最近有一个案例在中文互联网上流传得很广一位美国网约车司机在接单间隙写诗4 个小时赚了 130 美元折合人民币约 1000 元。很多人看到这个数字的第一反应是把它当成“副业神话”或者“文化差异”来讨论。但技术从业者应该看到一个更本质的信号内容生产的单位成本已经低到可以让一个没有文字功底的人在碎片时间里完成创作并拿到回报。这种变化不是某个写作平台的功劳也不是“写诗”这个品类突然变得值钱而是 AI 文本生成工具把“从零到一”的初稿成本降到了接近于零。真正决定收入上限的已经变成选题判断、审美筛选和分发能力。这篇文章会把“网约车司机写诗赚 130 美元”这个案例拆开落到一套可执行的方法上。内容包括AI 写作工具怎么选、提示词怎么写、批量生产时如何控制质量、发布和变现要注意哪些合规问题以及从开发者视角看这类需求背后有哪些值得做的工程机会。1. 这类收入案例的本质是什么先回到那个数据本身。130 美元、4 小时、约 1000 元人民币这三个数字组合在一起很容易让人产生“我也行”的冲动。但这里真正值得分析的不是单位时间收益而是这笔收入背后的内容生产机制。写诗本身是一个低频需求。它不像外卖、打车、保洁那样每天都有稳定的市场。一台网约车一天能接几十单但一个普通人在一天里几乎不会产生“需要一首诗”的需求。那为什么有人能靠这个赚到钱答案在于写诗只是一种具体形态它背后代表的“定制化文字服务”是高频需求。朋友圈文案、纪念日表白、广告语、短视频脚本、品牌故事、歌词填词、产品介绍……所有这些本质上都是“用文字完成一次表达”。过去完成这类任务需要两样东西写作能力以及足够多的时间。没有写作能力的人写一首 20 行的诗可能需要一整天有写作能力但没时间的人同样无法把这项技能变成稳定的收入。AI 文本生成模型改变了这个过程。当模型可以在几十秒内产出第一版初稿时创作者的唯一任务变成了“判断”哪一个版本的情绪更准确、语言更精炼、更适合当前平台。判断的成本远低于创作的成本而判断能力可以通过一次次反馈快速提升。所以这个案例的本质是“人机协作的内容生产”正在替代“纯人工内容生产”。它不是普通人突然变得更有才华而是工具把创作门槛拉低之后原本被隐藏的需求被释放了出来。当然这里也要泼一盆冷水不是每个人复制这套做法都能拿到同样的收入。平台流量、需求匹配、个人审美、运气成分都是重要变量。能看到的“月入过万”案例往往是从大量尝试者里筛选出来的幸存者。AI 工具降低的是创作成本不是市场竞争难度。2. AIGC 内容生产的核心概念与适用场景要把这套方法讲清楚先要理解几个基础概念。AIGC全称是 Artificial Intelligence Generated Content即“人工智能生成内容”。它不是一个单一的 AI 技术而是一类应用的统称用 AI 自动或辅助生成文字、图片、音频、视频等内容。我们这里讨论的文字生成主要依赖大语言模型LLM。大语言模型的原理不复杂它根据已有的上下文逐个预测下一个最可能出现的文本单元。这个单元称为 Token一个 Token 可以是一个字、一个词或一个标点。模型训练时读了海量文本学到的是语言中的统计规律和知识沉淀。用户输入一段文字模型输出另一段文字这个过程在技术上叫“推理”。使用大模型时有几个参数需要理解参数作用通俗解释System Prompt系统提示词设定模型回答的整体身份和规则相当于给临时员工发一份岗位说明书Temperature控制输出的随机性取值范围一般为 0 到 2值越低越保守稳定值越高越有创意但也更容易跑偏Top P控制候选词范围相当于只从前几个概率最高的词里选值越小越保守Max Tokens限制回答最大长度相当于限定交稿字数提示词工程Prompt Engineering是这一套技术里的关键技能。它不是“魔法词拼接”而是把任务目标拆解成模型能理解的指令角色、任务、约束、输入、输出格式。提示词写得好不好直接影响生成质量。那么这类内容生产到底适合做什么基于当前主流模型的水平可以做一个简单判断任务类型是否适合 AI 辅助主要原因短诗、文案、广告语适合表达自由度高审美判断交给人类短视频脚本、口播稿适合有明确结构框架模型容易生成公众号长文初稿适合可以帮搭骨架但事实和观点需要人工补充新闻报道、财经分析高风险涉及事实核查AI 可能编造医疗、法律建议高风险涉及人身权益必须由专业人员把关正式合同、授权文件不推荐法律效力与规范性要求极高不能用 AI 生成这一步的判断决定了后续整套工作流的设计边界。做内容生产工具时与其做一个“全能的写手”不如先聚焦一个垂直场景。3. 工具选型与环境准备要跑通 AI 写作工作流首先需要把环境搭好。这里以一个常见的最小技术方案为例Python 调用大模型 API批量生成文案并输出结果。语言环境建议使用 Python 3.9 及以上版本具体版本以本机环境为准。依赖管理推荐使用 venv 或 conda避免污染系统环境。