内容流水线防灌水：选题池、字数校验与查重硬规则

先看一段被拦下来的输出

上周流水线里有个任务，模型返回了 1200 字，标题叫《云原生时代的可观测性思考》。看起来挺像样，但正文里没有一条命令、没有一个报错文案、没有一个具体的产品名。人工复核花了 3 分钟，结论是：删。这类输出每天会稳定产生十几条，靠人一条条看，成本比手写还高。

所以问题不是“怎么让模型写得更好”，而是怎么让不合格的输出根本进不了人工队列。下面是我在实际流水线里落下来的四道闸。

闸一：选题池绑定到真实工程问题

泛泛的选题是灌水的源头。“容器化最佳实践”这种题目，模型能给你写出十篇不重样的废话。改成从一个具体问题出发：“Pod 一直 ImagePullBackOff，且私有镜像仓库返回 401 Unauthorized 时怎么排查”，输出质量立刻不一样。

我的做法是选题池不手工维护，直接从真实信号里抽：

• 工单/群聊里被反复问到的问题，按出现频次排序
• 线上告警的 TopN，比如某接口 P99 突然翻倍
• 代码仓库里被 revert 的提交，以及 commit message 里带 fix: 的紧急修复
• 自己踩过并且留下了报错截图的坑

每条选题必须带三个字段才能入池：problem（一句话说清现象）、evidence（报错原文或指标截图路径）、owner（谁验证过）。缺一个就不允许进入生成队列。这一条最土，但砍掉的灌水最多——没有 evidence 的选题，本来就是想象出来的。

闸二：结构校验挡住空转输出

光靠提示词约束没用，得在生成后做机器校验。我写了一个校验函数，跑在生成和人工复核之间：

• 字数：正文汉字数不少于 800，不多于 1500，超出直接打回
• 结构：至少 3 个 <h2>，每个二级标题下至少 2 段
• 代码含量：至少包含 2 个 <code> 片段或 1 个可执行命令块
• 黑名单词：出现“赋能”“抓手”“闭环”“生态”“在当今”等词计入扣分，命中 3 次直接打回
• 段落重复率：任意两段的最长公共子串占比超过 60% 视为复读

实现上不复杂，用 Python 的 re 统计标签数量，用 difflib.SequenceMatcher 算段落相似度就够了。关键是把标准写成代码而不是口头要求，这样阈值可以调、可以回放、可以统计每天的拦截率。我现在这条闸的拦截率稳定在 35% 左右，意味着三分之一的输出在进人工之前就被淘汰了。

另外一个细节：字数校验要分开统计汉字和代码。如果代码块占了 600 字，正文只有 200 字，那是拿代码凑篇幅，一样要打回。

闸三：生成后必须做真实性检查

结构合格的输出仍然可能是编的。最常见的是虚构接口名和参数名——模型会给你一个看起来完全合理的 API，实际上不存在。这一关必须是规则加人，不能只靠模型自检。

规则侧的三个检查我可以直接抄给你思路：

• 命令白名单：从输出里抽出所有命令，比对本地预置的命令字典。不在字典里的命令标记为待验证。
• 标识符反查：抽出形如驼峰或带下划线的 API 名，去官方文档索引文件里 grep。搜不到的一律标记。
• 数字溯源：正文里的性能数字（延迟、QPS、压缩比）必须能在素材里找到出处，找不到就是编的。

人这一侧只做一件事：确认所有被标记的项。因为标记项通常只有 2 到 5 个，复核时间从十几分钟降到两分钟以内。真实性的判断标准我定得很死——凡是写不清楚来源的技术细节，一律删掉，不允许“大概是这个意思”。

闸四：查重，别把同一份内容投第二遍

自动化最大的诱惑是复用。同一篇内容换个标题发到第二个渠道，短期看产量翻倍，长期看是自毁。平台侧的重复内容识别不只看全文哈希，标题和段落结构变了也能识别出来，被判定重复内容后账号权重下降的代价远大于多发几篇的收益。

所以流水线里要有一个发布前的查重环节：

• 把已发布内容的正文去掉标点和空白后取 SHA256，入库
• 新内容生成后先算哈希比对，命中直接拒绝
• 再用段落级相似度兜底，任意段落与历史库相似度超过 80% 就要求重写该段

这里有个容易忽略的点：同一批生成里也可能互相重复。模型在同一个 prompt 下生成的多个候选，经常共享同一套例子。所以查重库要在批内也生效，不能只跟历史比。

宁缺毋滥怎么变成硬规则

“宁缺毋滥”如果只是态度，排期一紧第一个被牺牲的就是它。我的做法是把它写成几条不可绕过的判断：

• 单日发布上限设死，比如 2 篇。当天的候选不够格就发 1 篇，甚至 0 篇，不用低质量的补位。
• 人工复核的驳回率超过 50% 时，暂停当天流水线，回头修选题池而不是硬跑。
• 任何一条输出，如果连“现象、证据、验证过的结论”三样都凑不齐，直接归档不发布。
• 发布记录里保留每篇的选题 ID 和 evidence 路径，事后能回溯它到底来自哪个真实问题。

这几条规则的价值在于，它们把质量决策从“今天有没有空认真看”变成了“流程允许不允许通过”。跑了两个月，产量比最初乱跑时降了四成，但被平台判定重复、被人指出错误的次数降到了零。对我这种一个人维护流水线的人来说，后者才是真正省时间的部分。