AI智能生成实战：20行代码跑通文章生成，关键不在代码

很多人对“AI智能生成”的想象是一句话出爆款：输入标题，回车，文章自动写好、配图、发布。 现实是：模型能生成，但生成不等于可用。真正落地的关键，不是代码多复杂，而是约束够不够清楚、校验够不够硬、人工有没有把关。

一、先定四件事，再让AI写

让AI写文章前，至少说清：

1. 写给谁：职场人、学生、管理者，还是技术团队。
2. 目标是什么：科普、说服、汇报，还是引流。
3. 结构怎样：几节、每节多少字、要不要小标题。
4. 禁区是什么：不编数据、不碰敏感话题、不夸大效果。

提示越模糊，AI越会“自由发挥”。 而自由发挥，往往意味着幻觉、跑题、风格漂移。

二、最小闭环：大纲 → 分段 → 校验 → 人工

一个可落地的AI智能生成流程只有四步：

1. 生成结构化大纲；
2. 按节生成内容；
3. 自动校验长度、结构、敏感词；
4. 人工润色后发布。

核心原则：AI负责初稿，人负责判断。

三、少量代码：结构化生成一篇文章

下面这段代码只有十几行，但已经能跑通“生成 + 解析 + 校验”的最小闭环：

from openai import OpenAI
import json

client = OpenAI(api_key="sk-xxx", base_url="https://api.openai.com/v1")

def gen_article(topic: str) -> dict:
    prompt = f"""以《{topic}》为题写一篇800字文章。
要求：面向职场人，语气专业，分3节，每节有小标题。
只输出JSON：{{"title":"", "sections":[{{"heading":"", "content":""}}]}}
不要编造数据，不确定就写“需核实”。"""
    r = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.7,
    )
    data = json.loads(r.choices[0].message.content)
    assert len(data["sections"]) == 3
    assert all(len(s["content"]) > 100 for s in data["sections"])
    return data

代码只做三件事：调用模型、解析JSON、检查结构。 真正决定质量的，是提示里的约束和后面的校验规则。

四、生成之后，必须过五道关

AI生成的文章，发布前至少检查：

• 事实：有没有编造数据、案例、引用；
• 结构：是否按大纲走，有没有缺节；
• 语气：是否符合品牌和受众；
• 合规：有没有敏感词、绝对化用语；
• 可读性：有没有车轱辘话、空话、AI味。

高风险内容必须人工复核。 自动生成可以提效，但不能替代责任。

五、常见坑

• 提示太短，比如“写一篇好文章”；
• 不强制JSON，下游没法解析；
• 不校验事实，直接发布；
• 一次生成太长，后面越写越偏；
• 不保存提示词和版本，出问题无法回滚；
• 忽略成本，高频调用大模型账单失控。

更稳的做法是：小步生成、强校验、人工润色、保留记录。

六、总结

AI智能生成的价值，不是替你写完，而是帮你把初稿时间从两小时压到十分钟。 少量代码就能跑通闭环： 一个清晰提示、一次API调用、一套结构校验、一轮人工把关。