我用 Python 写诗，居然还挺像那么回事：生成式 AI 在内容创作中的实战玩法

大家好，我是 Echo_Wish。

说实话，我第一次用程序自动写诗的时候，是抱着“看看笑话”的心态。

结果它写出来一句：

“月光在服务器上缓慢编译夜色”

我愣了一下。

这不是瞎写，这是有点味道。

这几年，生成式 AI 已经从“能聊天”走到“能创作”。写诗、写短文、写脚本、写段子，甚至写小说开头。很多人问我：

用 Python 能不能自己做一个“自动写诗机”？

答案是：能，而且不难。

今天我们就聊聊——生成式 AI 在内容创作中的实践：用 Python 自动写诗 / 短文。

我们不讲空理论，直接上结构 + 思路 + 代码。

一、生成式 AI 写作的本质是什么？

先说人话版本。

生成式写作，本质是：

根据已有文本的“概率规律”，预测下一个词。

你可以理解为一个极其聪明的“接龙大师”。

从技术角度看，它通常基于：

• Transformer 架构
• 自回归语言模型
• 概率采样机制

核心公式其实就一句话：

P(下一个词 | 前面所有词)

不断往前滚动，就生成整段文本。

二、最简单的自动写诗：调用大模型 API

我们先来一个实战版本，用 Python 直接生成诗歌。

示例（假设使用通用 LLM API 接口）：

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY")

prompt = """
请写一首关于“程序员深夜加班”的现代诗，
风格偏抒情，带一点孤独感。
"""

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你是一位有文学气质的诗人"},
        {"role": "user", "content": prompt}
    ],
    temperature=0.9  # 增加创作自由度
)

print(response.choices[0].message.content)

这里有几个关键参数：

• temperature：控制创造性（越高越发散）
• system prompt：决定风格
• user prompt：决定主题

这就像：

你给 AI 定了人设，再给它一个题目。

三、如果不想依赖 API？本地生成可以吗？

可以。

我们可以用 Hugging Face 上的开源模型，比如 GPT2 中文模型。

from transformers import GPT2LMHeadModel, GPT2Tokenizer
import torch

model_name = "uer/gpt2-chinese-cluecorpussmall"
tokenizer = GPT2Tokenizer.from_pretrained(model_name)
model = GPT2LMHeadModel.from_pretrained(model_name)

input_text = "深夜的机房里"
input_ids = tokenizer.encode(input_text, return_tensors="pt")

output = model.generate(
    input_ids,
    max_length=80,
    do_sample=True,
    top_k=50,
    top_p=0.95,
    temperature=0.8
)

result = tokenizer.decode(output[0], skip_special_tokens=True)
print(result)

几个关键参数解释一下：

• top_k：限制候选词数量
• top_p：控制累计概率
• temperature：创作自由度
• do_sample=True：启用采样而不是贪婪搜索

这几个参数，决定了诗“像不像人写的”。

四、采样机制决定“文风”

给你看个简单对比：

低 temperature（0.3）

• 更严谨
• 更像说明文
• 但容易重复

高 temperature（1.0）

• 更浪漫
• 更跳跃
• 但可能胡言乱语

这就是生成式创作的核心哲学：

AI 不缺想象力，缺的是“约束”。

五、自动写短文：结构化 Prompt 设计

如果你想写一篇 300 字短文，最好别直接一句话：

“帮我写个故事。”

而是结构化提示。

prompt = """
请写一篇300字左右的短文：

主题：人工智能与孤独
结构：
1. 开头提出矛盾
2. 中间描写一个场景
3. 结尾给出温柔的思考

风格：温暖但带一点哲学意味
"""

这叫：

Prompt Engineering（提示工程）

你给 AI 的结构越清晰，它越稳定。

六、如果想玩得更高级？

我们可以做：

• 风格迁移
• 关键词控制
• 韵律控制
• 自动押韵

例如简单押韵控制：

keywords = ["月光", "代码", "孤独", "城市"]

prompt = f"""
写一首现代诗，必须包含这些词：
{",".join(keywords)}

每两句押韵一次。
"""

你会发现，模型会尝试满足这些约束。

虽然不是百分百精准，但已经非常接近“创作辅助工具”。

七、生成式写作的工作流图

从流程上看，其实就四步：

1. 输入 Prompt
2. Token 化
3. Transformer 预测
4. 采样输出

听着很复杂，本质就是：

概率预测 + 采样控制。

八、真实使用场景

我自己在内容创作中，AI 用得最多的是：

• 生成文章初稿
• 生成诗性开头
• 想标题
• 改写语气

但我从来不会：

直接复制粘贴。

为什么？

因为 AI 最大问题是：

• 容易“正确但空洞”
• 容易“华丽但没观点”

真正的价值在于：

它帮你破冰，而不是替你思考。

九、我的一点感受

生成式 AI 不会取代创作者。

但它会取代：

• 不愿意进步的创作者
• 不愿意拥抱工具的人

写诗不再是“天赋专属”，而是：

创意 + 技术 + 审美的结合。

我很喜欢这种感觉。

你用代码写诗，它给你灵感，你再改它的灵魂。

这不是机器替代人。

这是人类扩展自己。

十、最后一句话

如果你问我：

生成式 AI 在内容创作中最重要的是什么？

不是模型。

不是参数。

是：

你想表达什么。

AI 只是笔。

思想才是墨。