模型选择方面中文场景可以优先考虑国内可正常访问的大模型服务例如通义千问、文心一言、DeepSeek、智谱 GLM 等如果想要完全本地化运行也可以考虑 Ollama 部署开源模型。不同服务的接入方式略有差异但整体流程一致注册账号、获取 API Key、调用接口。下面以一个兼容 OpenAI 接口格式的服务为例演示环境搭建过程。3.1 创建项目目录与虚拟环境mkdir ai-content-studio cd ai-content-studio python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate3.2 安装依赖创建一个requirements.txt文件内容如下openai1.0.0 python-dotenv1.0.0 pandas2.0.0然后执行安装pip install -r requirements.txt3.3 配置 API Key不建议把密钥直接写在代码里。推荐使用环境变量或创建.env文件来保存# .env API_BASEhttps://api.example.com/v1 API_KEYyour_api_key_here MODEL_NAMEyour_model_name_here这里要特别提醒API Key 等同于账号密码不要提交到 Git 仓库不要随手发到技术群里。如果使用 GitHub务必把.env加进.gitignore。一旦发现泄露应立即在控制台吊销并重新生成。3.4 验证连接写一个最简单的测试脚本确认 API 连通# test_connection.py import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(API_KEY), base_urlos.getenv(API_BASE), ) response client.chat.completions.create( modelos.getenv(MODEL_NAME), messages[ {role: system, content: 你是一个文案助手。}, {role: user, content: 请用一句话介绍你自己。}, ], temperature0.7, ) print(response.choices[0].message.content)运行命令python test_connection.py如果正常输出一段文本说明环境已经就绪。4. 用提示词工程完成 AI 写作的最小工作流环境搭好之后接下来是整个流程中最重要的环节提示词设计。很多第一次接触 AI 写作的人会直接输入一句“帮我写首诗”然后抱怨效果差。这不是模型不行而是任务描述不够具体。以“写一首现代短诗”为例一个可用的系统提示词可以这样设计# 角色 你是一位擅长现代诗歌创作的编辑作品风格克制、语言干净、意象清晰。 # 任务 根据用户输入的主题创作一首中文短诗。 # 规则 1. 字数控制在 80 到 120 字之间。 2. 不要使用陈词滥调避免“月亮像银盘”这类比喻。 3. 不要直接解释主题使用意象让读者自行感受。 4. 输出格式先给出诗名再给出正文。 5. 如果用户对风格有额外要求优先满足用户要求。用户输入对应的示例主题网约车司机在深夜收车 额外要求希望有一种疲惫但温暖的感觉模型可能会生成类似下面的输出诗名收车 路灯把影子拉成一截一截 手机屏幕暗下去 乘客的名字像退潮的贝壳 后视镜里 城市慢慢变轻 钥匙转动的声音 是今天最后一首没有唱完的歌这里要强调AI 生成的第一版通常只能达到“及格线”。真正让作品变得可用的是后续的人工筛选和修改。不要指望模型一次生成就能直接发布正确的姿势是先快速拿到多个候选再由人做判断。在调用参数上temperature对诗歌类创作的影响比较明显。追求稳定输出时设低一点比如 0.6希望模型大胆联想时设高一点比如 0.9。但注意temperature过高会导致语句碎片化甚至出现语无伦次。实际项目中可以先固定一个默认值再根据人工反馈调整。5. 批量生成与基础质量筛选的 Python 实现单人创作不需要批量生成但一旦想测试多个主题、多个风格或者打算把这件事做成一个稳定的小工具批量生成就是必须的。下面给出一个可扩展的 Python 脚本它做的事情是读取一个主题列表。对每个主题调用模型生成 3 个候选版本。做基础过滤长度是否合理、是否出现重复内容。把结果保存为 JSON 文件方便后续人工审核。# batch_generate.py import json import os import time from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(API_KEY), base_urlos.getenv(API_BASE), ) SYSTEM_PROMPT 你是一位擅长现代诗歌创作的编辑作品风格克制、语言干净、意象清晰。 