AI 辅助长文创作分步工作流：从大纲拆解到事实校对

很多人第一次用大模型写长文，习惯把标题和几句要求丢进对话框，等它一次性吐出两三千字。结果往往相似：开头像模像样，中间开始重复观点，案例含糊其辞，结尾滑向“综上所述”。改起来比自己写还累，因为你要在一堆空话里重建结构。

问题不在于模型能力不足，而在于任务被压成了一步。长文写作本来包含选题判断、资料筛选、结构搭建、分段展开、事实核对和风格统一这些环节，每个环节需要的上下文和判断标准都不同。把它们压缩进一次生成，模型只能用最通用的方式填补空白，于是得到一篇挑不出大错、也找不到具体信息的稿子。

更可行的做法是把流程拆开，让模型在每个阶段只做一件事，人则在关键节点上做决定。下面这套流程按“资料聚类 → 多级大纲 → 分段展开 → 事实校对 → 风格统一”推进，适合两千字以上的技术文章、产品文档和深度评测。

为什么一次性出稿容易空泛

单次生成长文的核心矛盾是上下文竞争。模型要在一次输出里同时决定文章讲什么、按什么顺序讲、每段举什么例子、用什么语气。当这些决策互相挤占注意力时，最省力的路径就是输出放之四海皆准的句子。

常见的三种失败表现：

• 结构正确但内容悬浮：每个小标题都合理，点开却没有可执行信息，缺少参数、命令、版本号或具体场景。
• 事实漂移：模型为了句子通顺，会补上看起来合理的数字、日期或引用。这类内容最难发现，因为读起来毫无破绽。
• 风格断层：前半部分偏学术，后半部分变成营销腔。一次性生成时，模型没有机会参照前文已经确定的语气。

分段生成能缓解这三点。每次只让模型处理一个二级标题下的内容，上下文变窄，它更容易把注意力放在具体例子上；同时前文已经写好的段落可以作为语气参照，后文自然靠拢。

第一步：把资料整理成可引用的证据表

在写任何提示词之前，先准备资料。这一步人工占主导，模型只做归纳。

建一张表格，每行一条来源，列至少包含：来源标题与链接、它支持的具体主张、关键数据或原话、可信度备注、计划用在哪一节。技术文章特别要记录版本号和适用条件，比如某命令在哪个版本可用、某个参数在什么硬件下才有意义。

表格建好后，可以让模型做一次聚类：把支持同一论点的来源归到一起，标出互相矛盾的条目。提示词可以这样写：

下面是我为文章准备的一组资料，每条包含来源、核心主张和关键数据。
请完成三件事：
1. 按主题聚类，给每个簇起一个不超过 12 字的名字；
2. 标出彼此冲突或数据不一致的条目，说明冲突点；
3. 指出哪些主题目前只有单一来源，属于证据薄弱区。
不要补充资料里没有的信息，不要给写作建议。

得到的聚类结果就是大纲的原材料。这里有一个重要的人工判断：证据薄弱的主题要么补充资料，要么降级为一段带限定语的描述，不要指望模型帮你“圆过去”。

第二步：用多级大纲锁死结构再动笔

大纲要分两层确认，不要一次生成到底。

第一层是二级标题序列，只回答“这篇文章分几块讲、顺序为什么这样排”。让模型给出两到三个不同组织方式，比如按流程顺序、按问题类型、按难度递进，你选一个。第二层再针对每个二级标题展开三级要点，每条要点写清楚它要回答的具体问题和需要的证据。

一个可用的展开提示词结构：

文章主题：{标题}
目标读者：{读者画像}
本节二级标题：{标题}
本节需要回答的问题：{一到三个问题}
可用资料：{该主题下的证据表条目}
要求：
- 输出 3 到 5 条三级要点，每条一句话；
- 每条要点后标注将使用哪条资料编号；
- 如果某条要点缺少资料支撑，标注“待补”；
- 不要写正文。

