Python + AI 大模型：20 行代码生成一篇文章，但真正重要的是流程

用 Python 调用大模型生成文章，代码本身很简单。难的是让生成结果不空泛、不跑题、不胡说。

一、为什么是 Python + 大模型

生成一篇文章，理论上只需要一个对话框。但如果你想批量生成、接入业务、控制质量、记录日志、评估效果，就需要一个可编程的入口。

Python 恰好是这个入口的最佳选择：

• 大模型 SDK 齐全，OpenAI、DeepSeek、通义、Kimi、智谱都提供兼容接口；
• 异步、队列、数据处理生态成熟；
• 几行代码就能把“大纲—扩写—润色”串成流水线；
• 方便接入数据库、向量库、审核系统和发布平台。

换句话说，大模型负责语言，Python 负责流程，人负责判断。

二、最小可用代码：分阶段生成一篇文章

不要一上来就让模型“写一篇 3000 字文章”。更稳的方式是：先大纲，再逐节扩写，最后润色。

下面这段代码约 20 行，已经能跑通完整流程：

from openai import OpenAI

client = OpenAI(api_key="YOUR_KEY", base_url="https://api.deepseek.com/v1")
MODEL = "deepseek-chat"

def ask(prompt, temperature=0.7):
    resp = client.chat.completions.create(
        model=MODEL,
        messages=[{"role": "user", "content": prompt}],
        temperature=temperature,
    )
    return resp.choices[0].message.content

topic = "AI 如何改变中小企业的客服体系"
outline = ask(f"为《{topic}》写一份 5 节大纲，每节一句话，Markdown 列表。")
article = f"# {topic}\n\n"
for sec in outline.splitlines():
    if sec.strip():
        article += ask(f"扩写这一节，约300字，专业但易读：{sec}") + "\n\n"
final = ask(f"润色并修正逻辑，保留原意，输出 Markdown：\n{article}")
print(final)

把 base_url 和 MODEL 换成你使用的平台，填入 API Key，就能生成一篇结构完整的文章。

代码很短，但它包含了一个关键设计：分阶段控制。

三、为什么必须分阶段

一次性生成全文，模型容易犯三个毛病：

1. 结构松散：开头宏大，中间重复，结尾仓促。
2. 内容空泛：说了很多正确但无用的话。
3. 事实幻觉：编造数据、案例、引用。

分阶段生成，相当于把写作拆成流水线：

• 大纲阶段：控制结构和逻辑；
• 扩写阶段：控制每节深度和篇幅；
• 润色阶段：修正语病、统一语气、增强可读性。

每一阶段都可以单独评估、单独重试、单独换模型。这比“一把梭”可靠得多。

四、让文章更像人写的 5 个技巧

1. 给角色、读者和约束

不要只说“写一篇文章”，要说：“你是资深科技作者，读者是中小企业主，要求观点明确、案例具体、避免空话，输出 Markdown。”

2. 先大纲，后正文

大纲是文章的骨架。骨架不对，正文越写越偏。可以让模型生成 3 版大纲，人工选一版再扩写。

3. 每节独立生成，避免上下文过长

长上下文会导致模型遗忘前面内容，也更容易重复。逐节生成，再把结果拼起来，质量更稳定。

4. 让模型标注不确定信息

润色时加一句：“如果涉及数据或事实，请标注‘需核实’。” 这能减少直接发布带来的风险。

5. 建立自己的评估标准

“好文章”不能只靠感觉。可以从结构、信息密度、可读性、事实准确性四个维度打分，积累 50 篇人工评估样本，后续每次改动都跑一遍。

五、从脚本到产品：工程化才是分水岭

上面 20 行代码是 Demo。要变成生产系统，还需要：

• 异步并发：各节可以并发生成，但要注意 API 速率限制；
• 缓存：相同 Prompt 的结果缓存，省钱省时间；
• 日志：记录模型、Prompt、Token 消耗、输出结果，方便回溯；
• 重试与降级：超时重试，失败转小模型或人工；
• 内容审核：敏感词、版权、事实核查；
• 人工终审：AI 可以写初稿，但不能替代发布责任。

成本方面，一个实用策略是：大纲和润色用强模型，扩写用便宜模型。因为结构决定质量上限，而扩写更依赖信息量，不一定需要最贵的模型。

六、风险与边界

AI 生成文章不是没有代价：

• 幻觉：模型会编造看似合理但不存在的事实；
• 同质化：相似 Prompt 会产出相似内容；
• 版权：训练数据来源和生成内容归属仍有争议；
• 合规：新闻、医疗、金融等领域有严格监管。

因此，AI 生成内容必须经过人工审核，尤其是在对外发布、商业宣传、专业建议等场景。

结语

Python + AI 大模型生成文章，代码可以很短，但流程不能省。

短代码解决的是“能不能生成”，长流程解决的是“能不能用好”。

真正有价值的能力，不是写一个调用 API 的脚本，而是设计一套可评估、可迭代、可审核的内容生产系统。模型会越来越强，但判断什么值得写、什么不能发、什么才算好，仍然是人不可替代的部分。