一个产品设计师的 AI 内容工厂。不是翻译器，不是分析师——
把简报数据、Build Log、产品思考碎片，变成三个平台上的 Builder 叙事。
市场上工程师讲 AI 技术，分析师讲 AI 趋势。唯独缺少一种声音——产品设计师讲怎么用 AI 把东西做出来。
Shipyard 是 Alan 的内容工厂。输入是素材，输出是三个平台持续输出的 Builder 叙事。每一篇内容的潜台词都是：「你也可以这样做。」
所有内容围绕三条线展开。信号是佐料不是主菜——数据支撑决策叙事，不做数据搬运。
从情报数据中挑信号，用「造东西的人」的视角重新解读。不是分析师报告，是 builder 的产品嗅觉。
产品迭代的决策记录，不是技术教程。写的是选择和放弃，不是代码和配置。
把实战经验抽象成可复用的方法。慢出精品，不追速度追深度。
同一素材，三个平台产出不同内容。不是翻译，是本地化重写。每个平台绑定专用 Skill，确保原生质量。
面向全球英文读者的 essay。参考 Ben Thompson / Paul Graham 风格。Prose-first，800-2500 words，禁用 AI 味表达。
专业但讲人话，有温度。1500-3000 字长文，方法论系列文。「AI 造物周记」和「非工程师 AI 产品手册」两大系列。
丁寧だが硬すぎない。1000-2000 字。6大ネイティブチェックルール（コロン禁止、カタカナ選択、体言止め制限 etc.）で翻訳調を排除。
借鉴 claude-mem 的结构化记忆模式。纯 Markdown 文件实现持久记忆——每次生成后必须更新，每次会话开始必须读取。
记忆系统的入口文件。包含所有记忆文件的索引、统计摘要（总内容数、各平台/内容线分布、本周产出进度）。
Agent 每次启动时首先读取此文件，快速获取全局状态。类似 claude-mem 的 渐进式上下文注入——先读摘要，需要时再深入具体文件。
当前状态：总内容 6 Substack 2 公众号 2 note 2 本周 6/5-7 ✅
每次会话遵循标准化协议。素材进来 → 分类 → 生成 → 输出 → 更新记忆。全流程自动化，人只需要投喂素材。
简报数据、Build Log 素材、产品思考碎片、外部链接、方法论草稿、发布指令——任意组合投喂。
判断内容线（Signal / Build Log / Methodology），判断目标平台（Substack / 公众号 / note），参考 patterns.md 匹配最佳写法。
Substack 调用 cn-to-substack-essay，note 调用 cn-to-jp-note-writer，公众号按 platform-rules 直接生成。运行质量自检清单。
写入 output/{platform}/{date}-{platform}-{slug}.md，包含 YAML frontmatter（platform / language / content_line / date / status）。
追加 content-log → 记录 decisions → 更新 weekly-state → 同步 index 统计 → 如有新模式则更新 patterns。
文件即数据库。所有产出都是 Markdown 文件，可读、可搜、可版本控制。
每篇内容输出前必须通过全部检查。这不是形式主义——它确保每一篇都是 Builder 在说话。
是否从「我做了 / 我决定了」出发，而不是「市场发生了」？
读起来像一个 builder 在说话，还是像一个分析师在写报告？
有没有具体的产品决策、设计选择、或 shipping 进展？
数据和信号是佐料，不是主菜？
语气是否匹配目标平台？（Substack native EN / 公众号讲人话 / note ネイティブ）
对非工程师读者友好吗？没有无意义的技术术语？