编辑部来了 AI 实习生｜千问入职 20 天，我给它写了一份实习小结

一个 AI 编辑，是怎么带出来的

作者｜Moonshot

编辑｜郑玄

8 月 20 日晚，MoonshotAI 在 GitHub 上更新了 kimi-code 0.38.0。没有发布会，也没有新闻稿。但这条信息，被我通过千问部署的一个定时任务「捕获」了。

很快，千问把一篇 3100 字的稿件推到了我的飞书上，题目是《月之暗面把 500 亿美元估值，押在了一个代码模型上》。

千问推送到飞书的稿件

如果我在值班，可能这时才点开 GitHub，正在判断这个模型是正式版还是测试版。但千问已经找完资料，做完核查，完成了一篇新闻初稿。

我是如何实现这些的？

这要回到 8 月 7 日，千问 APP 完成了一次功能更新，包括上线针对复杂任务的「工作助理」，随后我通过千问在本地部署了一套「找选题」的定时任务，监控九家大模型公司的官网、代码仓库和媒体报道，发现新消息后，再按照公司、事件和信源判断它值不值得写、稿件需要写到什么程度。

根据我设定的信息权重，「kimi-code 0.38.0 更新」这一事件，千问判断为「月之暗面，第一梯队，3 分」「发布新模型，6 分」「GitHub 官方确认，2 分」，总分 11 分，超过了 9 分，触发自动成稿任务，千问开始补充过去七天的相关资料，梳理新闻点和背景，很快一篇初稿推送到了我的飞书。

消息评分超过 9 分，千问启动撰稿任务

回头看，写稿是这次任务的最后一步。更早之前，千问一直守着那些分散的信源，等消息出现，再完成第一轮筛选。

而科技编辑每天花掉最多注意力的，正是这一段看不见的工作。

01

新闻不会排队等编辑上班

科技编辑每天面对的新闻，散落在许多互不相干的入口里。

公司官网上有正式公告，GitHub 里藏着版本更新，Hugging Face 会出现新的模型页面，API 文档可能悄悄改掉价格和调用方式。再往外走，还有国内外媒体、社交平台和各种未经确认的提前消息。

找到消息只是开始，编辑还要判断它值不值得写、需要多快跟进。

捕捉到了热点新闻后，编辑还要找到原始链接、理解事件背景、核对二手报道准确度，再决定写快讯、深度稿，还是放弃选题。

成为一个能眼观八方、有判断力的「眼线」，是我给千问的实习目标。

编辑每天要寻找、评估、判断、筛选大量的选题｜图源：Apple News

02

入职培训：让千问轮岗新闻流水线

一条新闻从出现到成稿，中间至少要经过四步：找到选题、判断选题价值、送到编辑面前、生成初稿。要让千问值这班，我需要给它搭建一个「新闻流水线」，再根据实际结果调整规则。

这条流水线没有现成模板，抓取脚本、打分规则、飞书推送和定时任务，都是我在对话里逐步提出要求，再由千问慢慢落实。

先懂选题，找到信源、判断选题

要让千问找选题，我先得告诉它每天去哪里找。

我先把重点关注的九家大模型公司和科技新闻入口交给千问。其中，官网、官方博客、GitHub 和 API 文档负责确认事实；Hugging Face 上的新模型、版本变化和提前流出的消息负责提供信号；媒体则补充公司之外的信息。

千问随即搭建了四路爬虫，检查媒体、Hugging Face 和官网的页面变化，到了整点，它会加入 GitHub，再做一次完整扫描。它还建立了去重机制，当同一条新闻即便被多家媒体转载，也只会判定为一个事件。

