早上在地铁上，我刷到一篇标题很顺的“爆款选题”帖。点进去后却发现：开头有情绪，中间却缺少论证，结尾也没有把观点真正收住。

这种问题我并不陌生。很多时候，文章不是写不出来，而是写到一半开始“凭感觉凑字数”：结构松、重点散、前后语气不一致。尤其是用不同模型处理同一个选题时，结果往往差异很大——有的擅长列框架，却写不长；有的文笔流畅，却容易把内容写成没有重点的抒情文。

后来我开始把模型当作不同岗位的协作工具，而不是期待某一个模型包办全部流程。现在我通常会通过元壹AI聚合，在同一个工作流里切换不同模型完成提纲、扩写和校验：先把任务拆清楚，再决定由谁来做。

对我来说，这比反复让单个模型“重写一遍”更省时间，也更容易得到稳定结果。

当然，模型能力会随着版本、提示词和具体主题变化。下面这套流程不是万能公式，但在知识型内容、方法论文章和长图文写作中，已经是我比较常用、也相对稳定的一种做法。

---

同一个选题，为什么会写出完全不同的效果？

内容创作里，AI 生成最常见的翻车点通常有三类。

1. 提纲不稳

目录看起来很完整，但标题之间没有递进关系；或者每一节都在解释同一件事，读者读完记不住重点。

2. 扩写跑偏

提纲本身没问题，但正文开始后，模型会补进大量泛泛而谈的句子，信息密度下降，逻辑也容易跳跃。

3. 风格割裂

开头像经验分享，中段变成产品说明，结尾又突然喊口号。即使每一段单独看都通顺，放在一起也不像同一个作者写的。

我后来发现，问题不一定在于“哪个模型更强”，而在于是否把任务交给了更适合它的环节。

有些模型适合先拆问题、定结构、明确每一段的功能；有些模型更适合在已有边界内补充案例、调整语言节奏和完善表达。

把“结构设计”和“语言扩写”分开处理，文章会更可控。

---

我的写作流程：先搭骨架，再扩写正文

我目前常用的分工是：先用 GPT 做提纲，再用 Gemini 完成基于提纲的扩写。

这里的重点不是模型名称本身，而是任务边界：

• 前一个环节只解决：写什么、按什么顺序写
• 后一个环节只解决：怎么把内容讲清楚

---

第一步：让 GPT 产出可执行提纲

我不会直接让模型“写一篇文章”，而是先要求它输出一份能直接进入写作的提纲。

提示词可以这样写：

你是一名资深内容编辑。请围绕“{你的主题}”输出一份适合深度内容创作者阅读的长文提纲。

要求：

• 文章必须包含：痛点切入、核心方法、操作步骤、案例或示例、注意事项、结尾收束；
• 控制在 6—9 个小标题；
• 每个小标题后补充一句“本节要解决什么问题”；
• 标题之间要有明确递进，避免重复表达；
• 不要输出空泛观点，尽量使用“如何做、如何判断、如何验证”等动作型表述。

拿到提纲后，我会先做一次人工校验，而不是立刻进入正文。

主要看三件事

1. 每个小标题是否只承担一个明确任务；
2. 是否存在重复的小节，或看似不同、实则都在讲同一件事；
3. 结尾能否回到开头提出的问题，并给读者一个下一步动作。

如果提纲没有通过这一步，后面的扩写写得再顺，也只是把问题写得更长。

---

第二步：让 Gemini 在提纲边界内扩写

提纲确认后，再把它交给擅长语言扩展和段落组织的模型。这个阶段最重要的原则是：不让它重新设计文章结构。

我的提示词会明确限制它的发挥范围：

请将以下提纲扩写为一篇 1200—1400 字的文章。

写作要求：

• 严格按照提纲顺序展开，不新增核心观点；
• 每段控制在 1—3 句话，适合移动端阅读；
• 语言口语化，但避免空泛抒情；
• 每个章节至少给出一个可执行动作或判断标准；
• 在文章中段和后段各标注一处“配图插入点”；
• 结尾回扣开头痛点，并给出读者下次可以直接执行的步骤。

提纲如下：

{粘贴已校验的提纲}

这一步的目标不是让模型“写得华丽”，而是让它把已有结构填充完整：补足解释、过渡、例子和可操作建议。

这样做的好处是，模型不会一边写正文、一边重新决定文章要讲什么。

结构由前一步负责，表达由后一步负责，文章的稳定性会明显提高。

---

为什么拆分后，文章更容易写稳？

我理解的核心原因有两个。

第一，结构和表达本来就是两种不同能力

写提纲时，需要的是问题拆解、优先级判断和逻辑递进；写正文时，需要的是语言节奏、信息展开和读者视角。

把两件事同时交给模型，容易出现“语言很顺，但观点很散”的情况。

第二，拆分流程能降低返工成本

如果提纲有问题，只需要修改目录；如果正文风格不对，只需要调整扩写提示词。

相比让模型一次次重写全文，这种方式更容易定位问题，也不会把已经确认的部分推倒重来。

不过需要注意：任何模型分工都不是固定结论。不同版本、不同领域、不同提示词下，表现可能变化。比较可靠的做法是，用同一个选题连续测试 3—5 次，再根据自己的内容类型确定工作流。

---

三个编辑动作，让文章不像“AI 拼出来的”

模型分工只是第一步。想让成稿更像真人写作，最后仍然需要人工编辑。

1. 在提纲里提前规定写作口径

例如，在提纲阶段就写清楚：

• 每段尽量短；
• 少用抽象概念；
• 每一节必须有具体动作；
• 不要重复总结前文；
• 避免“显著提升”“零试错”“万能方法”这类绝对化表述。

这些限制会直接影响后续扩写的稳定性。

2. 用“段落功能”检查正文

每一段都应该有自己的功能：提出问题、解释原因、给出动作、补充例子，或完成过渡。

如果一段话既没有新信息，也没有推进下一步，它通常可以删掉。

AI 生成内容里最常见的问题不是语病，而是“每句话都对，但合起来没有往前走”。

3. 结尾回到真实问题，不要只说套话

比起“希望对你有帮助”，更有效的结尾是告诉读者下一次该怎么做。

例如：

下次遇到一个选题时，不妨先别急着让 AI 写全文。先用它把读者问题、文章结构和每一节的任务拆出来；等提纲能经得起人工检查，再让模型扩写。这样你控制的不是一次生成结果，而是一套可以重复使用的编辑流程。

---

把流程固化成自己的模板

我现在会把下面四项固定下来，每次换选题时只替换具体内容：

模块	固定内容
我的角色	内容创作者或内容编辑
文章目标	解决一个明确问题，而不是堆砌观点
输出结构	提纲、正文、配图位置、注意事项
校验标准	逻辑是否递进、信息是否具体、结尾是否回到痛点

当流程被固定后，文章质量就不再主要靠“这次模型发挥得好不好”，而更多取决于：

• 任务拆分是否清楚；
• 提示词是否有边界；
• 人工校验是否到位。

---

结语

AI 并不是不会写，而是没有必要让它一个人承担所有写作任务。

先把提纲写到可执行，再把扩写限制在结构边界内，最后用编辑视角删掉空话、补足证据、收住结尾。

把每次生成都当作一次可复用的编辑流程，而不是等待一次“魔法输出”，内容生产才会越来越稳定。