AI 内容洪水来了，人怎样不被淹死

短大纲

• AI 解决了内容生产的速度问题，也顺手制造了一个新问题：人类审核成了瓶颈。
• 不要把 AI 当成"成品机"，而要当成高速草稿机、资料助理和改写工。
• 人的价值不在逐字逐句改完所有东西，而在定方向、设标准、做取舍、负责任。
• 解决办法是给内容生产搭一套小型 harness：输入限速、输出分批、机器初筛、人类抽查、重点精修、最终签发。
• 文末给一套可直接复用的 SOP、审核清单和提示词模板。

一、内容不是越多越好，水龙头开太大也会淹厨房

最近做内容的人，大概都有一种熟悉的眩晕感。

以前写一篇文章，像手摇井打水，吭哧吭哧半天，桶里也就半桶。现在好了，AI 一开，像消防栓接上了自来水公司，三分钟给你喷出五篇初稿、十个标题、二十条金句。看上去生产力飞升，实际上人坐在屏幕前，像在垃圾分类站值夜班。

老程序员看到这种场面，会本能地想起一个词：技术债。只是这回欠的不是代码债，而是内容债。老板或者客户看到一堆文档，容易误以为"进度喜人"。可真正要发布的人知道，初稿越多，债务越多。每一段都要判断有没有事实错误，每个观点都要看是不是空话，每个例子都要想能不能站住。AI 没有累，人先累了。

所以问题不只是"AI 生成内容太多太快"，而是我们把 AI 的出口直接接到了人的眼睛上。中间没有闸门，没有分流，没有过滤，也没有责任边界。

一句话：AI 可以负责产能，但不能绕过质量系统。

二、先改一个观念：AI 不是作者，是候选项生成器

很多内容灾难，起点只有一句提示词：

帮我写一篇关于某某主题的文章。

这句话看似正常，其实风险很大。它默认 AI 可以直接产出成品。于是 AI 也很配合，给你一篇结构完整、语气端正、每段都像会议纪要的文章。它不一定错，但常常没有味道。像便利店饭团，能吃，谈不上想念。

换到软件工程里，这就像让一个刚入职、还没读过架构文档的同事，直接往主干分支提交代码。不是说他一定会把系统弄挂，可你敢不敢不跑测试、不做 review，直接发版？反正我是不敢。年纪大了，胆子小，主要是线上事故教会了我谦卑。

更稳的定位是这样：

• AI 是高速草稿机，负责把可能性铺开；
• AI 是检索助手，负责把线索、资料、反例找出来；
• AI 是改写工，负责压缩、去重、换表达、统一格式；
• 人才是主编，负责判断什么值得说、什么不能说、什么必须亲自说。

这个分工一旦明确，工作方式就会变化。

你不会再要求 AI "直接写一篇能发的文章"，而是要求它先交候选观点、材料清单、风险提示和结构草案。人先判断方向，再让它展开。方向错了，三百字时砍掉不心疼；三万字时再砍，那就不是编辑，是考古。

三、给 AI 上闸门：先控输入，再控输出

AI 内容泛滥，常常不是因为模型太勤快，而是人类指令太放飞。

好的提示词不是咒语，而是一张任务卡。更准确地说，它像一张简化版的需求单。需求不清，代码会跑偏；写作不清，AI 也会跑偏，而且跑得特别快。

这张任务卡至少要写清六件事：

一个更可用的提示词，可以这么写：

请先不要写完整文章。

主题：AI 生成内容太多，人类审核成为瓶颈，怎样让人看得过来、改得过来。
读者：有内容、文档、代码评审压力的技术管理者和资深工程师。
目标：给出一套可落地的内容质量控制流程。
边界：不要写成泛泛的 AI 赞歌，也不要假设 AI 产出可以直接发布。

请先输出：
1. 5 个候选核心观点，每个观点不超过 50 字；
2. 每个观点的价值、风险、可验证性评分，满分 5 分；
3. 推荐采用的文章结构；
4. 需要人工补充的事实或个人经验。

注意这里的关键动作：先不要写完整文章。

这句话很重要。它等于告诉 AI：先递菜单，不要直接把满汉全席端上来。人先挑菜，再下锅。否则 AI 一次性生成几万字，人要么硬着头皮读完，要么假装读完，这两种都不太体面。

四、三道筛子：10 秒粗筛，5 分钟精筛，30 分钟深改

内容一多，人最容易掉进一个坑：逐字读。

逐字读当然认真，可是面对 AI 生成的海量初稿，这种认真会把人拖垮。更好的做法是分层过滤，把不同质量的内容送到不同通道里。

这事很像 CI/CD。不是每一行代码都值得资深工程师亲自肉眼过一遍。格式、静态检查、单元测试能挡掉的，就不要送到人面前。人应该看设计、边界、风险和用户影响。内容生产也一样，要先跑一遍"内容 CI"。

1. 10 秒粗筛：先判断有没有资格被读

这一轮不改，只判生死。

看到下面几类，直接丢：

• 开头三段还说不清主题；
• 大量空话套话，换个题目也能用；
• 观点看似正确，但没有例子和边界；
• 明显事实错误、引用不明、数据没有来源；
• 语气和目标读者不匹配。