千问把九家公司的 GitHub 和 Hugging Face 页面都收录进信源清单里｜图源：千问

在正式运行前，千问还会逐一检查设定信源能不能正常访问。

比如，它发现部分媒体的 RSS 已经失效后，转而寻找镜像或备用地址，实在无法恢复的信源，则暂时停用并记录原因。

千问没有把「配置完成」当成任务结束，而是先确认这套任务能不能实际跑起来，有卡壳的部分也会主动上报给用户。

找到消息以后，下一步才是判断它有多重要。

再懂「新闻感」，一套评分系统

千问抓到一条消息后，会按照我设定的规则评估权重。

根据我的设定，总分由三部分组成：公司梯队、事件类型和信源。

按行业垂直程度划线，第一梯队公司有 3 分基础分，第二梯队公司算 1 分。

事件类型里，发布新模型加 6 分，新产品加 5 分，开源加 4 分，API 或价格调整加 3 分，融资加 2 分，出海加 1 分。

信源设定里，消息得到官方确认，再加 2 分；有可靠来源的提前泄露，加 1 分。

打分加权表｜图源：千问

把编辑经验转换成评估分数，需要多轮的优化。

比如，一款接入千问大模型的韶音耳机，主体究竟算韶音还是千问，该怎么打分？

千问没有替我把这些灰区拍板，需要编辑经验介入的地方，它会单独列出来，说明当前分数是怎么算的，再等我确认。下一版打分表会写入这些反馈，后面的扫描继续沿用。编辑经验就是在这个过程中，变成千问可以执行的规则。

信源异常时，千问会在排除项里提醒用户｜图源：千问

分数确定以后，千问会把这一轮最值得关注的结果整理成飞书选题卡。

选题汇报，选题卡送到飞书

千问不会把抓到的所有更新一股脑推给我，而是根据设定，每个整点给我发送一张梳理好的「选题卡片」。

选题卡片上，每条候选新闻都罗列着原始信源、事实摘要、分数构成、推荐理由和待确认信息。千问还会告诉我，这条新闻适合先写一篇快讯，还是值得继续补充材料。

千问推送到飞书上的选题卡｜图源：千问

千问还会把尚未确认的信息列出来，告诉我接下来应该核查什么，比如 Wan3.0 的卡片会直接写明，它被识别为「发布新模型」，但当时只有媒体报道，缺少官方渠道确认。

这张卡片更像一份等待编辑批注的选题单。千问已经完成第一轮整理，我需要做的是确认它的判断、修改规则，再决定哪条新闻继续往下写。

到这里，算是教会了这个 AI 编辑日常要做什么，完成了入职培训，现在就是要给它安排每天的工作。

上岗早报编辑：24小时值班，整理早报

我试着用千问搭建了一个「汇总当日科技资讯」的项目。

过去要做一篇日报，我需要在晚上打开多个资讯网站，从科技快讯里挑出值得收录的新闻，来自外媒的新闻还要翻译，过长或过短的新闻还要做信息补充或精炼，最后再按照固定栏目排版、补充配图。

现在，我想让千问帮我完成这部分工作。

图源：千问

我先把过往的日报发给千问，让它自行了解每条资讯的长度、栏目分类和基本格式。随后，我又补上平时使用的信源和抓取要求，并设定了两个时间窗口：晚上 10 点整理出当日 9:00 - 22:00 的新闻，次日早上 7 点半，再补充 22:00 - 7:00 的夜间新闻窗口。

千问会自行按照设定去抓取新闻｜图源：千问

在正式交付当天的科技早报任务之前，我先试着让千问跑一遍。从测试结果来看，外文新闻已经完成转译，每条资讯的长度也符合样稿。让我最担心的「AI 编造」问题也没有发生，我逐条检查了新闻，没有发现超出时间范围或虚构的信息，检查过程中，我手动加上了配图和排版。

但看完千问帮我抓取的资讯后，我用编辑经验判断，有几条新闻的传播度和话题性偏弱，还不够吸引人。

所以跑完这一轮，我又给项目加了三条要求：

每个栏目多准备 2—3 条新闻作为备选；

每条资讯必须附上原文链接；

发送飞书前，先按照栏目完成归类，用分级标题和换行做一轮简单排版。

右：我给千问提的修改建议；左：千问在调整项目后马上发送到飞书的新版本｜图源：千问

千问也马上响应，并且直接推送了一批新的资讯到飞书上。

至此，经过两轮的沟通和设定，我就得到了一个能帮我完整初筛的「日报助理」。现在，我只需要打开千问和飞书，坐等一批整理好的当日新闻，再用行业经验，直接进入核查和挑选环节。

现在，千问已经正式上岗了「极客早知道」栏目，参与了几期的内容整理。

与此同时，另一套值班任务还在待命：按照前期训练的「新闻感」打分，瞄准达到 8 分的新闻，自动进入初稿撰写。

自动生成新闻初稿

在判定 8 分以上的消息发生后，除了新闻事实本身，千问还搜索了过去七天的相关资料，优先保留官方公告、原始文件和可靠媒体报道。

材料整理完成后，它会先做一份「主编构思」，提炼新闻点、梳理背景，再确定文章准备回答的问题和大致结构。

构思完成后，它再开始写稿。深度稿控制在 2000 到 2500 字，信息相对简单的新闻则写成 800 字以内的快讯。文档创建完成后，成稿会直接以「成稿卡+飞书文档」的形式，推送到我的飞书。

