AI媒体生产：从机器写作到智能编审流程

发布时间：2026/7/23 0:33:05

媒体行业用机器写稿比大多数人想象得早。财经快讯里"某公司今日发布财报，营收同比增长 X%"这类句子，十年前就是模板生成的。变化发生在最近两三年：大模型让机器从"填数字"进化到"写整篇"，同时把编审环节——校对、事实核查、合规检查——也卷了进来。现在的核心问题已经不是"AI 能不能写"，而是"人机各干什么、流程怎么编排，才能既快又不翻车"。

机器写作的三代形态

第一代：模板填充。把结构化数据（财报、比分、天气）套进预写句式。优点是零幻觉、毫秒级出稿，至今仍是快讯类内容的主力，缺点是完全写不了任何需要理解的内容。

第二代：检索增强生成。大模型基于检索到的素材写作，RAG 结构天然适合新闻场景——素材库就是通讯社稿件、历史报道和公告原文。出稿质量取决于检索召回，幻觉风险被压低但没有消失。

第三代：智能体协作。把选题、资料收集、初稿、改写拆成多个 Agent 节点，由编排层串联。这类方案在深度内容（行业分析、人物稿）上效果明显好于单次生成，代价是链路上每一步都可能引入错误，需要更强的校验层。

实践中成熟的媒体机构通常是三代混用：快讯走模板，常规稿走 RAG，重点策划走多 Agent + 深度人工介入。

智能编审：比写作更有价值的环节

很多团队把 AI 预算全砸在"写"上，其实从投入产出看，编审环节的自动化收益更大——因为这里的工作重复、标准明确、出错代价可量化。一条典型的智能编审流水线包括：

| 环节 | 机器做什么 | 人做什么 | | --- | --- | --- | | 事实核查 | 抽取文中实体和数据，与权威信源比对，标出存疑点 | 裁决机器标记的疑点，补充背景判断 | | 文字校对 | 错别字、标点、术语一致性、数字与单位规范 | 处理机器拿不准的风格性问题 | | 合规审核 | 敏感词、广告法违禁词、引用版权长度检测 | 涉及政策与导向的最终把关 | | 质量打分 | 标题党检测、信息量评估、重复度查重 | 决定稿件升降级和分发权重 |

这里的设计哲学是"机器标疑点、人做判断"。让机器直接枪毙稿件是危险的——误杀率会引发编辑的集体抵制；让机器只标不判，编辑的采纳率反而会高很多。

一个稿件初审脚本的骨架

下面的示例演示编审流水线里最基础的一环：抽取稿件中的关键事实声明，让 LLM 对照参考素材逐条核验。真实系统里会把抽取和核验拆成两步并加检索模块，这里为可读性做了合并：

import json from openai import OpenAI client = OpenAI() def fact_check(article: str, reference: str) -> list[dict]: """对照参考素材核查稿件中的事实性声明""" prompt = f"""你是新闻事实核查员。从【稿件】中抽取可验证的事实声明 （数字、日期、人名职务、事件因果），逐条对照【参考素材】核验。 输出 JSON 数组，每项含 claim / verdict(supported|contradicted|unverified) / note。 【稿件】{article} 【参考素材】{reference}""" resp = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": prompt}], response_format={"type": "json_object"}, temperature=0) return json.loads(resp.choices[0].message.content)["items"]

几个工程细节值得注意：temperature=0保证核查结果可复现，复核同一篇稿件不会得到两套结论；强制 JSON 输出便于下游把"contradicted"项直接推送到编辑工作台；核查结果一定要连同证据片段一起留痕——出现争议时，编辑需要知道机器当时"看到了什么"。