粗筛的目标不是找金子，而是先把石头铲出去。不要舍不得。AI 写出来的字没有感情，删掉它不会伤心。真要说伤心，通常是人类自己：明明知道不该留，还是舍不得那几句看起来很顺的废话。

2. 5 分钟精筛：提取可用骨架

过了粗筛的内容，再看三件事：

• 核心观点是否清楚；
• 论证链条是否顺；
• 有没有一两个可以保留的例子、比喻或句子。

这时可以让 AI 辅助整理：

请把下面这份初稿压缩成 300 字摘要，并按以下格式输出：
1. 最值得保留的 3 个观点；
2. 最可能出错的 3 个事实或判断；
3. 最重复、最空的段落；
4. 建议人工重点检查的位置。

这一步的价值，是把"读一篇文章"变成"读一份诊断报告"。人不必在泥沙里徒手摸石头，先让机器筛一遍。咱们不是来展示吃苦耐劳的，咱们是来做判断的。

3. 30 分钟深改：只改值得改的稿子

真正值得深改的内容，应该已经满足两个条件：

• 方向对；
• 骨架能用。

深改时，人不该把时间花在标点、错别字和格式上，而要盯住四个东西：观点、事实、逻辑、责任。

观点是不是你的？事实有没有依据？逻辑有没有跳步？发布后出了问题，谁来解释？这些地方 AI 可以帮忙提醒，但不能替你负责。

我现在看 AI 初稿，最怕的不是它写错，而是它写得"差不多对"。完全错误还好，醒目，容易抓。差不多对的东西最麻烦，像一个偶发的线上 bug，平时不出事，关键时候给你一下。

五、人不要做"逐字修理工"，要做"主编 + 架构师"

当 AI 输出越来越多，人如果还用老办法工作，就会被压成文档流水线上的质检员。每天拿着红笔，改到眼神发直，最后连自己为什么要写这篇都忘了。

人的角色需要往上移。

像软件工程一样，代码可以让 agent 写，但架构边界、验收标准、线上风险、用户体验，不能全交给它。内容也是如此，AI 可以生成段落，但主题选择、价值判断、事实把关、语气边界，必须在人手里。

这不是端架子。做过几年服务 owner 的人都知道，一个系统最后总要有人 on call。内容也是系统，发布出去就开始运行，读者的误解、质疑、转发，都是运行时行为。AI 可以帮你 build，不能替你 on call。

可以把分工写成一张小表：

这张表的核心不是"谁更厉害"，而是"谁该负责什么"。

AI 很快，但它没有社会责任感。它不会因为一个不准确的判断影响团队决策而睡不着，也不会因为一篇文章写得像白开水而感到羞愧。人会。至少咱们最好会。

六、给团队一套内容生产 SOP

如果只是偶尔写一篇小文章，凭感觉也能凑合。可一旦团队开始批量产出文档、方案、周报、技术文章、代码说明，就需要流程。流程不是为了显得正规，而是为了省命。

我对流程的态度一直比较朴素：能少开会就少开会，能自动挡掉低级问题就不要靠人肉。流程如果只是多填几张表，那是折腾；流程如果能让人少看三版烂稿，那就是功德。

下面这套 SOP，可以直接拿去改。

第一步：写一张任务卡

任务卡不超过一页，包含：

• 主题和一句话核心判断；
• 读者是谁；
• 这次交付物是什么；
• 必须引用或核查的事实；
• 明确不写什么；
• 期望风格和长度。

没有任务卡，不让 AI 开写。否则它会帮你把模糊放大。模糊输入进去，出来的不是灵感，是一盆温吞水。

第二步：先要候选项，不要成品

让 AI 先给：

• 5 个核心观点；
• 3 种结构；
• 可能的标题；
• 风险和待核查清单；
• 推荐丢弃的方向。

人只需要在这里做选择。这一步省下来的时间，远大于后面改三版烂稿的时间。

第三步：分段生成，分段验收

不要一次性生成全文。按章节来：

1. 先写开头；
2. 人确认语气和方向；
3. 再写主体第一节；
4. 每节完成后做一次压缩和自检；
5. 最后统一串联。

这很像写代码时小步提交。小步走，错了好回头。大步流星当然潇洒，一脚踩空也比较壮观。

第四步：机器先自查，人再抽查

每一版初稿交给人之前，先让 AI 做自检：

请按下面清单审查这份稿子，并给出修改后的精简版：
- 是否偏离主题；
- 是否有重复段落；
- 是否有事实、数据、引用需要核查；
- 是否有空话套话；
- 是否有逻辑跳跃；
- 是否有不适合发布的表达。