根据用户输入的主题创作一首中文短诗。 字数控制在 80 到 120 字之间。 不要使用陈词滥调。 输出格式先给出诗名再给出正文。 TOPICS [ 深夜便利店, 雨天的通勤地铁, 第一次做菜的厨房, 老城区的早餐摊, ] def generate_one(topic: str, candidate_index: int) - dict: response client.chat.completions.create( modelos.getenv(MODEL_NAME), messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: f主题{topic}\n这是第 {candidate_index 1} 个候选版本请换一个完全不同的切入角度。}, ], temperature0.8, max_tokens300, ) return { topic: topic, candidate_index: candidate_index 1, content: response.choices[0].message.content, } def is_valid(item: dict) - bool: content item[content] # 长度过滤 if len(content) 30 or len(content) 500: return False # 简单去重连续两次生成完全相同内容说明模型陷入了重复 return True def main(): results [] seen set() for topic in TOPICS: for i in range(3): try: item generate_one(topic, i) if is_valid(item) and item[content] not in seen: seen.add(item[content]) results.append(item) time.sleep(0.5) # 避免请求过快 except Exception as e: print(f主题 {topic} 第 {i1} 个候选生成失败: {e}) with open(output.json, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) print(f生成完成共 {len(results)} 个有效候选已保存到 output.json) if __name__ __main__: main()运行命令python batch_generate.py预期输出生成完成共 12 个有效候选已保存到 output.json这个脚本只是一个最小实现。实际工程中可以继续扩展以下能力增加人工评分字段在 JSON 中记录“是否采用”。增加并发请求用ThreadPoolExecutor缩短整体耗时。增加缓存层同一主题和提示词在一段时间内不重复请求。增加敏感词过滤内容发布前自动检查和打标。用数据库取代 JSON 文件方便多人协作审核。需要警惕的是批量生成意味着批量出错的风险。模型偶尔会生成包含事实错误、偏见表述或敏感内容的结果所以人工审核环节绝不能省略。这也是为什么“AI 完全自动生成并发布”不是一个负责任的方案。6. 内容发布、变现与合规问题先回到那个让人心动的数字4 小时 130 美元。如果把它简化成“AI 写诗赚钱”等于忽略了这个链条里的其他环节。真实收入取决于三个变量需求从哪来、内容如何触达用户、交易如何完成。可能的路径包括在内容平台接单、销售定制化文案服务、经营一个垂直主题的内容账号、为特定行业提供批量文案工具。每一种路径对“AI 生成”的处理方式都不一样平台规则也在变化。这里重点讲合规风险因为它比变现路径更值得先搞清楚。6.1 版权归属AI 生成内容的版权归属在全球范围内仍是一个争议话题。不同平台、不同司法辖区可能有不同规定。发布前需要确认目标平台是否允许 AI 生成内容以及是否要求标注“AI 生成”。从职业操守角度建议在对外发布时明确标注内容由 AI 辅助完成避免给读者造成误导。6.2 平台规则很多内容平台对“批量发布”“同质化内容”“搬运内容”有严格限制。用 AI 生成大量相似内容再配上夸张标题获取流量属于平台明令禁止的违规行为。轻则限流重则封号。更严重的是如果内容涉及虚假信息或诱导消费还可能违反广告法。6.3 隐私与数据安全在提示词中输入用户信息时不要把家庭住址、联系方式、身份证号、银行卡号等隐私数据发给模型。大模型服务商会记录 API 请求数据这是一个必须正视的事实。处理第三方需求时应遵守最小化原则只提供完成任务所需的信息。