企业官网建设流程全解析

从2023年开始，就不停有朋友问我同一类问题：能不能整理一份“用AI创作并获得文学奖”的作品清单？这个问题的答案其实有点反直觉——能确证进入名单的案例非常少，而每一个案例周围都围着大量争议。最广为人知的是2024年日本芥川奖获奖小说《东京都同情塔》：作者在公开场合提到，写作过程里使用生成式AI辅助，全书大约5%的篇幅直接来自AI输出。新闻标题很快被压缩成“AI拿下文学奖”，但如果只看标题，你很容易错过真正重要的信息——那不是“AI写的”，而是“人用AI辅助写的”，并且作者事后主动做了披露。

如果只盯着这些热点，你会把这件事理解成“AI已经能独立写出拿奖的小说”。但从长期做技术实践的角度看，更准确的判断是：AI并没有替代文学创作，它改变的是写作作为一项工作的流程边界。过去那种“一个人从第一个字写到最后一个字”的创作模式，正在被“策划—生成—评审—修改—定稿”的多角色流程取代。理解了这几层关系，再去判断某个作品到底算不算“AI创作”，才有讨论的基础。

1. 先别急着列清单：能确证的AI获奖案例，比你想象中少

1.1 两个绕不开的公开案例

先把事实层面的事情说清楚。目前能被公开报道反复引用的案例不多，但两个方向足够说明问题。

第一个是2016年前后的日本星新一奖。当时一个由人类成员和AI系统共同参与的创作团队，把一部计算机参与写作的短篇小说投稿到星新一奖，并通过了初选阶段。这里的重点是“团队共同创作”：人类提供了创意母题、故事框架和一部分文本，AI负责生成另一部分叙事内容。也就是说，从公开的信息来看，它更接近“人类主导、AI参与”的作品，而不是“AI自动生成、人类提交”。

第二个就是前面提到的《东京都同情塔》。2024年，作者在获奖前后表示自己使用了生成式AI辅助写作，大约5%的文本直接来自AI输出。如果你仔细去看当时的报道，会发现作者本人的说法比标题要谨慎。她反复强调的是，这本书的核心结构、人物关系和主题追问仍然来自她个人，AI更多被当作一个对话对象、灵感来源和快速编辑器。

除了这两个发生在日本、知名度很高的案例，国内也陆续出现过AI参与创作的短篇小说、绘本和网络小说，一些征文比赛也开始在投稿规则里增加“是否使用AI”的选项。但从公开可查的信息看，目前要想列出一份“明确以AI名义拿下重要文学奖项”的长清单，仍然非常困难。

1.2 为什么“AI创作”和“AI辅助”必须分开看

之所以难以列清单，是因为“AI创作”不是一个单一状态，而是一条连续光谱。它至少包含以下几种情况：

• AI只提供选题灵感，人类完成全部写作；
• AI根据人类大纲生成部分段落，人类负责选择和修改；
• AI生成完整初稿，人类做大规模改写和风格统一；
• AI生成全文，人类只负责复制、粘贴和提交。

这四种场景在新闻标题里都可能被统一叫作“AI写的”，但无论从版权、评审规则还是读者感受来看，它们是完全不同的东西。

所以我的建议是：以后再看到“AI作品获奖”这类标题，先别急着下结论，先问三个问题。第一，人类在哪个环节做了判断？第二，最终文本里AI输出的真实占比大概是多少？第三，作者有没有主动披露AI使用情况？这三个问题虽然简单，但能过滤掉大部分标题党。

2. 能拿奖的AI作品，背后几乎是同一套人机协作流程

2.1 一次完整创作，至少要拆成五步

如果你去研究那些被圈内认可、进入公众视野的作品案例，会发现它们背后很少是“输入一段话、得到一个完整故事”的单次生成。更常见的是一个高度迭代的协作流程，大致可以拆成五步。

第一步，选题和价值判断。这是AI最不擅长，也最决定结果的一步。“这篇东西到底想讨论什么”“它凭什么值得别人花十分钟读完”，只有人能回答。AI可以帮助你扩展选题方向，但它无法替你判断“这个选题对你自己意味着什么”。

第二步，世界设定与人物设计。AI很适合用来做头脑风暴：主角的职业、性格、缺陷、目标，以及故事发生的时代背景和社会环境。你可以让AI一口气给出二十个版本的设定，然后人工挑选和修正。这个阶段，人的工作重心是识别哪些设定有戏剧张力，而不是操心设定够不够多。

第三步，分节生成。拿到一份足够细的大纲之后，再让AI逐段生成。这里的关键是控制单次生成的长度。一次性让AI写出几千甚至上万字，它的中期叙事往往会变得松散，角色行为容易前后不一致，文风也会在中途漂移。分节生成的目的，是让每一次输出都处在一个可控的范围内。

第四步，筛选和拼接。AI的优势在于，你可以在同一节上让它生成多个版本。之后人要做的是从多个版本里挑出可用的一版，剪掉空话，再和其他部分拼接。这个过程很像传统编辑在改稿，只不过“稿”的产生速度变快了。

