文章目录
承接上一篇：戏蓝图之后，还要不要追问？
承接AI网文写作实验笔记（七）：从 0/20 到 20/20——蓝图要“可判定”才管用。
Part 7 证明了“可判定的戏蓝图”能让 AI 一次生成就有戏（20/20 达标）。但生成之后还差最后一步：要不要再让 AI 检查一遍、改一遍？ 市面上几乎所有 AI 写作教程都在喊“多轮追问出奇迹”，但没人用控制变量的方式测过——追几轮才是真的有用？
这篇就是回答这个的。60 篇稿子、两个独立评者、同一批初稿打底，结论一句话：1 轮就够了，3 轮是白花钱。
写给谁： 已经用上“戏蓝图 + AI 生成”，想再加一步追问优化，但不知道追几轮、该让谁追的作者。
30秒极简版
一句话：蓝图生成后，追 1 轮（让 AI 检查一遍、改一遍）就够了，别追 3 轮，换模型改没差。下面告诉你为什么。
结论先行：三个问题，一句话回答
1. 追问能让剧情更好吗？
能，但增量小。两个独立评者（作者 + qwen3.7-plus）都同意：初稿是最低的，追问或改稿后普遍更高。但提升幅度有限——蓝图本身已经把戏做到接近满分，追问只是锦上添花。
2. 追几轮值？
1 轮就够。 两评者对“1轮 vs 3轮”没有共识（作者评者认为 1 轮略好，qwen 评者认为 3 轮略好），谁也说不清哪个更强。既然谁更好都说不清，就别为“说不清的东西”多花 3-4 倍成本——取 1 轮。（注意：这里测的 3 轮是“每轮补足加料”式，不是“重复检查 3 遍”式，详见结果二。）
3. 谁来改？换模型改会不会更好？
不会。 deepseek 改 vs qwen3.7-plus 改，两个评者都说没差别。因为审查意见已经把“怎么改”写得足够具体，修改者只是执行指令。“谁来审”比“谁来改”重要——但那是 Part 5 已证的结论（审查必须独立），本篇只测“前提满足后怎么选”。
一、 追问的两个问题
一次生成再好也会漏网——情魔该攻击主角却讲起别人的故事、节奏拖半拍，追问（让 AI 检查一遍、改一遍）就是补这些短板。但代价是：每追一次都要重新喂全文、多花 token，还常把稿子改长。所以真正要问的是：
- 追问几轮值？（方法论 06 说“3 轮追问从 60 拉到 90”）
- 谁来追、谁来改？（生成模型自己审自己，还是换独立模型？）
一个实验设计回答两个问题：追问轮数（0/1/3）怎么设、修改模型换不换。
二、 实验设计
四组，全部基于同一批 15 篇 doubao 初稿。
| 组 | 初稿 | 审查 | 修改 | 测什么 |
|---|---|---|---|---|
| 初稿（基线） | doubao | 无 | 无 | 本轮真实基线 |
| 追问 1 轮 | doubao（同批） | deepseek | deepseek | 追 1 轮值不值 |
| 追问 3 轮 | doubao（同批） | deepseek × 3 | deepseek | 追 3 轮值不值 |
| 追问 + 换修改 | doubao（同批） | deepseek | qwen3.7-plus | 修改者换不换 |
两个变量各测一件事：
- 追问轮数（1 轮 vs 3 轮）：后两组共用同一批 doubao 初稿，唯一变量 = 轮数
- 修改模型（deepseek vs qwen）：共用同一批初稿 + 同一份 deepseek 审查指令，唯一变量 = 修改模型
评估方式（60 篇全盲）： 60 篇（初稿15 + 1轮15 + 3轮15 + 换修改15）打乱组别、随机编号，两个评者独立打分：
- 评者1（作者）：主观盲评
- 评者2（qwen3.7-plus）：独立模型盲评（不知道哪篇是哪个组）
- 指标：继续阅读意愿（1-5）+ 有戏四要素计数（0-4）
三、 一个意外发现：AI 当评委，也会“和稀泥”
第一版实验设计里，评者2 打算用 deepseek。试评结果：60 篇里 58 篇打 4 分——几乎无法区分好坏。
换 qwen3.7-plus 重新试评，分数分布才拉开。
这是一个可复现的现象：AI 评者对高完成度的稿子默认给高分，打分容易坍缩。 所以本篇采用两个评者（作者 + qwen）交叉盲评，任何结论都不只依赖某一个评者的分数。
给想复现的人：选评者模型前，先拿几篇稿子试测它能不能把分拉开；打不出差分的模型，别用。
我们给评者用的打分 Prompt（连“必须拉开分差”都要写死，否则它就端水）：
你是一名网文编辑，正在审稿。下面是一段修仙小说正文。
请只根据这段正文本身质量打分，只输出 JSON：