6.4 对开发者的工程机会这个案例也给开发者提供了一个观察窗口大量非技术背景的人开始尝试用 AI 做内容但他们缺的不是账号和教程而是一套顺手的工具。例如面向垂直场景的提示词模板管理工具。内容生成后的批量审核与编辑工作台。多平台发布与数据反馈追踪系统。针对某一内容品类的本地模型微调方案。这些工具的共同点是把“提示词 模型调用 质量控制 合规检查”沉淀成标准流程。做成一款 SaaS 可能比较复杂但先在团队内部或者一个小社群内实现闭环是可行的起点。7. 常见问题与排查思路在实践 AI 写作工作流时会遇到一些高频问题。下面整理成表格方便按图索骥排查。问题现象可能原因排查方式解决方案API 返回 401 或 403API Key 错误、已过期、无相应模型权限检查.env配置确认账户余额和模型权限重新生成 API Key确认模型名正确请求超时或频繁失败网络不稳定或触发了服务商限流查看服务商文档中的限流策略检查错误日志中的具体状态码增加重试与退避机制控制请求并发数生成内容空洞、缺少细节提示词没有给足约束和示例检查系统提示词是否包含角色、任务、规则、输出格式增加风格示例补充负面约束降低 temperature多个候选内容重复模型陷入固定模式temperature 过低提高 temperature增加候选之间的差异化要求在用户输入中强调“换一个角度”或对同一主题分多次生成JSON 输出解析失败模型返回了多余文本或格式不规范打印原始响应观察是否包含代码块或额外说明在提示词中明确要求“只输出 JSON不要解释”使用 JSON Mode成本增长超出预期没有缓存请求次数过多模型参数过大统计单条内容平均 token 消耗增加缓存批量复用 prompt选择成本更低的模型内容包含敏感词或事实错误模型幻觉或提示词缺少安全约束建立敏感词表人工抽查生成结果设置系统安全规则增加人工审核步骤必要时接入内容安全 API补充一点不要忽视日志。每次请求的模型名、prompt 版本、temperature、token 消耗、响应耗时、人工是否采纳都应该记录下来。这些数据是后续优化提示词和成本控制的基础。没有日志的 AI 应用出了问题只能靠猜。8. 最佳实践与工程建议从“能跑”到“跑得稳”中间隔着一套工程纪律。以下几点是实际项目中比较容易被忽略、但价值很高的实践。8.1 把提示词当成代码来管理提示词会频繁迭代。建议为每个版本的提示词标注版本号并在 Git 里保存历史记录。记录内容不仅包括提示词本身还包括它在哪些主题上表现好、哪些主题上表现差。这样当模型更新导致行为变化时可以快速回退到历史版本。8.2 建立内容生产流水线一次完整的 AI 内容生产可以拆解为选题池 → 生成候选 → 自动过滤 → 人工审核 → 发布 → 数据回收。每一环节的输出都是下一个环节的输入。不要跳过自动过滤也不要让人工审核流于形式。数据回收尤其重要哪条内容被读者接受了哪条没有这些信息要回流到选题池和提示词迭代中。8.3 控制成本的三个手段缓存相同的主题和提示词不要重复请求。模型选择简单任务用轻量模型复杂任务用强模型。长度控制通过max_tokens限制输出长度避免模型“话痨”。8.4 遵守内容安全底线无论做什么品类都应该在生成和发布之间设置安全闸门。至少包括敏感词过滤、个人隐私信息检测、明显事实错误抽查。对涉及金融、医疗、法律等专业领域的内容必须由具备资质的人员审核不要依赖模型输出直接发布。8.5 人机协作的正确姿势AI 的角色是“初稿生成器”和“思路发散器”不是“最终署名作者”。最终内容需要有人来把握风格、核实事实、承担责任。在实际协作中更推荐“AI 生成 3 个版本人类挑 1 个并修改 20%”的流程而不是“AI 生成 1 版直接用”。前者产出质量稳定后者短期内看起来快长期会积累大量同质化内容损害账号和品牌价值。9. 总结下一个机会在“垂直工作流”回到开头那个案例。美国网约车司机靠写诗赚钱这件事真正值得关注的价值不是“写诗”这个品类而是它展示了一套新的内容生产公式工具链 方法流程 平台分发 个人审美 收入其中工具链已经非常成熟平台分发也在不断演进。大部分普通创作者缺的不是 AI 工具而是把“灵感 → 生成 → 筛选 → 发布 → 迭代”跑通的能力。这恰好是开发者可以介入的地方。如果你也想尝试建议不要从“我要做一个写诗平台”这个宏大想法开始。更务实的路径是先选一个自己最熟悉的垂直内容场景比如周报、产品文案、短视频脚本、电商商品描述然后跑通一条包含 30 条以上内容的批量生产流程记录质量和成本再判断要不要工具化。这个过程中积累的提示词、质量标准和审核经验才是比任何单一工具都值钱的东西。收藏这篇文章把你手头最重复、最消耗时间的写作任务列出来挑一个试试看。用 AI 不是为了省掉思考而是为了把有限的思考留给真正重要的判断。 AI内容生产新范式：网约车司机写诗赚130美元背后的AIGC与提示词工程
