问小白 5 Pro 输出内容时，模型按 token 采样，不是按文字字符计数。中文字符与 token 不是一一对应关系，所以提示词里的“800 字”不会直接换算成 800 个字符。实际操作时可以把字数目标当作期望区间处理，先通过提示词表达目标，再用外部工具统计字符数，验证后决定是保留结果还是重生成。

先从生成机制判断字数约束

问小白 5 Pro 这类生成模型的输出长度由上下文窗口、采样参数和提示词共同影响。提示词里的“写 800 字”对模型来说是软性指引，不是精确约束；模型会按照训练语料里“800 字左右”的分布来组织文本，但误差会随文本长度累积。因此在动手之前先确认场景：如果内容是要排版印刷或提交给客户，字数偏差需要控制在很小的范围内，就必须分段生成并用脚本统计；如果只是知识问答或内部说明，目标字数的容忍度可以放宽。

另一个需要明确的点是“字”的口径。中文场景通常按字符数算，而模型内部按 token 算。相同字数下的 token 数量会因标点、数字、英文混合而不同，所以不建议直接用 max_tokens 或生成长度参数换算目标字数。把字数校验放在生成完成之后，比放在生成参数里更可靠。

可执行的设定方法和顺序

推荐的设定顺序是：先写“目标字数 + 容差 + 结构限制”的提示词，如果一次生成的长度偏离明显，再拆成小节请求，最后用外部计数器验证。这样每一步都可以单独调整，不必反复重试整篇生成。

一个适合直接复制修改的提示词模板：

请写一篇客服工作台使用说明，全文目标 900 字，允许上下浮动约一成。结构依次是：登录方式、工单创建、分配规则、超时处理。每个章节用 150-200 字写完，不要额外加背景介绍。

这里同时给出了全文目标、容差和章节范围。模型在生成后续内容时会参照这个边界，比单纯写“写 900 字”更稳定。如果文章更长，也可以先让模型输出 JSON 结构，再逐节生成：

{
  "sections": [
    {"title": "登录方式", "target_chars": 150},
    {"title": "工单创建", "target_chars": 200},
    {"title": "分配规则", "target_chars": 200},
    {"title": "超时处理", "target_chars": 150}
  ]
}

拿到这个 JSON 后，按每个 section 单独请求生成，最后拼接。这样做的代价是多几次调用，但好处是重试成本低：哪一节偏离目标，就只重生成那一节。

生成结果的字数验证

生成完文本后，需要把内容复制到本地统计字符数。在 Linux 或 macOS 终端里可以用 wc -m，在 Python 里用 len() 统计更稳定。下面两种方式都可以用来核验：

wc -m output.txt
python3 -c "import sys; print(len(open(sys.argv[1], encoding='utf-8').read()))" output.txt

wc -m 的统计结果依赖终端 locale，UTF-8 环境通常没问题；Python 的 len() 按 Unicode 字符数统计，对中文更直接。如果实际字数和目标偏离超过预先设好的容差，先看是整体偏离还是某一段偏离，尽量定位到段落再处理。

偏离较大时的回退办法

字数偏差不一定要重新生成。只差几十字时，可以在小节末尾补一句自然的承接句，或在相邻段落之间加一个短过渡段；超出较多时，优先删除重复示例、列举项和修饰性形容词，这些内容不影响核心信息。

如果多次生成都不稳定，可以把硬字数要求换成结构配比：比如设定各章节的比例而不是具体字符数，然后在排版阶段统一调整。这样既能保住内容结构，也不需要反复消耗生成次数。

一句话总结：问小白 5 Pro 对字数的控制是软的，不是为了精确计数的。设定字数的正确流程是先在提示词里给区间，再分节生成，最后用外部脚本验证和微调。