{ "willing": 继续阅读意愿 1-5（5=非常想看下一章，4=想读，3=还行，2=勉强看完，1=完全不想看）,
"drama": 有戏四要素计数 0-4（每符合一项加1：①反派真攻击主角本人 ②反派自己失控 ③主角带动作狠话 ④信息差反转）}
重要：这批稿子共60篇，质量参差，绝不允许全打高分。
5分极其罕见，最多给2篇；平庸流水账请给1-2分。
- 写死“必须拉开分差”：第一次试评时没写这句，deepseek 60 篇里 58 篇打 4 分
- 换模型后分布才正常：同样的 Prompt 喂给 qwen3.7-plus，分数能拉开了
四、 结果一：追问有用，但增量小——两评者唯一一致的地方
先交代一个测量上的关键选择： 本篇有两个指标——“有戏四要素”（数出来的，看戏有没有）和“继续阅读意愿”（打分，看想不想读）。四要素在初稿就到 3.93/4，追问后顶到 4.00/4（见下表）——它已经触顶，追问推不动。所以本篇主指标用“继续阅读意愿”，问的是：戏够了之后，追问还能不能让人更想读？
继续阅读意愿（1-5，5=非常想看下一章，1=完全不想看）：
| 组 | 评者1（作者） | 评者2（qwen） | 四要素计数（数出来的，评者1） | 两评者一致吗？ |
|---|---|---|---|---|
| 初稿（基线） | 4.33 | 3.53 | 3.93/4 | 都最低 ✅ |
| 追问 1 轮 | 4.73 | 3.67 | 4.00/4 | 都比初稿高 ✅ |
| 追问 3 轮 | 4.53 | 3.93 | 4.00/4 | 都比初稿高 ✅ |
| 换修改模型 | 4.80 | 3.80 | 4.00/4 | 都比初稿高 ✅ |
看“四要素计数”这一列——它说明为什么“戏”没得可追： 初稿已经 3.93/4，追问后顶到 4.00/4。这个指标是数出来的（每篇数：①反派真打主角本人？②反派自己崩？③主角带动作狠话？④信息差反转？中一条记 1 分），不是主观感受——它触顶了，追问在“戏有没有”上已经无事可做。
两个评者唯一达成的共识：初稿是最低的，追问或修改后普遍更高。
- 评者2（qwen）：初稿 3.53 → 3轮 3.93，差异显著
- 评者1（作者）：初稿 4.33 → 1轮 4.73，差异明显
但注意：增量很小（两评者都只有 0.2-0.4 分），因为反套路蓝图本身已经把“戏”做到接近满分。追问不是用来“把戏写出来”的，是用来“让稿子再多一点想读的冲动”。蓝图负责有戏，追问负责锦上添花。
五、 结果二：3 轮没更好——但必须说清“这是哪种 3 轮”
先说清测的是什么： 我们对比的不是“追 1 次”和“追 3 次”这两个动作，而是两种不同的追问策略：
| 1 轮策略 | 3 轮策略 | |
|---|---|---|
| 审查指令 | 逐项检查四要素，只挑“不达标”的改 | 每轮要求“补足”（第1轮谁打谁、第2轮失控+绝杀、第3轮反转） |
| 篇幅约束 | 明确“保持篇幅相当” | 无（鼓励加料） |
| 结果 | 正文 +10% | 正文 +127% |
重要：这两个策略不同，所以“3 轮没更好”不能简单归因于“轮数多”。 严谨的说法是：在“逐轮补足、每轮加料”这种常见追问方式下，3 轮没有带来共识性的提升，还把正文撑到 2 倍多。
继续阅读意愿：1 轮 vs 3 轮
| 评者 | 1 轮 | 3 轮 | 谁更好？ |
|---|---|---|---|
| 评者1（作者） | 4.73 | 4.53 | 1 轮略好 |
| 评者2（qwen） | 3.67 | 3.93 | 3 轮略好 |
两个评者各说各话。 这不是“数据有问题”，而是真实世界里常见的现象——模型评价本身就有主观性，尤其是当两批稿子质量都很接近时。当评者对一个问题没有共识时，正确的决策是：不花额外的钱去赌。
成本账：追问的钱花哪了？
追问的隐藏成本是正文变长——AI 每次“优化”都会把内容扩写，这直接推高 token 消耗：
| 组 | 初稿长度 | 追问后长度 |
|---|---|---|
| 初稿 | 678 字 | — |
| 1 轮追问 | 678 字 | 745 字（+10%） |
| 3 轮追问 | 678 字 | 1539 字（+127%） |
1 轮和 3 轮的正文增长差 12 倍： 1 轮追问的审查指令明确“保持篇幅、只改不达标项”，正文只长 67 字；3 轮追问每轮要求“补足”（信息差反转等），每轮都在扩写，正文疯长到 1539 字——质量没有共识性提升，字却长了 2 倍。
