问小白 5 Pro 擅长铺开长文骨架、局部事实密度仍需人工补

文章导读
把长文交给问小白 5 Pro 时,先分清两件事:铺骨架是结构活,填事实是核对活。结构活可以让模型先跑,事实活必须在骨架阶段就标出来留给人工。判断依据不看模型说得多顺,而看三点:同一条需求给出的章节层级是否完整、举例是自动补还是留白、正文里出现的年份机构数字能不能指回一个可查的来源。前两点决定骨架能不能直接用,第三点决定成稿前还要返工多少。
📋 目录
  1. 一 用一段需求测出它在结构展开上的实际表现
  2. 二 在骨架阶段就标出需要外部资料的段落
  3. 三 给需查证的段落补上来源再回填
  4. 四 检查它自行补充的年份、机构、数字是否有出处
  5. 五 定稿前做一遍逐段的事实与措辞核对
A A

把长文交给问小白 5 Pro 时,先分清两件事:铺骨架是结构活,填事实是核对活。结构活可以让模型先跑,事实活必须在骨架阶段就标出来留给人工。判断依据不看模型说得多顺,而看三点:同一条需求给出的章节层级是否完整、举例是自动补还是留白、正文里出现的年份机构数字能不能指回一个可查的来源。前两点决定骨架能不能直接用,第三点决定成稿前还要返工多少。

用问小白 5 Pro 做长文,合理的分工是「骨架交给模型、事实交给人工」:先用一条真实需求跑一遍,看章节层级是否齐全、例子是自动补还是留空,据此决定能放手多少;骨架出来时逐节标注「可直出」或「需查证」,把核查前置;需查证的段落由人工补来源名称、口径、适用范围三项再回填;定稿前逐段扫年份、机构、数字,无出处的一律改写成范围描述或补来源。边界是:模型给出的具体名词与数字默认视为待核,不因表述通顺就采信。

用一段需求测出它在结构展开上的实际表现

不要拿「写一篇关于日志排查的文章」这种空需求去试,测不出边界。用一条你手头真实的长文需求,同一条需求跑两次:一次带「例子留空」的约束,一次不带,对比两次输出,观察章节层级和例子密度。下面这段可以直接放进对话框,替换主题和读者描述即可。

请按下面的需求给我一份长文骨架,只给骨架不要成文:
主题:面向内部新同事的日志排查入门
读者:有 Linux 基础,但不熟悉我们系统的日志布局
篇幅:6 个小节左右
要求:每节给标题 + 一句话说明这节解决什么问题;
需要举例的地方先留空,用【例子待补】标出,不要自己编例子。

读结果时看这几项,通常能较快分出能力边界:

  • 层级完整性:一级标题是否覆盖了需求里的全部要素,二级是否为一级服务而不是平行罗列;缺哪一类,说明这类结构需要你在提示词里点名。
  • 顺序合理性:小节之间是否有推进关系,还是把六个互不相干的点并排放着。
  • 是否自动补例子:带「例子留空」约束时仍插入例子的,说明模型倾向用举例填充篇幅,成稿后要把这些例子当作高风险段落。
  • 举例的具体程度:「某系统某次故障」这类占位式举例问题不大,出现具体年份、具体机构名的举例要单独挑出来核。

两次跑完,大致能判断哪些章节可以交给模型一次成型,哪些章节必须自己出素材。需要结合你实际文档规范确认的部分,不要靠模型自述。

在骨架阶段就标出需要外部资料的段落

骨架定下来之后、扩写之前,先做一遍标注。做法很朴素:把骨架复制到编辑器,在每节标题后面加一个标记,只分两类——可直出(内容来自通用方法、流程、判断逻辑,写错也不至于误导)和需查证(涉及内部规范、具体年份、机构名称、统计数据、版本号)。

问小白 5 Pro 擅长铺开长文骨架、局部事实密度仍需人工补
1. 日志从哪里产生【可直出】
2. 级别取舍与保留周期【需查证:内部日志规范名称、保留周期口径】
3. 一次完整的排查路径【可直出】
4. 常见误判与踩坑【需查证:内部复盘记录,需给出条目范围】
5. 交接时该写什么【可直出】
6. 工具与命令清单【需查证:内部环境里实际可用的版本】

标注的价值在于把返工点定死。成稿后再发现某节事实不实,往往要连带改上下文;在骨架阶段标出来,扩写时就能对需查证的段落先写占位、后回填,其余段落直接推进。标注也可以反过来喂给模型:把「需查证」的段落单独说清楚「这部分只写结构,不要给具体数字和机构名」,通常比事后删改省事。

给需查证的段落补上来源再回填

人工补的是事实,不是文笔。回填时只提供三项,缺一项就先别写进正文:来源名称(哪份文档、哪次记录、哪个页面)、口径(这个数从什么时点算起、含不含某类情况)、适用范围(哪些系统、哪些环境、哪些角色适用)。三项齐了,句子基本就能直接落下;缺口径的数字,写进正文后很难解释。

段落:第 2 节第 2 段
要补的事实:日志保留周期
来源名称:(内部规范的文件名或页面标题)
口径:从写入时间算起 / 是否含归档副本
适用范围:哪些系统、生产还是测试环境
可直接落进正文的表述:

回填时建议一次只补一节,补完立刻读一遍前后衔接。一次补五节再通读,出问题时很难定位是事实写错还是句子接不上。

检查它自行补充的年份、机构、数字是否有出处

这是最容易漏的一步。模型写出的年份、机构名、百分比、数量级,看起来往往很合理,但合理不等于有出处。做法是逐段扫一遍具体名词与数字,命中一条就在旁边记一个来源或一个「无出处」。

问小白 5 Pro 擅长铺开长文骨架、局部事实密度仍需人工补

如果草稿在本地文件里,可以先用一条命令把可疑片段捞出来,再人工过一遍。命中不等于错,只是缩小检查范围。

grep -nE "[0-9]{4} ?年|[0-9]+(\.[0-9]+)?%|[0-9]+ ?(万|亿|次|台|人)" draft.md

扫的时候按三类处理:能指回你手上已有材料的,标上来源;属于通用常识但不影响结论的,可以保留但要确认表述不过度;完全找不到出处的,直接进下一节的改写流程。机构名同理,尤其是缩写和全称混用的地方,要确认指向的是同一个对象。

定稿前做一遍逐段的事实与措辞核对

最后一遍按段过,重点不是文笔,是把不确定表述改成你能负责的说法。两条路:去掉具体数字改为范围描述,或补上来源后保留原表述。宁可写得模糊一点,也不要留一个自己解释不清的数字。

原表述处理方式改后
多数情况下能在 3 分钟内定位去数字,改范围大多数常见问题可以在较短的一次排查内定位
某规范规定保留 180 天补来源与口径按内部日志规范(文件名/页面),从写入时间算起保留 180 天,归档副本另计
业界普遍采用三级日志去泛指,改条件我们当前环境按三级拆分,是否细分到四级需结合各系统实际确认

核对时还建议一并检查措辞的归属性:把「建议」「通常」这类词保留在推测性表述前,把确定的事实写死。做完这一步,骨架来自模型的效率能留下,事实风险落在人工可控的范围内。