最近有一个案例在中文互联网上流传得很广一位美国网约车司机在接单间隙写诗4 个小时赚了 130 美元折合人民币约 1000 元。很多人看到这个数字的第一反应是把它当成“副业神话”或者“文化差异”来讨论。但技术从业者应该看到一个更本质的信号内容生产的单位成本已经低到可以让一个没有文字功底的人在碎片时间里完成创作并拿到回报。这种变化不是某个写作平台的功劳也不是“写诗”这个品类突然变得值钱而是 AI 文本生成工具把“从零到一”的初稿成本降到了接近于零。真正决定收入上限的已经变成选题判断、审美筛选和分发能力。这篇文章会把“网约车司机写诗赚 130 美元”这个案例拆开落到一套可执行的方法上。内容包括AI 写作工具怎么选、提示词怎么写、批量生产时如何控制质量、发布和变现要注意哪些合规问题以及从开发者视角看这类需求背后有哪些值得做的工程机会。1. 这类收入案例的本质是什么先回到那个数据本身。130 美元、4 小时、约 1000 元人民币这三个数字组合在一起很容易让人产生“我也行”的冲动。但这里真正值得分析的不是单位时间收益而是这笔收入背后的内容生产机制。写诗本身是一个低频需求。它不像外卖、打车、保洁那样每天都有稳定的市场。一台网约车一天能接几十单但一个普通人在一天里几乎不会产生“需要一首诗”的需求。那为什么有人能靠这个赚到钱答案在于写诗只是一种具体形态它背后代表的“定制化文字服务”是高频需求。朋友圈文案、纪念日表白、广告语、短视频脚本、品牌故事、歌词填词、产品介绍……所有这些本质上都是“用文字完成一次表达”。过去完成这类任务需要两样东西写作能力以及足够多的时间。没有写作能力的人写一首 20 行的诗可能需要一整天有写作能力但没时间的人同样无法把这项技能变成稳定的收入。AI 文本生成模型改变了这个过程。当模型可以在几十秒内产出第一版初稿时创作者的唯一任务变成了“判断”哪一个版本的情绪更准确、语言更精炼、更适合当前平台。判断的成本远低于创作的成本而判断能力可以通过一次次反馈快速提升。所以这个案例的本质是“人机协作的内容生产”正在替代“纯人工内容生产”。它不是普通人突然变得更有才华而是工具把创作门槛拉低之后原本被隐藏的需求被释放了出来。当然这里也要泼一盆冷水不是每个人复制这套做法都能拿到同样的收入。平台流量、需求匹配、个人审美、运气成分都是重要变量。能看到的“月入过万”案例往往是从大量尝试者里筛选出来的幸存者。AI 工具降低的是创作成本不是市场竞争难度。2. AIGC 内容生产的核心概念与适用场景要把这套方法讲清楚先要理解几个基础概念。AIGC全称是 Artificial Intelligence Generated Content即“人工智能生成内容”。它不是一个单一的 AI 技术而是一类应用的统称用 AI 自动或辅助生成文字、图片、音频、视频等内容。我们这里讨论的文字生成主要依赖大语言模型LLM。大语言模型的原理不复杂它根据已有的上下文逐个预测下一个最可能出现的文本单元。这个单元称为 Token一个 Token 可以是一个字、一个词或一个标点。模型训练时读了海量文本学到的是语言中的统计规律和知识沉淀。用户输入一段文字模型输出另一段文字这个过程在技术上叫“推理”。使用大模型时有几个参数需要理解参数作用通俗解释System Prompt系统提示词设定模型回答的整体身份和规则相当于给临时员工发一份岗位说明书Temperature控制输出的随机性取值范围一般为 0 到 2值越低越保守稳定值越高越有创意但也更容易跑偏Top P控制候选词范围相当于只从前几个概率最高的词里选值越小越保守Max Tokens限制回答最大长度相当于限定交稿字数提示词工程Prompt Engineering是这一套技术里的关键技能。它不是“魔法词拼接”而是把任务目标拆解成模型能理解的指令角色、任务、约束、输入、输出格式。提示词写得好不好直接影响生成质量。那么这类内容生产到底适合做什么基于当前主流模型的水平可以做一个简单判断任务类型是否适合 AI 辅助主要原因短诗、文案、广告语适合表达自由度高审美判断交给人类短视频脚本、口播稿适合有明确结构框架模型容易生成公众号长文初稿适合可以帮搭骨架但事实和观点需要人工补充新闻报道、财经分析高风险涉及事实核查AI 可能编造医疗、法律建议高风险涉及人身权益必须由专业人员把关正式合同、授权文件不推荐法律效力与规范性要求极高不能用 AI 生成这一步的判断决定了后续整套工作流的设计边界。做内容生产工具时与其做一个“全能的写手”不如先聚焦一个垂直场景。3. 工具选型与环境准备要跑通 AI 写作工作流首先需要把环境搭好。这里以一个常见的最小技术方案为例Python 调用大模型 API批量生成文案并输出结果。语言环境建议使用 Python 3.9 及以上版本具体版本以本机环境为准。