、廣告投放素材。後台直接串 Meta Ads 和 Google Ads，數據回流再餵 AI 自動優化文案。

為什麼是恆遠做這件事？因為我們本來就是接案公司，做了八年客製化網站和系統開發。教育訓練業是我們服務量最大的客戶群之一，從補習班的學員管理系統、講師的線上課程平台、到企業內訓的 LMS，我們手上累積了上百個真實的行銷漏斗數據。當 GPT-4 在 2024 年讓內容生成成本掉到只剩過去的 1/10，我們開始在內部組工作流幫客戶代操，跑了八個月驗證有效後，才把整套流程包成 SaaS。

產品三軸定位很清楚——我們對 AI 工具的態度，是「站在 AI 巨人肩膀上」，但 SaaS 本身得展現開發實力，不是包個 OpenAI API 就上架。內部有自己的 prompt template engine、課程定位分類器、文案 A/B 排程器，這些都是恆遠工程團隊一行行寫出來的。

AI 自動產生素材的完整工作流：六個關鍵節點

以下是開課王內部的工作流。每一步背後都是 8 個月的踩坑換來的，誠實說，前 3 個月跑出來的素材有 60% 不能用。讓 AI 真的產出能上戰場的行銷素材，關鍵不在用什麼模型，而是在每個節點之間的「轉接」做得多細。

Step 1：講師上傳大綱（input 層）

input 端我們刻意做得很寬鬆——可以是 30 分鐘的講課錄音、一份 PDF 教材、甚至 LINE 上隨手打的幾段文字。背後跑的是 Whisper（語音轉錄）+ 一個 in-house 的「資訊密度分類器」。為什麼要分類器？因為很多講師上傳的錄音前 5 分鐘都是在閒聊、調麥克風、跟學員打招呼，直接全部丟進 LLM 會稀釋資訊密度，產出來的文案就會空洞。分類器把錄音切成「教學段／閒聊段／互動段」，只把教學段拿來生素材。

Step 2：AI 拆解學習目標、痛點、受益對象

這一步是整個工作流的核心。Gartner 對行銷 AI 自動化的研究有一個結論很值得記下來：80% 的 AI 文案失敗，敗在「沒搞清楚目標受眾」，不是模型不夠強。所以我們在 Step 2 不直接寫文案，先用三個獨立的 prompt 萃取「學習目標」「真實痛點」「受益對象」。每個維度跑一次後，再交叉驗證。

這是學習目標萃取的 system prompt（簡化版，去掉公司專屬參數）：

SYSTEM_PROMPT_LEARNING_OBJECTIVES = """
You are a course positioning analyst for an online learning platform.
Your only task is to extract LEARNING OBJECTIVES from the instructor's
raw material (transcript / PDF / outline).

Rules:
1. Output 3-5 objectives, each in <= 25 Traditional Chinese characters.
2. Each objective MUST start with an action verb that describes what
   the LEARNER will be able to DO after the course.
   ✅ "用 SQL 寫出三層 JOIN 查詢"
   ❌ "認識 SQL 的歷史背景"
3. NO marketing language. NO superlatives ("最強", "完整", "全面").
4. NO meta-commentary. Just output the JSON below.

Output schema:
{
  "objectives": [
    {"verb": str, "outcome": str, "measurable": bool}
  ],
  "confidence": float  # 0~1, based on input quality
}

If confidence < 0.6, also output `clarification_needed: [str]`.
"""

關鍵設計：強制動詞開頭、禁止行銷語、要求可衡量。前 3 個月我們沒寫這些限制，AI 跑出來的學習目標 70% 是「了解 SQL 的基礎概念」這種沒 input 進來也寫得出來的廢話。加了限制後，產出立刻變成「寫出三層 JOIN 查詢」「用 GROUP BY 算出每月 TOP 10 商品」這種具體可驗證的動作。

Step 3：多版本文案產出（FB／落地頁／Email）

拿到結構化的學習目標、痛點、受益對象後，第三步才開始寫文案。不同平台的長度、語氣、CTA 強度都不一樣，所以是三個獨立的 prompt：FB 廣告貼文（80-120 字、口語、痛點開場）、落地頁長文（1500-2500 字、有結構、強 CTA）、Email 序列（5 封、漸進式信任建立、最後一封導購）。

這裡有一個我們踩過的坑值得單獨拉出來講——文案生成時必須帶入講師個人風格，不然每堂課讀起來都像同一個人寫的。我們做了一個叫「風格向量」的東西：講師第一次使用時上傳 3 篇自己過去寫的內容（FB 貼文、部落格、Email 都行），系統用 embedding 抓出這位講師的語氣特徵（用詞密度、句長分布、emoji 使用習慣、自稱方式），存進該講師的 profile。每次生成文案前先把這個向量塞進 prompt context，產出來的文案就會帶上「這個講師會這樣講」的個人感。

