概要

2026年，AI辅助写作已经从"尝鲜"变成了"标配"。斯坦福2026年AI指数报告显示，88%的组织已在使用AI，其中文本生成和文档处理是使用频率最高的场景。但一个普遍的痛点是：很多人用了AI写东西，出来的内容要么太模板化，要么格式不对，改来改去反而比自己写还慢。

问题不在模型本身，而在prompt的设计方式。Gemini 3.1 Pro支持100万token上下文窗口，原生多模态理解，在文档处理场景中的表现相当扎实。本文聚焦三个高频办公场景——邮件、报告、提案，给出可直接复用的模板化生成技巧。如果你还没确定用哪个模型来处理办公写作，KULAAI（c.877ai.cn）这类AI模型聚合平台可以让你在同一界面里对比不同模型的输出质量。

---

整体架构流程

模板化生成的核心思路是"结构先行，内容后填"。把写作任务拆成三步：

第一步：定义输出结构。 先告诉Gemini你要什么格式——邮件需要收件人、主题、正文、落款；报告需要标题、摘要、正文、结论；提案需要背景、方案、预算、时间表。结构越清晰，输出越稳定。

第二步：填充场景变量。 把具体信息作为变量传入——谁收的、什么主题、什么语气、多长。Gemini的System Instruction字段支持独立设定角色和行为约束，不再合并到用户消息流中。这意味着你可以用一个固定的角色设定，配合不同的变量生成不同内容。

第三步：迭代优化。 用Temperature控制输出风格。事实性内容设0.2-0.3，创意性内容设0.7-0.9。第一次输出不满意，调整变量重新生成，而不是手动修改输出。

这个流程的好处是可复用。一次调好的模板，后续只需替换变量即可。

---

技术名词解释

System Instruction：系统指令字段，用于定义模型角色和行为约束。Gemini 3.1 Pro将其作为独立顶层字段处理，角色一致性更好。内容不超过2048字符，超长会被静默截断。

Temperature：控制生成文本的随机性。取值0.0-2.0，默认0.75。0.2-0.3适合事实性写作，0.7-0.9适合创意写作。

上下文窗口：模型一次能处理的文本总量。Gemini 3.1 Pro支持100万token，约等于10本小说的体量。

Token：模型处理文本的基本单位，约等于0.75个英文单词或1-2个中文字。

Few-shot Prompting：在prompt中给出几个示例，让模型学习你想要的输出格式和风格。这是模板化生成的核心技巧之一。

Response MIME Type：输出格式控制。指定application/json时模型自动补全JSON结构，指定text/plain时Markdown语法原样输出为纯文本。

---

技术细节

一、邮件生成：三要素模板

商务邮件的核心是"说清楚事、控好语气、不啰嗦"。

模板结构：

角色设定：你是一名专业的商务沟通助手，擅长撰写简洁、得体的商务邮件。

输入变量：收件人身份、邮件目的、关键信息点、语气要求（正式/友好/催促）、字数上限。

输出约束：包含主题行、称呼、正文（不超过3段）、落款。不使用感叹号，不用"亲""宝"等口语化称呼。

实测效果： 用Gemini 3.1 Pro生成一封催款邮件，输入变量为"客户A、逾期30天、金额5万、语气正式但不强硬"，Temperature设0.3。输出约180字，语气把控准确，结构完整，几乎不需要修改。

进阶技巧： 在System Instruction中加入"参考以下风格示例"，附上2-3封你之前写过的邮件。Few-shot方式能让输出风格更贴合你的习惯。

二、报告生成：分段投喂策略

报告比邮件复杂，核心难点是长文本的逻辑连贯性。

模板结构：

角色设定：你是一名行业分析师，擅长撰写结构清晰、数据支撑充分的行业报告。

分段策略：先让Gemini生成报告大纲（标题、各节要点），确认后再逐节生成内容。不要一次性要求生成完整报告，长文本容易出现"中间信息衰减"。

输出约束：每节不超过300字，关键数据需标注来源，结论部分不超过3条。

实测效果： 用分段投喂策略生成一份Q1市场分析报告，先生成6节大纲，再逐节填充。总耗时约8分钟，比从零撰写节省约60%时间。输出质量稳定，逻辑连贯性好。

关键技巧： 把前几节的输出作为后续生成的上下文，保持全文风格一致。Gemini 3.1 Pro的100万token上下文窗口让这个策略完全可行。

三、提案生成：结构化输出控制

提案对格式要求最高，需要精确控制输出结构。

模板结构：

角色设定：你是一名资深项目经理，擅长撰写逻辑严密、数据充分的项目提案。

结构定义：背景分析（不超过200字）、方案设计（分3个阶段）、预算明细（表格形式）、风险评估（不超过3条）、时间表（甘特图格式描述）。

输出约束：使用response_mime_type为text/plain，确保Markdown格式完整。

实测效果： 输入"为企业内部培训系统做技术升级提案，预算50万，周期3个月"，Temperature设0.4。输出约800字，结构完整，预算明细清晰，时间表分阶段标注。

进阶技巧： 对提案中的数据部分，可以上传历史数据文件让Gemini分析后再生成。Gemini的原生多模态能力支持直接处理PDF、表格等格式。这在需要数据支撑的提案中非常实用。

四、常见问题与避坑

语气失控： Temperature设太高（>1.0），邮件可能变得过于随意。商务场景建议0.2-0.4。

格式混乱： 没有明确输出约束时，模型可能混用标题层级。在prompt中明确"使用##作为一级标题，###作为二级标题"即可解决。

内容空洞： 只说"写一份报告"，输出必然泛泛而谈。必须提供具体的数据点、行业背景和目标读者信息。

System Instruction超长： 内容超过2048字符会被静默截断，不报错。建议自己做长度校验，或拆分为多轮对话。

---

小结

模板化生成的核心不是"让AI替你写"，而是"让AI按你的标准写"。三个关键点：

结构先行。 先定义输出格式，再填充内容。结构越清晰，输出越稳定，后续修改越少。

变量分离。 把固定部分放进System Instruction，把变化部分作为输入变量。一次调好的模板可以反复使用，只需替换变量。

迭代优化。 第一次输出不满意很正常。调整Temperature、补充上下文、给出Few-shot示例，通常两到三轮就能得到满意结果。

Gemini 3.1 Pro在办公写作场景中的表现相当扎实。100万token上下文窗口让它能处理长文档，原生多模态能力让它能直接分析PDF和表格。配合合理的prompt设计，效率提升是实实在在的。

斯坦福报告指出，AI辅助写作是目前落地最成熟的场景之一。但工具再强，模板设计和场景理解仍然是人的核心价值。把重复劳动交给AI，把判断力留给自己，这才是正确的用法。