20个月,370本书。南非作者 Coral Hart 用多模型协同框架,把 AI 写作从单点生成变成了流水线作业。
这种多模型路由策略在工程上并不新鲜,但在内容生成侧跑通,说明大模型的长文本控制力已经跨过了商用门槛。你以后做 Agent 编排,完全可以复用这种按能力拆分发任务的思路。
- 单模型直出全书效果极差,必须前置概念、风格、人设和大纲。
- 模型能力存在明显长板:ChatGPT 擅长对话,Claude 掌控结构,Grok 处理受限场景。
- 工作流已进化:从早期单次生成一段需 2-3 个提示词,到现在单次提示词直接生成全书草稿。
多模型路由与前置上下文工程
Coral Hart 花了 3 个月时间摸透模型脾性并搭建框架。她明确指出,直接扔给模型写本书的指令,返回的只会是毫无逻辑的文本垃圾。工程上的解法是前置上下文:先锁定故事概念、文风、角色细节和章节大纲,再喂给系统。这种 Prompt 设计思路,相当于给大模型加上了强约束的 System Prompt。
从工程落地角度看,这种多模型协同框架的核心在于能力路由。你在设计自己的内容生成 Agent 时,不要指望一个大参数模型包揽一切。对话生成需要高自由度和语感,适合调用 ChatGPT 这类在对话语料上微调极深的模型。故事结构和逻辑连贯性,需要极强的注意力机制和长文本规划能力,这正是 Claude 的强项。至于边缘或受限场景,Grok 的宽松对齐策略反而成了优势。选型时,先拆解任务流,再为每个节点匹配最合适的模型,而不是死磕单一模型。
模型能力边界与迭代速度
原文没有提供具体的跑分数据,但从工程实测反馈来看,各模型的偏科现象依然严重。
- ChatGPT:对话生成能力极强,但散文和文笔描述能力较弱。
- Claude:故事结构搭建能力突出,但在处理情感张力或特定驱动力场景时表现不佳。
- Grok:对齐策略完全不受限,在处理特定火辣场景时表现优异。
工作流演进数据:
早期阶段:单次生成一个段落,需要 2 到 3 个提示词进行微调。
当前阶段:单次提示词序列即可直接生成整本书的草稿。
模型迭代:过去一年中,散文质量、语法准确性和句子结构均有大幅提升。
这套工作流看似高效,但失败条件也很明确。首先,它高度依赖前置大纲的质量。如果你的章节大纲逻辑崩了,多模型协同只会加速生成一堆结构严密的废话。其次,这种一次性生成全书草稿的模式,对上下文窗口和显存带宽是极大的考验。虽然原文没提具体参数量,但要支撑单次长文本生成不崩溃,底层推理框架的 KV Cache 管理必须做到极致。如果你的业务场景对逻辑一致性要求极高,这种粗放的多模型拼接法依然会产生明显的割裂感,必须引入后处理校验机制。
工程复现与资源获取
原资料未提供具体的框架代码、GitHub 仓库或安装步骤。Coral Hart 目前主要依靠商业化 API 进行组合调用,并未开源其底层的 Prompt 模板或调度脚本。
对于想复现这套工作流的开发者,建议直接通过各家官方 API 构建简单的路由网关。你可以用 LangChain 或 AutoGen 搭建一个多 Agent 协作流,将大纲生成、对话填充和特定场景渲染拆分成独立的 Tool。
Coral Hart 顶着网暴和死亡威胁坚持公开这套工作流,客观上为 AI 写作祛了魅。从工程视角来看,这根本不是什么魔法,而是一个典型的提示词工程加多模型路由的自动化流水线。她花了 14 年积累出版经验,又花 3 个月调试模型,这 3 个月的调试成本,才是她 20 个月出 370 本书的核心壁垒。对于技术决策者而言,不要盯着 370 这个数字焦虑,去拆解她背后的任务拆解逻辑和模型能力矩阵,才是把 AI 转化为生产力的正确姿势。
看完想聊两句?
你现在主力跑什么模型做长文本生成?上下文窗口留了多少?
本文依据以下公开报道整理:
来源:Hacker News AI Agents
原文链接:https://www.enca.com/lifestyle/370-books-20-months-sa-author-defends-her-use-ai
往期推荐
- ·工具调用成功率百分之九十九,Merge重构业务流
- ·19 纳秒解析单行,C 扩展跑赢 Rust 实现
- ·Qwen3 微调丢失首行,排查发现 bf16 双 LoRA 合并导致截断
点击公众号头像 → 历史消息,可翻阅以上文章