别用玄学写Prompt了，我用一套三层架构把AI写作变成了工程测试
很多人对AI写作的理解还停留在“玄学调参”阶段。
今天加一句“你要幽默风趣”，明天塞个“扮演资深专家”，后天再加一段冗长的背景设定。
最后跑出来的文章，依然像一份散发着工位班味儿的实习生周报——四平八稳绝对正确，但读起来毫无生气。
我是做开发转产品出身的，受不了这种黑盒里的祈祷。
把一段带有几十个形容词的自然语言扔给大模型，期望它能刚好给你“对的感受”，这是典型的业务灾难。
真正想把AI作为生产力核心组件，你就必须把“写文章”这件感性的、带有灵感色彩的事，降维、拆解成代码层级的系统工程。
过去几个月，我停掉了所有庞大的写作模型，基于Obsidian重构了一套具有绝对强制力的三层架构工作流。
它不再是一个“懂写作的机器人”，而是一条由严密规则、数据清洗管线和自动化测试套件组成的装配线。
目录
第一层：基础层 (Layer 1) —— 独裁底盘
第二层：应用层 (Layer 2) —— 模块化挂载与管线清洗
纯量继承的 tweet-writer 组件
Hook 拦截器：Humanizer 的暴力去油车间
第三层：流程层 (Layer 3) —— 全链路状态流转的 Obsidian Pipeline
全景自动化生态：用 API 接管边缘脏活
数据对齐与审计组件
生态挂载与脏活外包
第一层：基础层 (Layer 1) —— 独裁底盘
所有的系统调用，都必须建立在一个不可动摇的基础设施上。我剥离了所有特定场景的杂质，打造了一个基础。
它不教机器“如何写作”，不提供任何模板。
它的核心逻辑围绕着：人设基态注入与语料对齐、强类型约束以及异常阻断。
核心机制一：人设基态注入与全维知识库挂载
在施加任何规则之前，必须先给系统注入“灵魂”和“记忆”。
第一，人设配置。
我把自己那套身份标签，直接写进系统 Prompt 的底层。这保证了它所有发声点，都天然带着理性、锋利、追求逻辑闭环的底色。
第二，历史资产库对齐。
大模型默认是健忘且平庸的。所以我把过去沉淀的高质量文章和独立思考，打包成专属知识库挂载进去。在生成任何新内容前，基类都会先做检索，提取我历史的口吻、遣词习惯和思考框架。
这样不管遇到什么新话题，输出都像“我的大脑在发声”，而不是一个陌生 AI 在生搬硬套。
核心机制二：Anti-Patterns 反共识禁区与语法级拦截
绝大多数人写系统 Prompt，只会堆 Positive Prompt，也就是“你应该怎样写”。
但我发现，Negative Prompt，也就是“你绝不能怎样写”，约束力强一百倍。
所以我直接把禁区写进系统的最高执行层。
第一，AI 语言味清洗。
模型一写长文，就会自动滑向那套塑料连接词。
我建立了一个正则匹配库，一旦输出中捕获到 Additionally、Furthermore、In conclusion、It is worth noting 这类典型塑料词汇，底层就会直接判定为脏数据，强制重写段落。中文里，“综上所述”“不可否认”“毋庸置疑”也一样，全部锁死。
第二，语感阻断。
系统禁止使用模糊词态，比如“可能”“大概”“或许”，也禁止廉价网感词，比如“家人们”“懂的都懂”。一旦检测到，直接抛出ToneViolation。
第三，句式强制校验。
为了切断 AI 最爱的连词堆砌，我加了一条极硬的标尺：每个段落首句长度必须小于 15 个汉字。
核心机制三：Pressure Test 前置压力测试与自我对抗
在这个系统里，不存在未经推敲的单行道观点。
模型准备输出某段核心逻辑前，我会植入一个CoT钩子，强制它先写出这个观点的反方立论。
这跟软件开发里的单元测试是一回事。你得先拿最苛刻的 edge case 去撞主函数。
如果 AI 扮演的“反方杠精 / 行业专家”，能用更强的数据或逻辑把原始立论撕碎，也就是反方说服力权重大于原始论点权重，系统就自动抛弃这个想法。只有当正方防守成功，这段内容才有资格落笔。
这一步，直接掐死所有废话和显而易见的常识。
核心机制四：Evolution Log 跨周期自我进化循环
这是它和普通静态 Prompt 最大的分水岭。