成本明细（按 2026-08 实际 API 单价估算）：
| 组 | 输入 token | 输出 token | 合计成本 |
|---|---|---|---|
| 初稿（doubao） | ~0.9k | ~1.0k | ~¥0.006 |
| +1 轮追问（deepseek 审+改） | +2.3k | +1.5k | +¥0.02 |
| +3 轮追问（deepseek×3） | +7k | +7k | +¥0.08 |
| 1 轮 vs 3 轮成本差 | 约 3-4 倍 |
怎么算的（你也能自己算）：
单价（2026-08）：doubao-pro 输入 ¥1.2/百万token、输出 ¥4/百万
deepseek-chat 输入 ¥0.5/百万、输出 ¥2/百万
1 中文字 ≈ 1.5 token
例：1 轮追问的一篇
初稿 678 字 ≈ 输入 0.9k + 输出 1.0k
+ 审查（把初稿+指令喂给 deepseek）≈ 输入 1.3k + 输出 0.5k
+ 修改（按指令重写）≈ 输入 1.0k + 输出 1.0k
合计 ≈ 4.7k token ≈ ¥0.02 上下
3 轮 ≈ 每轮都重喂全文，14k token ≈ ¥0.08，正好 3-4 倍
量级参考，实际以当时账单为准。
小结：1 轮就够，别追 3 轮
方法论 06 的“3 轮追问从 60 拉到 90”承诺，在我们的数据里没有被复现——两个评者连“3轮是不是更好”都没达成一致，更别说拉到 90 了。增量在 1 轮就基本吃完，3 轮只花钱不产出共识。
六、 结果三：修改者换不换——两评者都说没差别
继续阅读意愿：deepseek 改 vs qwen 改
| 修改模型 | 评者1（作者） | 评者2（qwen） |
|---|---|---|
| deepseek 改 | 4.73 | 3.67 |
| qwen3.7-plus 改 | 4.80 | 3.80 |
| 差异 | 几乎没差 | 几乎没差（统计上不显著） |
两个评者一致：修改模型换不换，没差别。 因为 deepseek 的审查指令已经把“怎么改”写得足够具体（“情魔这句没戳主角本人，改成戳他师父的坟”），修改变成“执行指令”而非“重新创作”。指令够细，执行者是谁就不重要。
一个诚实交代： 有人可能会问——那“审查者”呢？换审查者会不会有差别？这个问题在 Part 5 已经回答过：审查者必须独立于生成模型。但注意：Part 5 测的是文风校准场景，本篇是剧情审查场景，两者任务不同——这里引用的是 Part 5 的原理（审查者独立于生成者），而非在本篇场景直接重测。严谨地说，这是“借用已证原理”，不是“本篇场景内独立验证”。
为什么这对实践很重要？ 它帮你省掉两类冤枉钱：
- 别在“追问几轮”上砸钱——1 轮就够，3 轮两评者都没共识还贵 3-4 倍；
- 别在“换修改模型”上纠结——两评者都说没差别，用便宜的就行。
七、 落地：SOP 的完整形态
“人填蓝图 → AI 生成 → 独立模型审查 → 任意模型按指令改 → 人工终审”
【人工】填反套路戏蓝图（谁打谁/谁失控/怎么绝杀/什么反转）
↓
生成模型照蓝图生成初稿（doubao）
↓
【审查】独立模型（deepseek）逐项检查四要素，输出具体修改指令
"情魔这句没戳主角本人，改成戳他师父的坟"
↓
【修改】谁执行都行（deepseek 或 qwen），按指令重写
↓
【人工】终审：只查剧情，文字不动
判断标准：
- 审查者必须独立于生成者（Part 5 原理，本篇借用）
- 追问 1 轮足够，别追 3 轮（两评者无共识 + 3 倍成本 + 正文 +127%）
- 修改者换不换，两评者都说没差别，别纠结
- 如果独立审查后仍不达标 → 问题在蓝图（谁打谁写得太虚），回 Part 7
✅ 这是一个场景下的初步验证，不是“完整链路通用验证”。 本篇验证的是：攻心对话戏 + doubao/deepseek/qwen 这三个模型下，追问值多少、几轮、谁审、谁改。跨题材、跨模型未验证。
可复制的独立审查 Prompt（直接喂给审查模型）
【任务】你是独立审查者，检查下面这段小说正文是否符合四条"有戏"标准。
【正文】
{在这里粘贴 AI 生成的初稿}
【逐项检查】
① 谁打谁：反派是否真的在攻击主角本人（揭主角伤疤/秘密）？还是只讲了别人的故事？
② 谁失控：反派是否自己绷不住崩掉（破音/自曝/恼羞成怒）？还是作者安排它崩？
③ 怎么绝杀：主角是否有带动作的狠话（一句掀翻反派逻辑）？还是只讲道理？