比如在这周一，千问判定「阿里 Wan3.0 正式上线」是当天的重要新闻，它自动生成了一篇约 2200 字的初稿，直接空投到我的飞书上。

在我重新调整了信源评分机制后，千问判定该新闻超过 8 分，自动进入出稿阶段｜图源：千问

初稿中的「主编构思」环节，千问会罗列出新闻要点和背景、既定事实、文章的主题，以及建议的结论。这让我哪怕不采用 AI 稿件，也可以快速了解并接手这个选题。

而在成稿中，文章有很完整的结构，还在结尾罗列出了待编辑确认的内容。这么看，千问交来的仍是一份初稿，但已经整理到了可以开始审稿的位置。

AI 初稿的结构很完整｜图源：千问

这个写稿流程也是我和千问一起探索出来的。千问最初并没有「构思」，早期生成的文章更像是「信息罗列」，里面全是数据、技术名词和时间点，却没有解释这些名词和数据的意义。

发现问题后，我让它先把新闻想清楚，再开始写稿。千问随后把流程拆成「主编构思」和「正式成文」两段，后面的初稿都会沿用这套设定。

我在和千问校对初稿的写作思路｜图源：千问

从 8 月 7 日部署至今，这套任务累计处理了 2102 条线索，其中 193 条进入选题范围，66 条达到 8 分的成稿线。

「汇总资讯」和「热点自动成稿」的路线并不相同。前者考验千问的抓取、筛选、翻译、归类和整理能力，后者则是抓取、判断选题、补充背景、思考并写作的能力。

但两条路线，对我工作的帮助确实殊途同归。我不需要紧盯着一排网页，而是直接面对整理好的、附有原始来源，也标出了待确认问题的文档，我只需要把经验和判断注入其中。

这个工作状态，很像是我身边多了一个实习编辑。

03

千问的实习报告

千问当然还不是一个可以独立发稿的编辑。它对新闻的理解很大程度上来自于我设定的规则，但把它当作实习生后，它显得称职又专业。

它会尽量把材料整理完整，交付出直观的结果。而且不会越级判断，它会保留自己拿不准的地方，留给编辑人工决定。

它更难得的地方是好带。带实习生最怕每天从头教起，昨天改过的问题，今天换篇稿子又出现一遍。

千问的反馈周期要短得多。我告诉它一篇稿子只有材料、没有观点，它会调整此后的写稿顺序；我指出某类信源容易出错，下一轮任务里就会多一道核查，不需要每天「重新入职」。

它还有很强的模块化交互，比如，当我意识到高频检查对 token 的消耗量较大时，我可以在定时计划里暂时停用它，不让它「加班」，只让它在我的工作时间内，给我推送选题卡。

又或者，当我很信任它的工作能力后，我也不再需要查阅它每天的工作报告，认可了它「实习期毕业」。

就像分配工作一样，可以随时调整千问在执行的任务｜图源：千问

再往前看，这种「带实习生」的关系，也提供了一个理解工作型 AI 的角度。

过去使用 AI，人们往往先摸清模型会什么，再把工作切成一轮轮指令。但现在，人们可以先讲清自己的判断标准，再让 AI 在执行、纠错和记忆中逐渐贴近这份工作。

回头看这次带千问值班，人与 AI 的交互方式似乎绕了一个圈。

最早大家研究怎样写 Prompt，后来为了让经验可以重复使用，人们开始把方法提炼成 Skill，再让 Agent 调用不同的 Skill 完成任务。AI 能做的事情越来越复杂，使用说明书也越来越厚。

但这次使用千问，我不用研究 Skill、Agent、本地部署……只要用上我的工作经验，把工作交代清楚，看到问题就指出来，千问会自己把这些要求变成能够持续运行的流程。

于是，AI 的交互又回到了最简单的方式：把你怎么做事，讲给它听。

AI 与人的协作，就这样从人机关系，走向了长期磨合的工作关系。

*头图来源：千问

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

AI 入局内容采编，

编辑的工作方式正在被如何重构？