![[代理设计 #3] AI 内容流水线设计：从生成到发布 封面图](/assets/images/posts/1dba3ed2-79c4-4348-b5e7-3014c4d498aa/ai-content-pipeline-1.jpg)
提到用 AI 创建内容，人们通常会想到“一次性提示词”。但一次生成的结果质量参差不齐，最后还是要由人手动修改全部内容。
如果换个思路，把生成像工厂流水线一样拆成多个阶段，会怎么样？将草稿生成、质量审核、图像生成和发布分别作为独立流程，并在流程之间加入验证。
我实际运营了一个用这种结构自动生产博客文章的流水线，并整理了由此得到的设计原则。虽然案例来自特定领域，但这种结构本身可以迁移到任何 AI 自动化场景。
本文将整理流水线的阶段组成、各阶段之间的验证机制，以及失败处理设计。
先来看核心总结。
- 生成流水线的骨架，是将生成 → 审核 → 资产创建 → 发布拆分为不同阶段
- 固定每个阶段的输出结构，就能进行中间验证和重试
- 质量审核也应当自动化。加入一个与生成模型视角不同的审核阶段
- 失败是前提。无论在哪个阶段中断，都要保留原始内容，这是设计的关键
阶段拆分：与一次性生成的决定性差异
流水线的基本结构如下。
关键词输入 → 正文生成 → 文体审核（润色） → 图像生成 → 保存 → 发布。每个阶段都是独立流程，只接收前一阶段的输出作为输入。
与一次性生成相比，有三个优点。
- 按阶段重试：即使图像生成失败，正文仍然保留。只需重新运行失败的流程
- 按阶段替换：即使替换文体审核逻辑，也无需改动生成阶段
- 按阶段度量：可以通过指标追踪质量在哪个流程中出现问题
模块化系列中介绍的内聚性和耦合度原则可以直接应用。将一起变化的逻辑放在一起，流程之间通过结构进行通信。
固定输出结构
要实现阶段拆分，需要满足一个条件：每个阶段的输出都必须是可验证的形式。
在这条流水线中，正文生成阶段的输出结构固定为“标题候选数组＋正文＋图像提示词数组＋标签数组”。正文中的图像位置使用类似 [图像标记]的约定表示。
固定结构后，流水线代码就可以验证 LLM 输出，而不是直接信任它。
| 验证项 | 失败时的处理 |
|---|---|
| 必填字段是否存在 | 重试生成 |
| 图像标记数量 = 提示词数量 | 重试生成 |
| 审核后标记是否受损 | 丢弃审核结果，保留原文 |
LLM 加入流水线的瞬间，输出就不再是“相信的东西”，而是“需要验证的东西”。结构就是验证的基准线。
审核也是独立流程
文体审核阶段很有意思。AI 写的文章会留下特有痕迹，例如单调的节奏、翻译腔和机械的并列结构，因此我将去除这些痕迹的润色拆成了独立的 LLM 流程。
比起在生成提示词中添加“自然地写作”，拆分流程更好的原因就在这里。
生成阶段只关注内容准确性，审核阶段只关注文体。把两个目标塞进同一个提示词，结果两边都不理想；拆分流程后，每个阶段只需优化自己的单一目标。
这可以说是应用于提示词的单一职责原则。
这里有一条规则：审核流程绝不能修改内容、数字或引用，只能调整文体。
因此，审核后会机械比对图像标记和关键数字是否保留；检测到损坏时，就丢弃审核结果并使用原文。
以失败为前提进行设计
流水线中的所有外部调用都可能失败，包括 LLM 调用、图像生成 API 和渲染工具。因此，失败处理不是附加功能，而是骨架本身。
原则有三个。
第一，保留原始内容。任何流程都不会覆盖前一阶段的输出。审核失败时，原文必须保持不变。
第二，允许部分成功。四张图中有一张失败时，保存成功的三张，只记录这次失败。全部回滚属于过度处理。
第三，让失败可见。不要吞掉错误，而要记录在状态字段中，让人可以从仪表板只重新运行失败的流程。
总结
总之，AI 自动化的质量来自流程设计，而不是模型：拆分阶段、用结构验证，并为失败进行设计。
传统流水线工程的原则，在 LLM 时代依然完全有效。
结合阅读 Harness Engineering 和 Context Engineering 两篇，你就能描绘出“如何高效使用模型”的完整地图。