链式调用:让 AI 自己当编辑
学会"生成到自评到改进"循环,让 AI 先挑自己的毛病,你只审过了机器关的稿子
到了 N5,你手里已经有完整的设计包:一句话梗概、人物宝典、四页纲要、场景清单。接下来要面对的问题变了:正文怎么生产?一段一段让 AI 写、你逐段改,当然可以——但有没有办法让 AI 先替你过滤掉一部分明显的问题,你只把精力花在真正需要人判断的地方?
开源项目 gpt-author 演示了一种做法:让 AI 先写、再给自己挑毛病、再照着毛病重写。这个循环你今天就能徒手复现,不需要装任何工具。
学完本节,你能用三条提示词手动跑通一轮"生成 → 自评 → 改进",并且亲手测出 AI 自评的真实水位——它能抓到什么、漏掉什么,由你的实验说了算,不由任何宣传说了算。
想象一个学生写作文:写完一稿,老师批注,学生照批注改一遍再交。现在把老师也换成 AI——AI 先写、再给自己挑毛病、再照着毛病重写。这就是"生成 → 自评 → 改进"循环。
它是链式调用最常见的一种形态:不让模型一口气写完,而是拆成多个连续步骤,每步的输出作为下一步的输入——就像工厂流水线,上一道工序的成品是下一道工序的原料。
链式调用到底"链"了什么
gpt-author 项目的做法是把"写一本书"拆成 8 步流水线:先生成多个候选情节,让模型评选出最好的一个,再改进一轮并起书名;然后逐章展开故事线、迭代故事线;逐章写作时携带前文内容保持连贯;最后生成封面、合成电子书。据项目 README 自述,生成一本 15 章的小说成本约 4 美元、只需几分钟——注意,这是作者自述的单点数据,只适用于那一次实验,不能外推。
你不需要记住全部 8 步。本节要你抓住的是藏在其中的核心模式:"评"和"改"是两次独立的调用。AI 写完之后,再单独调用一次让它当编辑挑毛病,然后第三次调用让它照着毛病改。三次调用串成一条链,每一环的输出都摆在你面前,可检查、可打断。
为什么要让 AI 自己当编辑
在 N4 你学过分步确认:每步由你来把关。链式调用把其中一部分把关工作交给 AI 自己:让机器先做一轮初筛,你只需要审"过了机器关"的稿子。
但要说明白:这只是设计意图。自评环节实际能滤掉多少问题,项目资料里没有任何实测数据,本课不为其效果背书——所以才有下面的动手环节,让你自己测。
还有一条必须先讲的缺点:gpt-author 是全自动流水线,没有人在环把关,这决定了它的质量上限——它不适用于对质量有要求的正式创作,项目自己也明确定位为实验项目,不是生产级方案。项目作者说新版(换用 Claude 3 后)"小说写得更好",这只是作者的主观评价,没有对照证据。
所以本课的立场是:学它的循环思路,但保留你的确认权——每轮自评 → 改进之后,仍由你决定"过 / 再改一轮"。这与 N4 的分步确认是同一条纪律的延伸,不是替代。
手动跑一轮循环:三条提示词
不装工具,在 DeepSeek 对话框里连发三条消息就是一条链:
- 生成:"基于我的第 1 章规格,写一段 300 字开头。"
- 自评:"你是一位严格的编辑,指出上面这段的三个最大问题,不要重写。"
- 改进:"根据这三个问题,重写这段开头,其他内容保持不变。"
第 2 条里的"不要重写"和第 3 条里的"其他内容保持不变",都是护栏(N4 学过的思路):把每一环的任务边界钉死,AI 才不会越界抢活。
你是一位严格的编辑。指出上面这段文字的三个最大问题,按严重程度排序,每个问题给出一句具体依据。只提问题,不要重写。
🔧 动手做:手动跑一轮"生成→自评→改进"(10 分钟)
- 打开 DeepSeek,把你 N3 设计包里的第一个场景(场景清单里的那一行,含冲突和视点人物)贴进对话,用上面第 1 条提示词生成 300 字左右的初稿。
- 紧接着发第 2 条自评提示词,拿到三个问题。先别急着让它改——你自己先看一遍这三个问题:哪个你也会指出?哪个你觉得不是问题?
- 发第 3 条改进提示词,拿到改进稿。
- 把初稿和改进稿并排对比,写下一句判断:"AI 自评抓到的问题里,哪个是我自己也会指出的?哪个是它没看见、只有我能看见的?"
你会看到:AI 通常能抓到节奏、逻辑一类的通用问题;而"这段是否符合我的人物设定"往往要你来判——这就是为什么本课默认人在环。
为什么:这个实验让你亲手测出 AI 自评的真实水位,从此你分配把关精力时有了自己的依据,而不是听宣传的。
gpt-author 的全自动模式没有人在环,项目自己定位为实验项目——它的价值是展示循环思路,不是替你出书。照搬全自动模式最大的风险是:你看到的永远是"改好的"终稿,中间的评语和取舍全被跳过,问题积累到成稿才暴露,返工成本最高。记住本课纪律:每轮循环之后,由你决定"过 / 再改一轮"。
这一节的"生成 → 自评 → 改进",本质是多个角色按流程接力。手动敲三次没问题, 但如果你想把它固定下来反复跑,就需要一个能编排角色的工具。
这里必须交代:我们自己做了一个,叫 Agency Orchestrator,Apache 开源。 它内置一个「短篇小说创作」流程,4 个角色接力—— 叙事学家设计结构 → 心理学家塑人物 + 叙事设计师构冲突 → 内容创作者执笔,跑 DeepSeek。 说它不是为了推销:你正在读的这门课,就是用同一套工具做出来的(资料蒸馏 → 大纲 → 逐模块成稿)。
⚠️ 但尺度对不上,这点先说在前面:那个内置流程默认目标 800 字、单步输出上限约两千字, 它产出的是短篇,不是你在这门课要做的万字作品。所以正确用法是:
- ✅ 用它快速出一个完整短篇,或给某个场景打个样,看看四角色接力长什么样;
- ✅ 用它验证"多角色分工到底有没有用"——比空想快得多;
- ❌ 别指望它直接产出长篇。长的那条路还是本课教的:雪花法定结构 + 层次化扩写。
用它做课时撞过的三个坑,一并给你:长内容单步会断流(第 3 个模块就断过,只能拆片重跑); 模型会自作主张改结构(擅自多切一节、编号乱套);中间环节会丢信息(参考链接被摘要吃掉过)。
换句话说:它省的是重复劳动,省不掉审校。 这和本节结论是同一句——人在环,不是全自动。 判断标准也简单:同一套流程你要跑几次? 跑一两次手动更快,跑几十次才值得上流水线。
链式调用把"写"拆成生成、自评、改进三次独立调用,每一环可检查、可打断;AI 自评能替你初筛一部分通用问题,但"符不符合我的设定"仍要你来判。全自动流水线质量上限低,本课的纪律是人在环:每轮循环由你确认后才定稿。下一节解决另一个问题:一次要 2000 字容易顾头不顾尾——正文也要像素描一样,先起形,再刻画。
🔎 来源与核验· 3 条,点开核对
