新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何避免AI写公众号文章一本正经地编造?WeWrite写作模块的任务书与证据清单

发布时间:2026/11/16 19:02:48来源:尧图网络
如何避免AI写公众号文章一本正经地编造?WeWrite写作模块的任务书与证据清单
如何避免AI写公众号文章一本正经地编造WeWrite写作模块的任务书与证据清单【免费下载链接】wewrite公众号内容全流程 Skill从热点抓取到微信草稿箱一句话跑完整条内容管道项目地址: https://gitcode.com/gh_mirrors/wew/wewriteAI 帮你写公众号文章时经常一本正经地编造数据、引用甚至凭空冒出“亲身经历”——这是 AI 公众号写作最大的坑。开源项目 WeWrite 的写作模块wewrite-write用「文章任务书 主张与证据清单」两件套在动笔前把 AI 框死先定义要写什么再逐条核对哪些主张有来源没有证据的主张不得进入初稿。本文带你走一遍这套机制 ️为什么 AI 会一本正经地编造AI 的训练目标是“把句子续得顺畅”而不是“区分事实与虚构”。常见的编造有三种编造数据一句“研究显示”“据调查”背后并没有这份报告编造经历“我朋友”“一次采访”——但用户从来没提供过材料编造引用看起来很像真的话来源却是现造的这些内容读起来通顺、肉眼难辨。防编造的关键不是叮嘱模型“不要撒谎”它照样会而是设计一套让编造无处藏身的流程主张可见、证据可查、编辑把关必过。写前任务书先定义要写什么再允许动笔WeWrite 写作模块被调用后第一件事不是写正文而是先生成brief.yaml——也就是「文章任务书」完整流程见 skills/wewrite-write/SKILL.md。它强迫 AI 在动笔前回答清楚这些问题字段回答什么audience读者是谁在什么情境下读真正要解决的问题是什么goal读完能复述的一个结论可以采取的行动thesis全文核心判断比常见说法新增了什么结论在什么条件下成立最强反方是什么personal_materials用户本次任务是否明确提供了真实经历材料framework用哪种骨架写痛点 / 故事 / 清单 / 对比 / 热点解读 / 观点 / 复盘任务书的价值有两点把“写得像一篇文章”变成“解决一个明确的读者问题”。核心判断说不清时AI 只能靠套话填充而套话正是编造的藏身之处个人材料边界是硬规则。personal_materials.availablefalse时AI 可以写“我认为”“我的判断是”这类观点但禁止编造亲历事件、朋友同事、现场对话、时间地点和感官细节。即使选用的写作人格要求“私人故事开场”也会自动改为观察式或判断式开场而不是补造材料规则见 skills/wewrite-write/references/article-brief.md。主张与证据清单没有来源的主张不得进入初稿任务书之后是claims.yaml——把文章真正要证明的 3-6 个主张全部列出来并逐条关联来源账本sources.yamlclaims: - id: C1 text: 正文准备表达的主张 type: fact # fact / inference / opinion / user_experience source_ids: [S1] # 对应 sources.yaml 的来源编号 status: supported # supported / bounded / unsupported四条硬性规则条条针对编造主张类型规则事实fact必须有能直接支持它的来源否则删除或标unsupported不得进入初稿推断inference要列出依据并明确“这是推断”不伪装成确定事实意见opinion可以写但不伪装成共识用户经历user_experience只认本次任务用户明确提供的材料账本中标user_provided每条进入文章的具体数据、引述、案例或时效性事实都要在原页面核对后登记进来源账本wewrite sources add --url {原始页面} --title {标题} \ --claim {该页面支持的具体主张} --status verified两个容易忽略的细节 模型记忆不得标verified。“我记得应该是这样”不是来源。账本实现src/wewrite/sources.py只接受 verified、unverified、user_provided 三种状态CLI 入口在 src/wewrite/commands/source_ledger.py搜索不可用就降级只写不依赖最新数据的分析和有边界的判断删除无法核实的数字与“研究显示”并在任务中记录降级。宁可少写不编造。安全增强与编辑门槛写完之后还有两道闸初稿写完不代表交付。增强内容同样要进主张和来源清单材料不足就缩小主张或换框架不得强行反转、补故事或制造“内幕”策略见 skills/wewrite-write/references/content-enhance.md。之后由编辑模块 wewrite-review 做事实核对 五项判断维度核对什么准确核心事实有直接来源事实、推断、意见分得开观点核心判断明确新增价值、适用边界和反方写了吗有用真的回答了读者问题给了可执行的行动合声符合账号语气有没有编造亲历或挪用范文好读开头快进主题各节连贯其中“编造作者亲历”“核心事实没有来源”“结论超出证据边界”任意出现一条都是阻断问题不得交付不通过就直接改稿并复审最多两轮两轮仍不通过则删除不可靠内容、缩小承诺交付能被证据支持的版本审稿规则见 skills/wewrite-review/SKILL.md质量标准见 skills/wewrite-write/references/editorial-quality.md。每篇任务目录会保留brief.yaml、claims.yaml、sources.yaml、draft.md等产物你可以随时回溯“为什么这样写”以及初稿到成稿改了多少。如何上手使用git clone https://gitcode.com/gh_mirrors/wew/wewrite.git ~/wewrite cd ~/wewrite bash install.sh安装后对 Agent 说“就这个选题写一篇公众号文章”它会依次产出文章任务书、主张与来源清单、初稿再经 wewrite-review 审稿通过后成为可交付的成稿 ✍️ 配图、排版、推草稿箱都是完成后按需追加的独立动作。总结防 AI 编造的答案不是要求模型“更诚实”而是把**“先证据、后主张”变成流程**任务书定边界、主张清单锁死每条要证明的话、来源账本提供可核对依据、编辑门槛做最后把关。这正是 WeWrite 写作模块把 AI 从“会写文章”变成“可信地写文章”的方式。【免费下载链接】wewrite公众号内容全流程 Skill从热点抓取到微信草稿箱一句话跑完整条内容管道项目地址: https://gitcode.com/gh_mirrors/wew/wewrite创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