依赖管理推荐使用 venv 或 conda避免污染系统环境。模型选择方面中文场景可以优先考虑国内可正常访问的大模型服务例如通义千问、文心一言、DeepSeek、智谱 GLM 等如果想要完全本地化运行也可以考虑 Ollama 部署开源模型。不同服务的接入方式略有差异但整体流程一致注册账号、获取 API Key、调用接口。下面以一个兼容 OpenAI 接口格式的服务为例演示环境搭建过程。3.1 创建项目目录与虚拟环境mkdir ai-content-studio cd ai-content-studio python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate3.2 安装依赖创建一个requirements.txt文件内容如下openai1.0.0 python-dotenv1.0.0 pandas2.0.0然后执行安装pip install -r requirements.txt3.3 配置 API Key不建议把密钥直接写在代码里。推荐使用环境变量或创建.env文件来保存# .env API_BASEhttps://api.example.com/v1 API_KEYyour_api_key_here MODEL_NAMEyour_model_name_here这里要特别提醒API Key 等同于账号密码不要提交到 Git 仓库不要随手发到技术群里。如果使用 GitHub务必把.env加进.gitignore。一旦发现泄露应立即在控制台吊销并重新生成。3.4 验证连接写一个最简单的测试脚本确认 API 连通# test_connection.py import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(API_KEY), base_urlos.getenv(API_BASE), ) response client.chat.completions.create( modelos.getenv(MODEL_NAME), messages[ {role: system, content: 你是一个文案助手。}, {role: user, content: 请用一句话介绍你自己。}, ], temperature0.7, ) print(response.choices[0].message.content)运行命令python test_connection.py如果正常输出一段文本说明环境已经就绪。4. 用提示词工程完成 AI 写作的最小工作流环境搭好之后接下来是整个流程中最重要的环节提示词设计。很多第一次接触 AI 写作的人会直接输入一句“帮我写首诗”然后抱怨效果差。这不是模型不行而是任务描述不够具体。以“写一首现代短诗”为例一个可用的系统提示词可以这样设计# 角色 你是一位擅长现代诗歌创作的编辑作品风格克制、语言干净、意象清晰。 # 任务 根据用户输入的主题创作一首中文短诗。 # 规则 1. 字数控制在 80 到 120 字之间。 2. 不要使用陈词滥调避免“月亮像银盘”这类比喻。 3. 不要直接解释主题使用意象让读者自行感受。 4. 输出格式先给出诗名再给出正文。 5. 如果用户对风格有额外要求优先满足用户要求。用户输入对应的示例主题网约车司机在深夜收车 额外要求希望有一种疲惫但温暖的感觉模型可能会生成类似下面的输出诗名收车 路灯把影子拉成一截一截 手机屏幕暗下去 乘客的名字像退潮的贝壳 后视镜里 城市慢慢变轻 钥匙转动的声音 是今天最后一首没有唱完的歌这里要强调AI 生成的第一版通常只能达到“及格线”。真正让作品变得可用的是后续的人工筛选和修改。不要指望模型一次生成就能直接发布正确的姿势是先快速拿到多个候选再由人做判断。在调用参数上temperature对诗歌类创作的影响比较明显。追求稳定输出时设低一点比如 0.6希望模型大胆联想时设高一点比如 0.9。但注意temperature过高会导致语句碎片化甚至出现语无伦次。实际项目中可以先固定一个默认值再根据人工反馈调整。5. 批量生成与基础质量筛选的 Python 实现单人创作不需要批量生成但一旦想测试多个主题、多个风格或者打算把这件事做成一个稳定的小工具批量生成就是必须的。下面给出一个可扩展的 Python 脚本它做的事情是读取一个主题列表。对每个主题调用模型生成 3 个候选版本。做基础过滤长度是否合理、是否出现重复内容。把结果保存为 JSON 文件方便后续人工审核。# batch_generate.py import json import os import time from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(API_KEY), base_urlos.getenv(API_BASE), ) SYSTEM_PROMPT 你是一位擅长现代诗歌创作的编辑作品风格克制、语言干净、意象清晰。 