大模型默认是无状态的。
你今天指出它一次错误，它下次照犯不误。
但这套基础层外挂了一份 evolution_log.md。
第一，拦截反馈。
当我对文章提出“太软、太废、太虚”的批评时，系统在修改正文的同时，必须并行向日志写入一条带时间戳和 action item 的记录。
第二，战前读取。
下一次长文任务启动时，底层会先加载这份日志，把里面沉淀下来的“绝对不能再犯的错误”和“最新语气偏好”重新注入上下文。
它不再是一段死脑筋提示词，而是一个拥有长期肌肉记忆的主脑。
第二层：应用层 Layer 2 —— 模块化挂载与管线清洗
基础底层打牢之后，应用层就变成纯粹的积木拼装。这一层严格遵循 DRY 原则。
纯量继承的 tweet-writer 组
写推文时，最蠢的做法，就是在推文 Prompt 里重新教一遍 AI“我是谁，我怎么说话”。
我的 tweet-writer 只是一个极轻量的应用实例。它直接继承底层设定，只额外挂载推文场景下的特殊插件。
第一，Hook 模板注入。
面对不同素材，脚本会动态分配 8 种高转化结构，比如 AIDA、PAS、BAB、Extreme，把论点塞进结构里，作为强类型数据载体。
第二，结构化输出管线。
作为国际化产品开发者，我强制模型直接输出 JSON：{"zh": "中文主帖", "en": "English Thread"}
这不是为了好看，而是为了直接接入后续自动化分发脚本。人不需要再复制粘贴，也不需要再手动翻译一遍。
Hook 拦截器：Humanizer 的暴力去油车间
即便有了底层约束，最新的大模型，比如 GPT-5.4，依然有一种改不掉的“维基百科腔”。
所以在数据最终流出应用层之前，必须经过一个叫 humanizer 的后置清洗滤镜。它基于一份长达五十页的《AI 写作特征识别手册》构建。
第一，打碎机械对称。
大模型极度偏爱“不仅仅是 A，而且是 B”这种对称排比。检测到这种过于工整的句式，humanizer 就会强行把它打碎，改成一句带颗粒感的单句。
第二，切除过载定语。
如果一句话后面拖着复杂的 -ing 结构，或者出现“象征着……”“彰显了其深刻意义”这种尾巴，就说明模型又在强行升华。系统会自动扫描并切掉这些没有信息量的废话结尾。
第三层：外围生态层 Layer 3 —— 从写作单点到自动化全景防御
真正的系统架构，不应该只盯着单一文本生成。它必须像微服务集群一样，在外挂管线里处理所有边缘异常。
核心写作输出完成后，工作流会自动进入第三方脏活处理节点。
1.数据对齐与强力审计
Fact-Checker，事实防火墙。
在这个伪造文献和错引数据满天飞的时代，所有硬数据都是高风险资产。这个组件会在完稿时静默唤醒，自动提取文章里所有数字、年份，甚至投资人的一句话，然后强行调用 WebSearch，到权威页面做交叉核验。
它不负责给修改意见，它只输出一份 JSON 或 Markdown 核查报告，对每一处断言标注风险等级：高、中、低。
News-Selector，信息策展人。
在最上游素材池里，我挂了一个独立 Agent。它每天自动进数据库捞出 Top 5 候选事件，再触发 WebSearch 去抓 Hacker News、TechCrunch 上下文，压缩成最干燥的信息包，供下一轮长文调度。
2.多面挂载与输出末端代理
twitter-engage
扫描时间线，判定情绪，套框架，输出高赞回复草稿。把被动发推变成主动狙击。
typefully-scheduler
完稿后的推文线程，通过 API 自动推送进发送队列。
通用处理口
如果丢给系统一个三万字文档或者超长播客，summarize 会先把它碾成提纲
如果文章卡在视觉表达上，就调用 nanobanana，生成视觉草图。
不要做工具的搬运工，要做管线的架构师。
把你极度抗拒的“啰嗦”“鸡汤”“温室观点”，变成代码里的绝对报错；把你推崇的“短促”“锋利”“真实”，变成工作流里的基础参数。
把所有玄学剥离干净之后，AI 依然写不出文豪级的惊世之作。
但它会变成那个在无限算力下，冷酷、高效、稳定、永不翻车的最强主脑。