Step 4：視覺素材自動生封面

文字寫完，視覺接上。我們串 FAL.ai（背後跑 Stable Diffusion XL + Flux）做課程封面圖。Step 2 產出的「核心受益對象」會變成 image prompt 的主體：「給 35 歲想轉職資料分析師的文組工作者的 SQL 入門課」會變成 "professional Asian woman in her 30s, looking at a laptop with SQL code, cozy home office, golden hour lighting, photorealistic, 8k" 這種 image prompt。一次生 4 張，講師勾選後自動上品牌色帶（深藍 #0F1A2E + 金色 #FFB800）和標題。整個流程從文字到完成封面圖大概 90 秒。

Step 5：5 版 A/B 測試標題給講師選

Landingi 的 AI 轉換率優化研究 指出，落地頁標題影響 40% 的轉換率。所以我們不讓 AI 直接挑一個標題就送出，而是用五個不同的「公式」各生成一版：

• 公式 A：痛點+數字（「8 小時學會 SQL，文組也能做資料分析」）
• 公式 B：成果導向（「30 天內寫出第一份能上線的 SQL 報表」）
• 公式 C：對比反差（「不用 Python、不用學程式，只用 SQL 從文組轉職」）
• 公式 D：權威背書（「資深資料工程師親授：SQL 入門到實戰」）
• 公式 E：好奇心（「為什麼會 SQL 的人薪水比不會的多 35%？」）

講師看到 5 版後，可以勾選 1-2 版進入 A/B 測試。系統會自動排程，前 48 小時各跑 50% 流量、第三天看 CTR 和轉換率自動把預算挪到贏的那一版。

Step 6：自動串 Meta Ads 和 Google Ads

最後一哩。文案、視覺、A/B 標題都備齊後，講師按一個鈕，系統透過 Meta Marketing API 和 Google Ads API 自動建立廣告活動。受眾預設值是 Step 2 抓出的「受益對象」轉換成的 Meta 興趣標籤組合（例：35 歲女性 + 對資料科學感興趣 + 過去 90 天瀏覽過轉職類網站）。預算和投放期間講師可以調整，但底層的素材、受眾、A/B 配置都已經設好。

講師自己寫文案 vs 開課王 AI 工作流：時間、成本、轉換率對比

數字可能比一千字描述有用。下表是我們在 2026 年第一季和 14 位獨立講師合作，記錄他們從「自己寫」轉到「用開課王跑工作流」前後的對比。樣本數雖然不大，但講師背景多元（程式、設計、語言、烘焙、烹飪），趨勢一致。

最值得拉出來看的是「課程出席率」這欄。47% 跳到 85% 真正的原因，是工作流改變了學員從「看到廣告→點進落地頁→報名→上課」的整段體驗，AI 寫文案本身反而不是直接驅動因素。一致的訊息、不同階段的 Email 提醒、視覺風格統一，都讓學員報名後沒有忘記、沒有後悔、沒有失約。Email Vendor Selection 的 行銷自動化研究 也提到類似結論：完整自動化漏斗的轉換率比單點工具高 4 至 6 倍。

我們踩過的三個坑：誠實版

如果只看上面的數字，會以為這套工作流跑起來一帆風順。實際上前三個月做爛了。誠實列出三個最痛的坑，給你跳過去用：

坑 1：AI 寫的太罐頭，所有講師看起來都像同一個人

第一個版本的 prompt 沒有風格向量，每位講師上傳完大綱跑出來的文案都帶有強烈的「ChatGPT 味」——大量使用「您」「在這個快速變化的時代」「讓我們一起」「不僅...而且」。一位接案 5 年的設計講師看完直接傳訊息來說：「這不是我會寫的東西，這是 ChatGPT 套了我的課名。」

修法是上面 Step 3 提到的風格向量。多花了一個月把每位講師過去寫過的文章 embedding 化、抓出個人語氣特徵、存進 profile。但更深的修法是 prompt 層加了一條「禁止詞表」——把 AI 慣用但人類不會用的 30 個詞全部列出來，例如「賦能」「全方位」「一站式」「打造」「攜手共創」。詞表是動態維護的，每個月把客戶反映「太罐頭」的素材丟回來看用了哪些詞，再加進禁止詞表。