根据用户输入的主题创作一首中文短诗。 字数控制在 80 到 120 字之间。 不要使用陈词滥调。 输出格式先给出诗名再给出正文。 TOPICS [ 深夜便利店, 雨天的通勤地铁, 第一次做菜的厨房, 老城区的早餐摊, ] def generate_one(topic: str, candidate_index: int) - dict: response client.chat.completions.create( modelos.getenv(MODEL_NAME), messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: f主题{topic}\n这是第 {candidate_index 1} 个候选版本请换一个完全不同的切入角度。}, ], temperature0.8, max_tokens300, ) return { topic: topic, candidate_index: candidate_index 1, content: response.choices[0].message.content, } def is_valid(item: dict) - bool: content item[content] # 长度过滤 if len(content) 30 or len(content) 500: return False # 简单去重连续两次生成完全相同内容说明模型陷入了重复 return True def main(): results [] seen set() for topic in TOPICS: for i in range(3): try: item generate_one(topic, i) if is_valid(item) and item[content] not in seen: seen.add(item[content]) results.append(item) time.sleep(0.5) # 避免请求过快 except Exception as e: print(f主题 {topic} 第 {i1} 个候选生成失败: {e}) with open(output.json, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) print(f生成完成共 {len(results)} 个有效候选已保存到 output.json) if __name__ __main__: main()运行命令python batch_generate.py预期输出生成完成共 12 个有效候选已保存到 output.json这个脚本只是一个最小实现。实际工程中可以继续扩展以下能力增加人工评分字段在 JSON 中记录“是否采用”。增加并发请求用ThreadPoolExecutor缩短整体耗时。增加缓存层同一主题和提示词在一段时间内不重复请求。增加敏感词过滤内容发布前自动检查和打标。用数据库取代 JSON 文件方便多人协作审核。需要警惕的是批量生成意味着批量出错的风险。模型偶尔会生成包含事实错误、偏见表述或敏感内容的结果所以人工审核环节绝不能省略。这也是为什么“AI 完全自动生成并发布”不是一个负责任的方案。6. 内容发布、变现与合规问题先回到那个让人心动的数字4 小时 130 美元。如果把它简化成“AI 写诗赚钱”等于忽略了这个链条里的其他环节。真实收入取决于三个变量需求从哪来、内容如何触达用户、交易如何完成。可能的路径包括在内容平台接单、销售定制化文案服务、经营一个垂直主题的内容账号、为特定行业提供批量文案工具。每一种路径对“AI 生成”的处理方式都不一样平台规则也在变化。这里重点讲合规风险因为它比变现路径更值得先搞清楚。6.1 版权归属AI 生成内容的版权归属在全球范围内仍是一个争议话题。不同平台、不同司法辖区可能有不同规定。发布前需要确认目标平台是否允许 AI 生成内容以及是否要求标注“AI 生成”。从职业操守角度建议在对外发布时明确标注内容由 AI 辅助完成避免给读者造成误导。6.2 平台规则很多内容平台对“批量发布”“同质化内容”“搬运内容”有严格限制。用 AI 生成大量相似内容再配上夸张标题获取流量属于平台明令禁止的违规行为。轻则限流重则封号。更严重的是如果内容涉及虚假信息或诱导消费还可能违反广告法。6.3 隐私与数据安全在提示词中输入用户信息时不要把家庭住址、联系方式、身份证号、银行卡号等隐私数据发给模型。大模型服务商会记录 API 请求数据这是一个必须正视的事实。