验收大纲时看两个指标：每条要点是否能对应到至少一条资料；相邻要点之间是否存在重复。发现重复就合并，发现“待补”就决定是补资料还是删掉这条。

第三步：分段展开，一次只写一节

进入正文阶段后，严格按二级标题逐节生成，每节单独一轮对话。这样做的直接好处是每节篇幅可控、重点集中。经验上，单个二级标题下的正文控制在 300 到 600 字比较合适，超过这个范围就该考虑拆分。

每节提示词里要固定几个要素：本节要点、可引用资料、目标字数、语气要求、以及一条“前文语气参考”。把已经定稿的上一节开头两段贴进去，模型会自然延续句长和用词习惯。

请只写这一节正文，不要写其他章节，不要写总结段。
本节要点：
1. ……
2. ……
可引用资料：{粘贴证据表相关行}
字数：约 400 字
语气：面向有基础的开发者，直接说明操作与限制，不用营销形容词
前文语气参考：{上一节开头两段}
约束：所有具体数字、版本号和引述必须来自上述资料；没有资料支撑的细节用“通常”“多数情况下”等限定表达，或直接省略。

写完一节就停下来读一遍。判断标准不是“读起来顺不顺”，而是“这一节有没有给出读者能用的信息”。如果整节都在解释概念而没有操作或判断依据，就退回要点层面重写。

第四步：事实校对要单独做一遍

分段生成会降低幻觉概率，但不会消除。校对必须作为独立环节，而且不能让同一个对话里“刚写完稿”的模型自我检查——它倾向于认为自己的表述没问题。

更有效的做法是新开一轮对话，只给它核查任务：

下面是一段文稿和一份资料清单。请逐句比对：
1. 列出所有包含具体数字、日期、版本号、机构名或直接引述的句子；
2. 对每句标注“资料支持”“资料未提及”“与资料冲突”；
3. 只输出问题清单，不要改写文稿。

拿到清单后，人工处理三类结果。“资料未提及”的句子最危险，它们读起来最自然，也最容易被读者当成事实。处理方式只有两种：找到来源补上，或者改成不含具体断言的表述。“与资料冲突”的句子直接按资料改写。

对于技术文章，还要额外核查可复现性：命令是否完整、参数名是否拼对、路径和配置文件格式是否与当前版本一致。这类错误模型自查很难发现，最好实际跑一遍，或对照官方文档逐项确认。

第五步：统一风格与收尾

全部章节写完后，把稿子合到一起通读，重点看三处：章节之间的过渡是否生硬、术语是否前后一致、同一概念是否用了不同叫法。这一步可以让模型做机械性检查，比如列出全文所有专业术语及出现次数，标出同义异名的情况。

过渡段建议人工写。模型补的过渡句往往是把上一节结论复述一遍，读多了很腻。人工写一两句承上启下的实句，效果明显更好。

最后是删减。分步生成的稿子容易在每节结尾多出一段小结，连续几节都这样会显得啰嗦。通读时把重复的总结段删掉，只保留真正推进论述的部分。

人工干预该放在哪几个点

这套流程不是让人全程盯屏，而是把精力集中在少数高价值节点上：

可以看到，模型承担的是归纳、展开和比对这类可结构化的工作，人负责取舍、判断和最终表述。把这条界线划清楚，长文写作的返工量会明显下降。

常见卡点与调整方向

• 每节都写不到字数：通常是大纲要点太抽象。把要点改成具体问题，比如把“介绍安装方式”改成“在 macOS 上装完依赖后，第一条验证命令是什么”。
• 各节语气不一致：检查提示词里的语气参考是否每轮都贴了，以及是否在同一对话里连续生成。跨对话生成时，风格参考要重新提供。
• 校对后改动很大：说明资料准备不足。回到第一步补证据表，比在正文里反复修补更省时间。
• 模型坚持补充没要求的内容：在提示词末尾固定加一条负面约束，明确禁止写总结、禁止写导语、禁止扩展未列出的要点。

想验证这套流程是否适合自己，可以拿一篇已经写完的旧文做反向测试：把它的二级标题拆出来，按上面的分段提示词重写其中一节，再和原文对比信息密度。如果重写版本的具体信息更多、空话更少，说明这套流程值得固定下来；如果差异不大，可能是选题本身资料不足，问题不在生成方式。