坑 2：課程定位被誤判，目標受眾跑錯方向

有一位教「英文簡報技巧」的講師，上傳大綱後系統判讀的受益對象是「想學英文的上班族」。但這位講師的真實受眾其實是「已經能用英文工作、但要對外簡報會卡住的中階主管」。受眾誤判後續整條漏斗就歪了——文案太基礎、廣告投錯興趣標籤、報名的人來上課後傻眼。

修法：Step 2 加了「受眾驗證」這道關卡。AI 判讀完受益對象後不直接往下跑，先反問講師三個問題（你的學員平均年資？常見職位是什麼？他們學完後會用在什麼具體場景？）。講師回答完才往 Step 3 走。多這一步問答只增加 5 分鐘，但受眾準確率從 60% 拉到 91%。

坑 3：自動化跑得太快，講師失去掌控感

最反直覺的一個坑。我們本來覺得「全自動」是賣點，講師應該很開心系統一鍵把所有東西做好。實際上講師反而焦慮——「我不知道系統幫我寫了什麼」「我看不到中間過程」「素材跑出來我不敢用」。

修法：把工作流從「全自動黑盒」改成「半自動白盒」。每一步完成後系統會停下來，把產出秀給講師看（學習目標摘要、受益對象 persona、風格向量摘錄），講師可以調整或直接放行。整體時間從 30 分鐘變成 75 分鐘，但講師的「掌控感」回來了，產出最後使用率從 45% 拉到 89%。這個經驗跟 AI 導入後組織變革管理 那篇講的「AI 不是取代人、是讓人保有控制」完全一致。

教育訓練 SaaS 該怎麼選：開課王 vs 自組工具鏈

這套工作流不是非用開課王不可。技術上你完全可以自己組——OpenAI API + Make.com + Stable Diffusion + Meta Marketing API + 一個前端。所以該問的是：自組還是用 SaaS？

一個快速的判斷標準：你會寫 Python、看得懂 API 文件、且願意花至少 200 小時鑽研 prompt engineering，自組會更省錢、更彈性。否則，買 SaaS 是更理性的選擇——把那 200 小時拿去做課、教學、跟學員互動，賺的錢比省下的訂閱費多得多。這個邏輯跟 中小企業 AI 自動化 那篇談的「不要為了省工具錢花更多時間」是同一回事。

實作建議：講師、補習班、企業內訓的不同場景

不同規模的教育訓練單位，工作流套用的方式不一樣。三個場景示範：

場景 A：獨立講師（一人、多堂課）

優先用 Step 1-3。把錄音直接丟進去，拿到三平台文案就好——廣告投放可以等到熟悉產品再啟用。重點放在「累積風格向量」，每寫完一堂課的文案，調整後的版本回存進系統，AI 就會越學越像你。第二堂、第三堂課的素材產出時間會從 1.5 小時降到 30 分鐘。

場景 B：補習班 / 訓練機構（多講師、共用品牌）

挑戰是「品牌一致性」。每位講師的個人風格要保留，但行銷素材要統一在機構的 tone & manner 下。設定「機構級風格參數」+「講師級風格向量」雙層配置，產出時兩層疊加。我們有一個合作的補習班用這個配置後，全機構 12 位講師的廣告 CTR 平均提升 89%，但每堂課讀起來還是很有講師個性。

場景 C：企業內訓（HR / L&D 部門）

跟 to C 課程不一樣，內訓不需要廣告投放，但需要「報名頁文案」「課前 Email 序列」「課後問卷與證書文案」。跳過 Step 6，把重心放在 Step 3 和 Step 5——好的內訓報名頁文案能把出席率從常見的 40% 拉到 80% 以上，這對 L&D 部門的 KPI 影響很大。延伸閱讀可以看 AI 導入的 ROI 怎麼算 那篇對企業端 ROI 評估框架的說明，Claude Code 環境變數防護的四道防線 也適合做為導入時的資安參考。

常見問題

結語：你的下一堂課，可以不用週日晚上 11 點還在改文案

回到開頭的 Tina。

她後來把那份卡了七版的廣告文案放下，把當天的講課錄音上傳進開課王，跑了一輪工作流。45 分鐘後她有了 3 版 FB 貼文、1 篇落地頁、5 封 Email、5 版標題、4 張封面圖。她挑了 2 版標題進 A/B、把廣告排程設好、關電腦睡覺。

第二天早上 10 點看數據，CTR 0.94%，是她過去三堂課平均的 2.3 倍。第一週課程報名 47 人，比她原本期待的 20 人多了一倍。真正的重點，是她週日晚上 11 點不用再坐在電腦前——她去看了一場電影，47 這個數字反而是其次。

這就是這套工作流要解決的事。讓「課做得好的人」不要被「行銷不會做」卡住，把節省下來的時間還給講師、還給創作、還給生活。