处理第三方需求时应遵守最小化原则只提供完成任务所需的信息。6.4 对开发者的工程机会这个案例也给开发者提供了一个观察窗口大量非技术背景的人开始尝试用 AI 做内容但他们缺的不是账号和教程而是一套顺手的工具。例如面向垂直场景的提示词模板管理工具。内容生成后的批量审核与编辑工作台。多平台发布与数据反馈追踪系统。针对某一内容品类的本地模型微调方案。这些工具的共同点是把“提示词 模型调用 质量控制 合规检查”沉淀成标准流程。做成一款 SaaS 可能比较复杂但先在团队内部或者一个小社群内实现闭环是可行的起点。7. 常见问题与排查思路在实践 AI 写作工作流时会遇到一些高频问题。下面整理成表格方便按图索骥排查。问题现象可能原因排查方式解决方案API 返回 401 或 403API Key 错误、已过期、无相应模型权限检查.env配置确认账户余额和模型权限重新生成 API Key确认模型名正确请求超时或频繁失败网络不稳定或触发了服务商限流查看服务商文档中的限流策略检查错误日志中的具体状态码增加重试与退避机制控制请求并发数生成内容空洞、缺少细节提示词没有给足约束和示例检查系统提示词是否包含角色、任务、规则、输出格式增加风格示例补充负面约束降低 temperature多个候选内容重复模型陷入固定模式temperature 过低提高 temperature增加候选之间的差异化要求在用户输入中强调“换一个角度”或对同一主题分多次生成JSON 输出解析失败模型返回了多余文本或格式不规范打印原始响应观察是否包含代码块或额外说明在提示词中明确要求“只输出 JSON不要解释”使用 JSON Mode成本增长超出预期没有缓存请求次数过多模型参数过大统计单条内容平均 token 消耗增加缓存批量复用 prompt选择成本更低的模型内容包含敏感词或事实错误模型幻觉或提示词缺少安全约束建立敏感词表人工抽查生成结果设置系统安全规则增加人工审核步骤必要时接入内容安全 API补充一点不要忽视日志。每次请求的模型名、prompt 版本、temperature、token 消耗、响应耗时、人工是否采纳都应该记录下来。这些数据是后续优化提示词和成本控制的基础。没有日志的 AI 应用出了问题只能靠猜。8. 最佳实践与工程建议从“能跑”到“跑得稳”中间隔着一套工程纪律。以下几点是实际项目中比较容易被忽略、但价值很高的实践。8.1 把提示词当成代码来管理提示词会频繁迭代。建议为每个版本的提示词标注版本号并在 Git 里保存历史记录。记录内容不仅包括提示词本身还包括它在哪些主题上表现好、哪些主题上表现差。这样当模型更新导致行为变化时可以快速回退到历史版本。8.2 建立内容生产流水线一次完整的 AI 内容生产可以拆解为选题池 → 生成候选 → 自动过滤 → 人工审核 → 发布 → 数据回收。每一环节的输出都是下一个环节的输入。不要跳过自动过滤也不要让人工审核流于形式。数据回收尤其重要哪条内容被读者接受了哪条没有这些信息要回流到选题池和提示词迭代中。8.3 控制成本的三个手段缓存相同的主题和提示词不要重复请求。模型选择简单任务用轻量模型复杂任务用强模型。长度控制通过max_tokens限制输出长度避免模型“话痨”。8.4 遵守内容安全底线无论做什么品类都应该在生成和发布之间设置安全闸门。至少包括敏感词过滤、个人隐私信息检测、明显事实错误抽查。对涉及金融、医疗、法律等专业领域的内容必须由具备资质的人员审核不要依赖模型输出直接发布。8.5 人机协作的正确姿势AI 的角色是“初稿生成器”和“思路发散器”不是“最终署名作者”。最终内容需要有人来把握风格、核实事实、承担责任。在实际协作中更推荐“AI 生成 3 个版本人类挑 1 个并修改 20%”的流程而不是“AI 生成 1 版直接用”。前者产出质量稳定后者短期内看起来快长期会积累大量同质化内容损害账号和品牌价值。9. 总结下一个机会在“垂直工作流”回到开头那个案例。美国网约车司机靠写诗赚钱这件事真正值得关注的价值不是“写诗”这个品类而是它展示了一套新的内容生产公式工具链 方法流程 平台分发 个人审美 收入其中工具链已经非常成熟平台分发也在不断演进。大部分普通创作者缺的不是 AI 工具而是把“灵感 → 生成 → 筛选 → 发布 → 迭代”跑通的能力。这恰好是开发者可以介入的地方。如果你也想尝试建议不要从“我要做一个写诗平台”这个宏大想法开始。更务实的路径是先选一个自己最熟悉的垂直内容场景比如周报、产品文案、短视频脚本、电商商品描述然后跑通一条包含 30 条以上内容的批量生产流程记录质量和成本再判断要不要工具化。这个过程中积累的提示词、质量标准和审核经验才是比任何单一工具都值钱的东西。收藏这篇文章把你手头最重复、最消耗时间的写作任务列出来挑一个试试看。用 AI 不是为了省掉思考而是为了把有限的思考留给真正重要的判断。