AI写作真正变得好用，往往不是因为你终于找到了“神级提示词”，而是因为你把工作拆成了几个清楚的决定：哪些内容必须真实、哪些可以生成、证据从哪里来、需要什么阶段的稿子，以及最终谁负责判断。

最实用的问题不是“AI能不能写”。现在很多系统都能输出流畅文字。更值得问的是：这项任务里，哪一部分适合生成，哪一部分必须先检索或核验，哪一部分最终应该由人拍板？

只要这一步分清，两个常见浪费就会大幅减少：一是花很多人工时间修一个看起来顺、底层却错的稿子；二是让模型替你决定它根本没有资料和权限决定的事实。

决策一：这是“生成任务”还是“证据任务”？

先从这里分。

需要十个标题方向、粗场景、不同解释、初步大纲，或者把你已经给出的笔记重新组织，主要属于生成任务。AI可以很快提供可筛选选项。

需要当前价格、法规、产品规格、医疗建议、精确引用、某个历史事实，则属于证据任务。模型不能自动变成事实来源。应该先拿到权威材料，再让模型处理材料。

混合任务必须拆开。

比如：

“写一篇营销团队如何选择AI写作流程的指南，并包含当前产品功能和数据处理注意事项。”

这至少有四件事：

  1. 明确读者和要做的决定；
  2. 收集当前官方产品资料；
  3. 只基于这些资料起草比较；
  4. 发布前复核事实和边界。

把四件事揉成一句“帮我写文章”，最容易制造一本正经的错误。

决策二：到底需要多少上下文？

上下文不是越多越好，相关上下文才值钱。

一个成熟写作包通常包括：

  • 受众；
  • 读者最后要完成的动作；
  • 来源材料；
  • 不可改动事实；
  • 明确排除项；
  • 语气参考；
  • 长度和格式；
  • 如果一致性很重要，再给少量合格示例。

目前主流模型厂商的提示文档都反复强调清楚指令、上下文、示例以及把“指令”和“资料”分区。目的不是写出一页长的咒语，而是让边界一眼可读。

成本： 整理上下文需要人工时间。
风险： 太少会空泛；太多而没有层级，真正重要的信息反而会被埋。
不适用情况： 任务很简单、风险很低，一句清楚要求可能已经够。

决策三：你让AI“写稿”，还是让AI“做决定”？

这是很多团队悄悄越界的地方。

“给这个产品描述写三个版本”是在要草稿。

“判断这个法律宣传语能不能安全使用”是在要一个带法律后果的决定。

“把这份已经核实的数据整理成客户能看的对比”是在要草稿。

“判断竞争对手是否虚假宣传”则需要证据，某些情况下还需要专业人员。

模型可以帮你整理判断步骤，但最终权限应该和错误成本匹配。

一个很好用的原则是：错一次的代价越高，就越不能让‘写得很像真的’替代核验。

决策四：一次大提示，还是分阶段做？

这些情况可以一次完成：

  • 资料量小；
  • 输出格式简单；
  • 错误一眼就能发现；
  • 反正会进行大量人工改写。

这些情况更适合分阶段：

  • 研究和写作必须分开；
  • 多个限制容易互相冲突；
  • 需要追溯来源；
  • 还要做中英文；
  • 事实核验重要；
  • 文档很长，结构容易漂移。

一个常见的阶段流程是：

  1. 先提取事实和未知项；
  2. 建大纲；
  3. 只用批准过的事实起稿；
  4. 单独做矛盾、无来源断言检查；
  5. 再改声音和节奏；
  6. 中文做本地化，不逐句硬译；
  7. 人工终审。

