从一次公众号排版失败，重新理解 AI 工程

原创 jishuzhain 2026-11-12 11:13 广东

— ◆ —

最近，我遇到了一件很小的事情：给自己的公众号文章排版。

我有持续写作和发布文章的习惯，也逐渐形成了自己的排版偏好。标题、正文、引用、注释、分隔线，不同类型的文章还有不同的视觉规范。

最初，我只是希望利用腾讯元宝，把这些重复劳动自动化。

经过多篇文章的调整，我终于整理出了一套比较完整的排版规范。考虑到元宝单次对话的上下文不可能无限延伸，我还专门导出了规范文件，希望以后开启新对话时，只需要附上规范和初稿，就能直接得到符合预期的排版结果。

听起来很合理。

但实际效果并不理想。

即使提供了完整的规范文件，模型仍然没能达到我希望的完美排版效果，细节不够到位。

我一度以为是自己的提示词还不够完善，于是不断补充规则、整理文档、增加约束。

后来才意识到：保存了规则，不等于每次都能正确执行规则。

文档可以保存知识，却不能保证模型每次都准确理解和应用这些知识。模型能够复述要求，也不代表它真正遵守了要求。

这让我重新思考：面对大模型的不确定性，我们是不是一直在试图用更多提示词，解决一个本来就不应该完全依赖提示词解决的问题？

• • •

后来，我没有放弃使用元宝。

相反，我继续依赖它进行更严谨的思路梳理，重新拆解问题，寻找能够保证结果可靠的实现方式。

最终，我把原本依赖模型完成的整个排版任务拆成了几个环节：

AI 负责理解文章体例、添加排版标记；程序负责固定样式、HTML 渲染和富文本复制；校验程序负责检查原稿、标记版和最终结果之间是否存在内容差异。

尤其重要的是，原稿与标记版需要进行逐字比对。只要出现修改、遗漏或者补写，就不能通过验收。

这意味着，模型不再需要靠自觉遵守所有要求，而是必须接受外部验证。

我开始理解最近接触到的一个概念：Harness Engineering。

简单来说，它关注的不是怎样让模型每次都表现完美，而是怎样围绕一个具有不确定性的模型，构建工具、约束、测试和验证机制，让整个工作流程更加可靠。

这与传统软件工程中的测试、接口约束、异常处理和故障恢复有很深的联系。

区别在于，大模型给软件系统引入了新的不确定性。

过去，一个程序按照明确的逻辑执行；现在，一个 Agent 可能需要先理解任务，再自主选择工具和执行路径。它的能力更强了，但也意味着我们不能简单地把生成结果等同于正确结果。

生成是执行，验证才是交付。

• • •

回想自己之前做过的一些事情，其实有相似的思路。

使用本地小模型翻译 EPUB 电子书时，我没有让模型负责整个文件的处理，而是让它专注于文本翻译，程序负责保留章节、图片、CSS 和文件结构。

研究安全告警自动化时，也需要区分模型适合处理的复杂研判任务，以及程序能够确定性完成的查询、统计和校验工作。

这些经历让我逐渐形成一个判断：

不要因为某项任务可以交给 AI，就把整个任务都交给 AI。

理解模糊需求、归纳信息、处理复杂判断，可以交给模型；固定格式转换、逐字比较、文件完整性检查，则尽可能交给确定性程序。至于目标是否合理、结果是否符合真实需求，仍然需要人来判断。

模型本身也可能判断错误，程序也可能存在 Bug，自动化测试也有覆盖不到的地方。因此，可靠性不是简单地用程序替代模型，而是让每个环节都有清晰的责任边界，并尽可能建立独立的验证机制。

这让我想起以前从事安全工作的经历。

我们不会因为某个检测规则运行正常，就认定整个安全系统没有问题。检测、研判、响应、复核，需要形成完整闭环。

AI 工作流同样如此。

• • •

我觉得这次经历还有一个更有意思的地方。

整个探索并不是从研究某个热门 AI 框架开始的，而是从自己的生活开始的。

因为我有持续写作的需求，有自己的发布出口，有明确的排版偏好，也能直接观察每次使用的实际效果，所以能够发现问题、提出约束，并验证改进是否有效。

这让我重新思考普通人应该怎样利用 AI。

或许不必先学习一大堆技术，再努力寻找应用场景。

可以反过来：从自己的工作、生活和兴趣中，找到那些反复出现、消耗时间、令人厌烦的问题，然后尝试解决它们。

第一次解决问题可能需要投入不少时间，但如果能够把解决方案沉淀为工具、模板和自动化流程，后面就不必反复从头开始。

可以用一个简单的模型描述这种长期收益：

V=N(T₀-T₁)-C

其中，N是未来重复使用的次数，T₀和 T₁分别是改进前后的单次耗时，C是建设和维护成本。

一次性提效，解决的是眼前的时间问题；可复用的工作系统，积累的则是长期能力资产。

我越来越觉得，AI 时代值得研究的不只是模型有多聪明、Agent 能调用多少工具，还有一个更实际的问题：

我们能不能把一次成功的 AI 协作，变成未来一百次都可以可靠复用的能力？

从一次公众号排版失败开始，我意外地研究起了 AI 系统的可靠性。

这件事让我意识到，AI 不只是帮助我们完成工作的工具，也可能成为构建个人生产力系统的基础设施。

当然，前提是我们不能把判断和责任也一并交出去。

先发现问题，再定义正确的结果，最后建立验证机制。

从自己的生活开始，把那些反复出现的麻烦，一个一个解决掉。

这可能是普通人参与 AI 时代最实际的一种方式。

跳转微信打开