企业官网建设流程全解析

一、一分钟挑出十篇的那次复盘

最早发现这个问题是在一次稿子复盘上。运营同事把十篇机器生成的稿子混在三篇人工稿里让我们挑，我们不到一分钟就把那十篇全挑出来了，理由说不上来，就是读起来一个味儿。为了把这种感觉变成能动手改的东西，我们把那十三篇稿子做了一遍统计。

统计出来的几个数和直觉对得上。机器稿的平均句长是四十二个字，人工稿是二十六个；连接词密度是每百字出现四点七次，人工稿是一点二次；段落长度的标准差，机器稿是三点八个字，人工稿是十九个。几组数字摆在一起，那种一眼看出来的感觉就有了落点。

这批稿子一万两千多字，我们把它们按句和按段切开做标注，切出来一千三百多个句子和两百多个段落。后面所有改动都对着这几组数字来验证，改完的新稿子句长方差抬上去了，连接词密度降到每百字一点五次以内。

二、机器味的来源是均匀

机器味的来源不是某一个词，是均匀。句子长度均匀、段落长度均匀、连接词按固定间隔出现，这几件事加在一起，读的人很快就能感觉到节奏是平的，人工写作里那种忽长忽短的起伏没有。

连接词密度最直观。而且、因此、此外、首先、最后这几个词在机器稿里几乎每段都有，位置也差不多，段首一个段中一个。人工稿里这些词是缺的，因为人写的时候靠意思推着走，不靠连接词把关系标出来。

句长方差低说明句子的结构在重复，长句套短句的模式被反复使用。段落长度方差低说明每一段都在承担差不多份量的信息，没有哪一段只写两句就收尾。这三种表现都能算出来，所以也就可以被针对性地打散。

三、改提示词还是改结果

第一条路是改提示词，让模型自己写得更接近人。这条路省事，代价是效果不稳定，同一段提示词重跑十次会有两三次又回到原来的样子，而且这种波动没法在结果侧拦住。

第二条路是拿到文本之后做一次后处理，按可量化的规则去改。它稳定，可重复，改完能立刻用那三个指标验收；代价是只能动表层，动不了内容里的事实错误，而且改得过头会把意思改歪。

我们两条都用了，重心放在第二条上。提示词负责把平均句长压下来，后处理负责把剩下的均匀打散。判断依据很简单，提示词的效果不好度量，后处理的效果能被那三个数直接量出来，谁更容易验收就先做谁。

还有一条我们试了一半就放下的路，是用另一个模型把稿子重写一遍，让它读起来更像人写的。效果确实有，连接词密度能掉到每百字两次以内，代价是一次改写要多花一倍的时间，而且新的模型也会带上它自己的均匀，句子长短整齐得很，等于把一种机器味换成了另一种，最后还是回到规则改写这条路上。

四、三步流水与词表替换

后处理做成三步流水，串在生成和入库之间。第一步按标点把文本切句，第二步对句子做重排和替换，第三步重新组装段落并对齐长度。每一步都有开关和强度参数，默认全开，强度按零到一之间取。

替换这一步按词表做，词表里放的是需要被换掉的连接词和它们的候选写法，每条候选带一个权重。匹配用 AC 自动机一次扫过全文，比逐条做文本查找快很多，一万字的稿子匹配加替换在三十毫秒上下。

这套改写规则现在内置在 AI智能媒体助理 的内容处理环节，可在配置里开关和调强度。上线之后我们把它调成默认开启，强度写零点六，个别偏正式的栏目单独关掉。

五、句长、段落与词频

句长处理不是随机删字，是按标点切分之后重新组合。一个超过四十字的句子先按逗号切成小句，然后按长短交替的顺序重排，遇到引号或者书名号包起来的内容整块保留，不参与切分，避免把专有名称或者引用切开。

段落长度打散的做法是给每个目标段落算一个长度区间，按区间把句子重新分配。短句多的段落就并两句，长句多的段落就拆一句出来单独成段，但单句成段要满足一个下限，太短的段落读起来更奇怪。

词频统计用哈希表，统计的是两个字以上的词，目的是找出在当前文本里出现次数偏多的词，把它们按同义写法替换掉一部分，降低集中度。替换有上限，同一个词最多换掉它出现次数的三成，超过就停手。

三个步骤的顺序不能颠倒。切句必须在替换之前，否则替换出来的同义写法会改变句子长度，后面再按长度重排就对不齐；段落重组必须在替换之后，因为替换会改变句子的字数，先分组再改会让各段的长度重新变回均匀。

六、三个坑的现场记录

第一个坑是替换之后出现重复短语。现象是同一段里连着出现两处一模一样的短句，读起来比原来更假。根因是同一个连接词被替换成了同一条候选，两条候选权重相同，随机也落在了同一条上。改法是在替换时记下已经用过的候选，同一个词在本段内不重复使用，候选不够就把整段降级为不替换。

第二个坑是专有名称被同义替换破坏。现象是一个村级服务站的名称被换成了近义说法，读者看不懂指的是什么。根因是词表里放了通用词，而这些词恰好是某些名称的组成部分。改法是在词表里加一份保护名单，命中保护名单的位置跳过替换，名单从数据字典里同步，而不是手写。

第三个坑是标点全角半角混用。现象是同一段里既有中文逗号又有半角逗号，冒号形态也不一致。根因是模型输出的原文就混着两种，后处理又按半角标点切句，切出来的位置和中文标点对不上。改法是先做一次标点归一化再切句，全文的逗号句号冒号统一成全角，切句只按全角标点切。

七、只能改形状不能改内容

这套处理改的是形状，不是内容。句子读起来顺了，事实错误、数字自相矛盾、逻辑跳跃它一样都发现不了，这些必须靠另外的校验。我们在这条流水后面还挂了一道数字核对，把稿子里的数字和知识库里的原值逐个比对。

强度也不是越高越好。强度调到一点零之后，句子被切得很碎，段落长度倒是整齐了，读起来像一串短促的标语，可读性反而往下走。我们最后把默认值定在零点六，这个位置上读感能被接受，再高就需要人工过一遍。

八、三组数字成了发布前的检查项

这三个指标后来变成了发布前的固定检查项，稿子出去之前会跑一遍，连接词密度超过每百字两次的会被拦回来重跑一次，句长方差低于阈值的一并拦回，省掉了不少人眼再过一遍的时间。

上面这组参数是 AI智能媒体助理 上统计了上万段生成文本才定下来的，不是拍脑袋写的。每过一段时间我们会重新采一批稿子对一次，阈值跟着调，但三者之间的相对关系一直没变过。