DeepSeek 雪花法实操:看一次真实的完整跑通

这份记录是什么

一次 DeepSeek API 的真实调用,不是转述,不是复盘:

• 模型:deepseek-chat
• temperature(温度,控制输出随机性的参数):1.0
• 记录者自述未做任何修改删节——这一条属于记录者的自述,无法独立验证,你按"作者声明"来看待即可

系统提示词把 AI 设定为"出版过 30 本畅销小说的作家",并明确约束它"只执行当前这一步,不要抢跑"。实测中这条约束有效:五步输出均只完成当步任务,没有一次越界。注意这是单例印证——一次跑通,不等于每次都行。

每一步之间,用户回复"满意"再下达下一步指令,就是前面学过的分步确认机制。

五步实际跑出了什么

第一步:一句话概括。 指令规范是:不超过 25 个词,含类型、主角、任务,有画面感,多用动词名词。输出是:

都市轻悬疑。深夜骑手循着导航,敲开墙,递出空盒,要找到消失的收件人。

对照规范逐条打勾:类型有(都市轻悬疑)、主角有(骑手)、任务有(找到消失的收件人)、动词密集(循、敲、递、找)、画面感有(敲开墙、递出空盒)、词数达标。六项全中。

第二步:五句话三幕式段落。 要求含三幕结构、三次灾难性事件、一个道德前提。一次性完成,而且把三次灾难显式标注了出来("第一次灾难降临"之类)。

第三步:人物卡。 按模板输出:人名 / 身份 / 目标 / 抱负 / 价值观 / 矛盾 / 顿悟 / 一句话概括。值得注意的是,主角与反派的动机互相咬合,共同挂在一桩工地塌方旧案上。这不是随机拼出来的——是第二步的框架撑住了第三步。

第四步:一页大纲。"每句话扩写成一个段落"被执行为五段,与第二步的五句一一对应。分形递进在真实输出里就是这个样子。

第五步:第一章开头。 约 600 字,与大纲第一、二段的细节保持一致:第七单、百元钞、"拆"字墙、脚印,这些具体物件全都对上了。

你该从这份记录里拿走什么

一、逐层放大是真的会发生的。 第二步的五句话对第四步的五段大纲,逐句并排看一眼,这是理解雪花法最直观的一次。

二、大纲不等于正文。 同一个"雨夜启程"的情节,在大纲里是平铺直叙的信息,到第一章开头就换成了另一种文体写法。很多新手以为把大纲润色一下就是正文——这份记录当面否掉了这个想法。

三、指令写得多量化,输出就多可验收。 不超过 25 词、5 句话、3 次灾难、600 字左右,这些硬约束的达成情况全都可以逐条核对。反过来看第三步:指令只写了"至少主角和反派",模型就只输出了两个角色,大纲里出现的其他角色一个都没建卡。

指令怎么写,AI 就怎么省。

诚实条款:这份记录没告诉你的事

这是本节最重要的一段。

• 通篇只有成功路径。每一步用户都直接回复"满意",没有任何"不满意 → 修改"的分支。这份资料自称能展示"真实局限",但它其实没有——纠偏机制在这里完全未被验证。
• 单次实测、无对照。temperature 为 1.0 的情况下只跑了一次,没有多次生成的差异对比,也没有换其他模型对照。所以任何"DeepSeek 一定能做到"的说法都不成立,只能说"这一次做到了"。
• 方法来源不可见。所依据的原始文档未附在记录里,所以"雪花法标准该是几步、每步标准是什么",在这份记录里只能以它的实际执行为准。

回到跟拍那个比喻:这是一次顺利的跟拍,不是统计意义上的成功率报告。你自己下水,很可能第一步就要重来三次——那是正常的,不是你不行。

🔧 动手做:用你自己的题材复刻第一步(10 分钟)

1. 打开 DeepSeek,新开一个对话。原记录走的是 API 调用,你用任何能与该模型对话的入口都可以复刻这一步。
2. 第一条消息只发系统设定,不要提任何故事内容:角色设定(例如"你是出版过 30 本畅销小说的作家")+ 约束"只执行当前这一步,不要抢跑,等我说满意再进行下一步"。
3. 第二条消息下第一步指令:写一句话概括,不超过 25 个词,含类型、主角、要完成的事,有画面感,多用动词名词。附上你自己的题材方向。
4. 拿到输出后,逐条打勾:类型有吗?主角有吗?任务有吗?动词多吗?超 25 词吗?哪一项没中,就把那一项单独拎出来要求它重写。
5. 把你的最终版本和记录里那句"都市轻悬疑。深夜骑手循着导航……"并排放在一起,写一句话:差距在哪?

你会看到:你可能需要追加一到两轮修改才达标,而不是一次到位。

为什么:这正好补上了那份记录里缺失的"不满意 → 修改"分支。把这一轮修改的过程留着——它比一次顺利跑通对你更有价值,因为你以后每次都要用到它。

你是一位出版过 30 本畅销小说的作家。接下来我们用雪花写作法逐步构思一部小说。重要约束:你只执行我当前这一步的指令,不要抢跑到后面的步骤,等我回复“满意”后再进行下一步。第一步:为我的小说写一句话概括,要求不超过 25 个词,包含类型、主角、主角要完成的事,有画面感,多用动词和名词。我的题材方向是:【填入你的题材,例如“县城中学的女教师”】

本模块验收清单

学完本模块,你手里应该有一份《工具选型报告》。不是零散笔记,是一份能拿给别人看、别人看完知道你做过什么的东西。

🔧 动手做:给报告做一次证据标注通检(10 分钟)

1. 打开你的《工具选型报告》,从头到尾扫一遍,把每一个数字和每一句技术断言都圈出来。
2. 在每个圈后面用括号标上来源,三选一:
   • (实测):我自己跑出来的,比如"0 元 0 key""生成了多少个文件"。
   • (据文档 / 转述):我从项目文档或课程里抄来的,没自己验过。
   • (推断):我自己想的,比如"这个工具大概适合我"。
3. 回头看有没有哪一条三个标签都贴不上——既不是实测、也说不清出处、又不肯承认是推断。
4. 把这类条目直接删掉,不要留着。

你会看到:报告里没有一条裸奔的断言。最常被删掉的是"这个工具性能更好""这个方案更省钱"这类没来源的比较句。

为什么:这是本课教你的最实用的一个动作,它比任何工具都跟你活得久。工具会停更,而"每句话都能说清出处"这个习惯,在你以后查平台规则、看攻略、读别人的经验帖时,每一次都用得上。

自检:三个能力问题

清单打完勾,再诚实回答这三题:

1. 判断可用性:给你一个陌生的开源 AI 写作项目,你会先看哪三样东西?(参考:最后推送时间 / 有没有实测证据 / 源码是否写死了模型 ID 或依赖已停更的写法。不是 star 数。)
2. 判断选型:有人问"我写个两万字短篇,该装那个工具吗?"你的第一个反问是什么?(参考:先问项目长度和一致性管理需求——顺路才值得包车。并说明这个判断框架是本课程提出的,不是行业标准。)
3. 判断证据:你报告里写的每一个数字,能说清它是实测的、文档自述的,还是你推断的吗?