交互次数会多，但能把“一次漂亮回答掩盖底层结构错误”的概率降下来。

决策五：要不要给示例？

当你很在意形状、语气、分类方式时，示例很有效；但示例也很容易造成“照抄表面”。

适合用示例说明：

  • 团队定义的“简洁”到底多短；
  • 一个合格产品对比必须有什么；
  • 标题层级怎么排；
  • 哪些词坚决不能用；
  • 边缘情况怎么处理。

不适合只给一个样板，然后要求几十篇都“保持一致”。这样很容易让句式、H2顺序、结尾方法一起复制。

如果目标是让模型理解“这一类输出”，少量但彼此差异明显的示例通常比一份完美范文更安全。

成本： 示例占上下文。
风险： 过度贴合表面结构。
不适用： 本来就希望探索多种结构时。

决策六：哪些要求应该放在生成提示里，哪些放在QA里？

不要指望一条提示承担所有工作。

很多规则更适合放到稿后检查：

  • 每条事实断言能否追溯到给定来源；
  • title和H1是否一致；
  • 是否伪造“我测试过”；
  • 是否使用无证据最高级；
  • 固定术语是否前后一致；
  • 同一内容系列是否总用同一个H2骨架；
  • 禁止宣传语是否真的没出现。

把“创作”和“验收”拆开以后，出问题更容易定位：究竟是资料缺失、生成要求不清，还是QA门槛不够。

一个够用的决策树

需要当前或高风险事实吗？
需要 → 先收集并锁定来源，再写。
不需要 → 继续。

输出好不好判断吗？
好判断 → 直接起稿可能最省。
不好判断 → 先定义rubric或示例。

任务混合了研究、推理、写作和本地化吗？
混合 → 拆阶段。
没有 → 一次生成可能足够。

输出以后会规模化重复吗？
会 → 版本化提示和流程，保留代表性测试样本和失败记录。
不会 → 轻量对话方式可能更便宜。

会接触私人或敏感材料吗？
会 → 先看当前产品的数据控制和公司政策。
不会 → 按正常资料卫生处理。

“有深度但不堆东西”到底是什么样

深度来自具体限制和后果，不是字数。

空泛要求：

写1500词关于创作者AI写作，要有洞察。

更好的brief：

受众：已经会用AI、但经常得到空泛稿的独立创作者。
读者要做的决定：什么时候一次提示就够，什么时候应该分阶段。
证据：只用附带的4份官方文档。
必须有：决策树、一个失败案例、一段适用边界。
禁止声称：亲测、保证准确、所有模型都一样。
语气：务实编辑，不做AI布道。
长度：1500—1800英文词，文末列来源URL。

后者不是因为更长才好，而是它把“会造成高成本误解的地方”说清了。

功能和界面要单独看待

AI写作工具的界面会更新。可编辑写作区域、模型选择、文件处理、工作区权限，都可能随产品、套餐、设备和灰度变化。

耐用的工具文章应该把“工作流原则”和“具体按钮路径”分开。

如果你写“点击某个按钮”，就应该标日期并核对当前官方文档；如果写“事实搜集和正文起稿分开”，这个原则通常能活得更久。

所以工具文章最好记录核验日期，也不要拿半年前截图当永久事实。

哪些情况下AI写作反而不划算

不要因为工具存在，就强行加进流程。

这些情况人直接写可能更快：

  • 消息只有两句话，发送者已经完全知道要说什么；
  • 依赖不能安全提供的私人背景；
  • 声音非常个人化，而整理上下文比写本身还慢；
  • 最终文本本身就是法律、医疗、财务或安全判断；
  • 审核生成内容的成本，比从头写更高。

小批量、高触达内容也未必值得搭自动系统。只有重复真实存在，流程复杂度才有回报。

最后压成五个检查

一个可靠AI写作流程可以压成五问：

  1. Truth： 哪些断言必须有来源？
  2. Context： 模型真的需要知道什么？
  3. Task： 要的是生成、转换，还是判断？
  4. Stages： 研究、起稿、审核、本地化是否要拆开？
  5. Gate： 最终谁验，按什么规则验？

这五件事清楚以后，提示工程就没那么神秘。

目标不是用几个“像人类”的小技巧骗出更自然的句子，而是在清楚的事实、编辑和商业边界里，让生成真正承担适合它的工作。

Sources

Related Reading