输出时请列出：
1. 必改问题；
2. 可改问题；
3. 建议删除的段落；
4. 300 字以内的精简版。

人再看自检结果，而不是从零开始读。这样人做的是判断，不是搬砖。

第五步：最终签发必须有人

无论 AI 做了多少轮自查，最后一步都必须有人签发。尤其是三类内容：

• 对外发布的文章、公告、营销材料；
• 涉及产品承诺、法律合规、隐私安全的文档；
• 会影响工程决策、架构选择、排期优先级的材料。

这些内容一旦出错，代价不是"再生成一版"就能解决的。AI 可以帮你写，但锅不能让它背。它也背不动。

七、把人类瓶颈变成质量关口

"人变成瓶颈"听起来像坏事，其实要分情况。

如果人卡在错别字、格式、重复修改上，那确实是坏瓶颈，应该交给工具和 AI。可如果人卡在事实、价值、判断、责任上，那不是瓶颈，那是质量关口。

工程里有个常识：所有系统都有瓶颈。成熟的做法不是幻想没有瓶颈，而是把瓶颈放在最有价值的位置。数据库扛不住，就加缓存、限流、分库分表；人脑扛不住，也要限流、分层、加自动检查。只不过这次的"数据库"是我们的注意力。

内容生产也一样。

不要让人卡在每篇初稿的每个句子上；要让人卡在这些地方：

• 这个主题值得写吗？
• 这个观点有新意吗？
• 这个结论能负责吗？
• 这个例子真实吗？
• 这个表达像我吗？
• 这篇文章发出去，会不会误导读者？

这些问题，AI 可以提供参考答案，但不能替你完成判断。因为判断不是语言能力，判断是经验、责任和取舍。

八、明天就能用的审核清单

下面这张清单，可以贴到团队文档里。别嫌它土。很多时候，土办法最救命。线上事故复盘里最常见的一句话，不就是"当时如果有个 checklist 就好了"吗？

AI 输出进入人工审核前

• 是否有 300 字以内摘要；
• 是否列出核心观点和待核查事实；
• 是否删除明显重复和空话；
• 是否标注引用来源；
• 是否说明哪些地方是推测；
• 是否给出建议人工重点检查的位置。

人工审核时

• 开头三段是否说清痛点、观点和收益；
• 每个主要观点是否有例子或证据；
• 事实、数据、引用是否可验证；
• 是否有不该承诺的内容；
• 是否有明显 AI 腔；
• 是否符合目标读者的知识水平；
• 是否值得发布，而不只是"看起来完整"。

交付前

• 标题、摘要、标签是否准确；
• 链接是否可达；
• 图表和图片是否存在；
• License、作者、日期是否正确；
• 是否有人愿意为最终版本签字。

最后这一条最实在。没人愿意签字的内容，就别发布。连作者自己都不想认领，读者凭什么认真看？

总结

AI 让内容生产从"手工作坊"变成了"小型工厂"。工厂最怕什么？不是机器太快，而是没有质检、没有工序、没有出厂标准。

要解决"看不过来、改不过来"，不能只靠人更勤奋。人的注意力本来就贵，不能拿来给机器生成的泥沙买单。更好的做法，是把 AI 放进一套内容质量系统里：先限速，再分流；先机器筛，再人判断；先候选，再定稿。

说到底，AI 不是来替人负责的。它是来把粗活、快活、重复活接过去，让人把精力留给那些真正需要人的地方。

最后一句不中听但有用的话：如果一个团队平时就没有清晰标准、没有事实核查、没有最后签发的人，引入 AI 以后，不会自动变成内容工厂，只会变成更高产的草稿堆。

目的无他，惟把关而已。

思维导图

@startmindmap
* AI 内容质量控制
** 核心问题
*** AI 生成太快
*** 人类审核成为瓶颈
*** 初稿被误当成成品
** 基本定位
*** AI 是草稿机
*** AI 是检索助手
*** AI 是改写工
*** 人是主编
** 输入闸门
*** 明确目标
*** 明确读者
*** 明确边界
*** 明确证据要求
*** 先要候选项
** 筛选流程
*** 10 秒粗筛
*** 5 分钟精筛
*** 30 分钟深改
** 人的职责
*** 定方向
*** 设标准
*** 查事实
*** 做取舍
*** 最终签发
** 工具职责
*** 压缩摘要
*** 去重
*** 风格统一
*** 格式检查
*** 风险提示
** 交付原则
*** 分段生成
*** 分段验收
*** 机器先自查
*** 人类做判断
*** 低价值内容直接丢弃
@endmindmap

明天可以做的 5 件小事

1. 把"直接写全文"改成"先给候选观点和风险清单"。
2. 给每类内容写一张一页纸任务卡，先定目标、读者、边界和证据要求。
3. 规定 AI 初稿进入人工审核前，必须先完成摘要、去重、自查和待核查列表。
4. 给人工审核设置三档：直接丢弃、轻量改、重点深改。
5. 每周复盘一次：哪些 AI 输出经常被删掉，把这些问题写回提示词和审核清单。

扩展阅读

• Harness engineering for coding agent users，Martin Fowler 网站关于 coding agent 质量系统的文章。
• The Anatomy of an Agent Harness，LangChain 对 Agent = Model + Harness 的解释。
• Effective harnesses for long-running agents，Anthropic 关于长任务 agent 如何保持上下文和质量的实践。
• Harness engineering，OpenAI 对 harness、反馈循环和控制系统的工程思考。

本作品采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可。