用 GLM 搭一条中文内容流水线：选题到成稿

内容团队的痛点从来不是「写不出来」，而是选题散、风格漂、返工多。我们把团队里跑了大半年的流程整理出来：用 GLM 系列模型串起选题、资料、成稿、质检四个环节，thinking 深度思考模式负责需要推理的环节，普通对话负责轻量改写。下面是完整做法和两个可以直接抄走的提示词模板。

先定分工：哪些环节交给 thinking 模式

不是所有任务都需要深度思考。我们的经验是按「错误成本」分：

• 选题拆解、角度评估：开 thinking。这一步错了后面全白干，值得让模型多想几轮，评估不同切入角度的受众差异和写作成本。
• 资料整理、摘要压缩：普通模式即可。这类任务容错高，thinking 反而拖速度。
• 成稿与改写：混合。提纲用 thinking 过一遍逻辑，正文初稿用普通模式保证输出流畅度。
• 质检与事实核查：必须 thinking。让它逐段质疑稿件里的断言，标出「缺乏依据」的表述。

在 BigModel API 平台上，thinking 模式通过参数开关控制，批处理选题时可以按批次切换，具体参数名以官方 API 文档为准。

环节一：选题拆解模板

这个模板解决「编辑给个模糊方向，怎么变成可写的题」。关键是强制模型输出结构化对比，而不是一段泛泛描述：

你是一名中文科技内容团队的资深编辑。请针对以下选题方向做拆解：

【选题方向】：{{在此粘贴编辑的原始想法，可以是半句话}}
【目标读者】：中文开发者与专业用户，有一定工程背景
【发布渠道】：{{公众号 / 技术社区 / 站内攻略}}

请输出：
1. 把这个方向拆成 3~5 个具体可写的子选题，每个给出：
   - 标题（不超过 20 字，不使用夸张修辞）
   - 一句话说明核心论点
   - 预估写作难度（低/中/高）和需要的资料类型
2. 指出其中哪个子选题最适合首发，理由不超过 3 条
3. 列出这个选题常见的内容陷阱（如事实红线、过度承诺）

要求：不要空泛的背景铺垫，直接输出拆解结果。

实测中，让模型自己评估写作难度，能有效过滤掉「看起来宏大但撑不起 1500 字」的题。

环节二：成稿模板

成稿的关键是锁定结构、风格和禁用词，避免每次产出风格漂移。模板里把团队的写作规范直接写进去：

你是一名技术内容作者。请根据以下要求撰写一篇中文文章。

【主题】：{{子选题标题}}
【核心论点】：{{一句话论点}}
【已有资料】：{{粘贴调研要点、数据、引用来源，没有则写「无」}}

【结构要求】
- 导语 1 段，不设小标题，直接切入问题
- 正文 3~5 个小节，每节有小标题
- 结尾 1 段落地收束，不写总结套话
- 全文 1200~1800 字

【风格要求】
- 语气像懂行的同事在分享经验，不用演讲腔
- 禁用词汇：赋能、抓手、闭环、在当今…时代、综上所述
- 不使用「最」「第一」「唯一」等极限表述
- 涉及数据必须标注来源；资料为「无」时，只写方法不编造数字

【输出】
先给出文章标题和 60 字摘要，再输出正文。

拿到初稿后不要直接进人工编辑，先过一轮 AI 质检（用 thinking 模式跑一个「逐段质疑断言」的任务），能砍掉大部分返工。涉及图文的内容，GLM-4V 可以承担封面图与截图的理解环节——比如批量描述截图内容、检查图里的文字是否与稿件一致，这块在团队里用得比预期多。

和其他模型的配合位置

不用二选一。我们的搭配是：中文语感的成稿和长文推理交给 GLM，代码示例和多语言资料处理按需分流到编码能力强的模型；开源权重版本适合把质检这类高频、批量的环节部署到内网跑，敏感稿件不出本地。各家模型能力边界随版本迭代变化，选择前建议对照官方页面最新的能力说明。

这套流水线的价值不在提示词本身，而在「每个环节有明确的模型档位和验收标准」。选题用 thinking 慢想、初稿快写、质检严审，三段式跑顺之后，团队人均产出翻了一倍还不掉质量。把上面两个模板存进你的提示词库，今晚就能用。