④ 什么反转：是否有信息差反转（主角知道、反派不知道的事，关键时刻亮出）？
【输出格式】
- ① 达标/不达标：若不达标，具体怎么改（改哪句、改成什么）
- ② 达标/不达标：若不达标，具体怎么改
- ③ 达标/不达标：若不达标，具体怎么改
- ④ 达标/不达标：若不达标，具体怎么改
【红线】只审剧情执行，不改人设、设定、世界观。
【改稿要求】按指令修改时，保持篇幅与原稿相当，只改不达标项。
把这段 Prompt + 初稿喂给另一个模型（deepseek 等），拿到修改指令后，交给任意模型（或自己）按指令改。关键：审查模型必须和生成模型不是同一个。
低配版（只有一个模型/一个账号时怎么办）
如果你只有豆包或一个 ChatGPT 账号，做不到“生成用 A、审查用 B”，可以用**“先自查、再修改”**的降级版：
【任务】你是网文编辑，先审查下面这段正文是否达标，再按审查结果修改。
【正文】
{你的初稿}
【自查清单】
① 反派有没有直接攻击主角本人（揭伤疤/秘密）？还是只讲了别人的故事？
② 反派有没有自己绷不住崩掉？还是作者强行安排它崩？
③ 主角有没有带动作的狠话？还是只讲道理？
④ 有没有信息差反转（主角知道、反派不知道的事）？
【执行】
第1步：逐项写"达标/不达标 + 为什么"。
第2步：只改不达标项，保持篇幅与原稿相当。
直接输出修改后的完整正文，不要解释。
效果打折说明： 同一个模型自己审自己，会漏掉自己犯的错（这是 Part 5 的原理：校准师必须独立）。低配版比不审强，但比独立审查弱——如果你认真写书，还是建议至少两个模型（豆包生成 + deepseek 审查，两个都不贵）。
八、 明天就能试：最小闭环（5 分钟）
- 用 4 行蓝图喂生成模型（doubao 等）写一段戏。
- 用另一个模型（deepseek 等）审查：“这四件事做到没有？没做到的，具体怎么改？”
- 把审查指令交给任意模型改（或自己改），让它保持篇幅、只改不达标项。
- 对比初稿和改后：四要素是否更到位？阅读意愿是否提升？
关键是第 2 步——别让生成者自己审自己。
九、 本期数据与样本（全部存档可索取）
本轮全部数据基于同一批 15 篇 doubao 初稿：初稿本身、deepseek 改版（1 轮）、qwen 改版（换修改）、deepseek×3 轮（3 轮），共 60 篇。盲评文件（60 篇打乱）、两个评者原始打分、成本日志、统计脚本——评论区或私信找作者要。
十、 实验边界与局限（一句话一条）
- 打分的是作者和 AI，不是真人读者：我们说的“想不想读”，是AI视角的判断，不代表真实读者的反应。真人读者可能更挑剔，也可能口味完全不同。
- 两个评者对 60 篇的排序几乎不相关：谁好谁坏，作者和 AI 的看法经常不一样。这本身就是个发现——模型评价有很强的主观性，别把任何一个打分者当真理。（唯一例外是“初稿最差”这个粗判断，两评者一致。）
- 样本量小：每组只有 15 篇，差异的判断只能作参考，换成更多稿子结论可能有波动。
- 单场景、单题材：攻心对话戏。打斗/权谋、感情戏、其他爽感类型未验证。
- 单模型组合：只测了 doubao（生成）+ deepseek/qwen（审改）。Claude/GPT 等其他模型未验证。
- 1 轮与 3 轮的指令不完全对称：3 轮是“逐轮补足”式，本身更鼓励扩写。所以“3 轮成本高”里有指令设计成分，但“无共识 + 成本高”的结论不变。
- 成本按 2026-08 时价粗算，token 换算存在模型间差异，具体数字只作量级参考。
十一、 一句话总结
追问有用但增量小（两评者一致：初稿最差、改后更好）；1 轮 vs 3 轮两评者无共识，所以取便宜的 1 轮；换修改模型两评者都说没差别。 追问的成本结构里，轮数和修改者都可省——真正要保证的是“审查者独立”（Part 5 原理），这一步别省。
完整 SOP：人填蓝图 → 生成 → 独立模型审查 → 任意模型按指令改 → 人工终审。
本系列进度： Part 1（实验框架）→ Part 2（样本量）→ Part 3（约束数量）→ Part 4（规则形态）→ Part 5（文风标杆）→ Part 6（大纲端的剧情设计上限）→ Part 7（剧情蓝图）→ Part 8（追问优化，本篇） → Part 7 续（场景粒度）→ Part 9（情绪峰值 + 压抑释放）
1422
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