第五步，人工定稿与风格统一。最后一遍必须由人来过。AI生成的文字里常常出现重复的句式、过于平均的形容词、前后矛盾的因果关系，这些都需要人逐句处理。

2.2 为什么“一次生成全文”只适合演示，不适合参赛

有人会问：为什么不直接让AI“一次生成全文”，然后拿去参赛？

第一是可控性。文学创作里真正值钱的部分，往往藏在细节的呼应、节奏的起伏和人物动机的连贯里，而这些恰恰是大语言模型在长文本生成中容易丢失的东西。第二是辨识度。评委和读者对“AI平均文风”已经越来越敏感，那种堆满排比、句句总结、情绪外露、信息密度很低的文本，几乎一眼就能识别。第三是责任。创作有一层不可推卸的责任，你要对你的署名负责。如果一篇作品绝大部分由AI生成，你只是把输出复制提交，在多数比赛和出版场景里，这已经构成规则甚至伦理问题。

所以，能进入严肃讨论的作品，几乎都跑完了“人机协作”的完整链路。AI负责生产、试错和扩充，人负责筛选、判断和承担责任。

3. 决定作品上限的不是模型，而是人的“标准层”

3.1 模型负责“完成”，人负责“是否值得”

大语言模型在每一轮都是根据上下文预测“下一个最合理的词”。它天然倾向于输出安全、平均、容易被多数人接受的文本。而文学写作需要的是在无数选择里做判断：这一句要不要删，这个角色该不该死，这个真相该不该留到最后，这个结尾到底是豁然开朗还是故弄玄虚。

这类判断很难靠训练数据获得。你可以让AI生成一百种结局，但“哪一个结局配得上这个故事”，“哪一个结局会让读者在合上书之后沉默三分钟”，这些标准并不存在于模型参数里，而存在于人的经验、审美和价值观里。

这就是我所说的“标准层”：

• 语言层：有没有病句，文风是否统一；AI可以帮忙。
• 逻辑层：时间线是否连贯，人物动机是否成立；AI可以辅助检查。
• 价值层：这个故事值不值得存在，它触到了什么真实的东西；只有人能回答。

很多失败案例并不是模型不好，而是人没有守住“价值层”。当人只是把AI输出当作成品，不做筛选、不做判断，作品自然充满平均感。

3.2 一个可复用的三段式评审框架

在实际创作中，我建议用三个阶段的评审框架来卡住质量，尤其是当你是单人创作者、没有第二个读者时。

第一阶段是初筛，只用30秒。只看开头第一屏，问自己：这段文字有没有让人想继续读下去的力量？如果开头的语言平庸、信息密度低，后面即使有再好的情节也很难救回来。很多AI生成文本在这里就会暴露问题，因为它们习惯把背景交代得又全又平。

第二阶段是细读，做主线检查。整理出时间线、人物关系、行动动机，检查是否有矛盾。这里有个很实用的习惯：每生成一节，就更新一张“事实表”，记录角色名字、已经发生的事件、角色知道什么、角色不知道什么、当前情绪状态。AI模型有上下文窗口限制，它自己也容易忘记前面章节的细节，所以维护外部记录不是可选项，而是必需品。

第三阶段是终审，做价值判断。问三个问题：这个故事有没有让我在某一刻停下来？它有没有比表面情节更底层的冲突？三天之后回头再看，我还愿意为这篇作品辩护吗？如果三个问题的答案都是“否”，那不管文笔多流畅，都不值得定稿。

这套框架不依赖具体工具，不会因为模型升级而过时。它本质上是在训练你把自己当成一个职业编辑，而不是一个“AI输出搬运工”。

4. 想自己上手？先用最小流程跑通一篇短故事

4.1 工具选择：从对话产品开始，别急着搭环境

很多人一听到“AI写作”，第一反应是去部署模型、申请API、写调用脚本。这事可以做，但不是所有人的第一步。

我更建议普通写作者先使用成熟的大模型对话产品，把精力放在提示词和创作流程上。等到你需要在同一场景上批量生成几十个版本，或者要把长篇小说拆成章节逐段处理时，再考虑API脚本；等到你开始担心手稿内容隐私问题时，再考虑本地部署。不要一开始就陷入环境配置，那会消耗掉大量本来应该用在写作判断上的精力。

如果走API路线，常见的结构也很简单：设置好模型名称、密钥和请求参数，输入一段提示词，拿到响应后保存到本地文件。关键是记录好每一版的生成参数和输出结果，方便回溯。

4.2 最小创作流程：从故事种子到初稿

这里给一个最小可操作的流程，适合用来写完一个三千到五千字的短篇。

第一步，写一段100字以内的“故事种子”，说清楚主角、场景、冲突和结尾方向。第二步，让AI把故事种子扩展成三版大纲，每一版的方向要有差异。第三步，选定一版大纲，把故事拆成三到五节，让AI逐节生成初稿。第四步，针对每一节，再让AI生成两个替代版本。第五步，人工从多个版本中挑选、拼接、修改。第六步，用上一章的三段式评审框架检查，最后人工定稿。

提示词可以按这个结构写：

你是一位擅长冷峻叙事的短篇小说作者。请基于下面的大纲，写出故事的第二部分：主角必须在一个重要决定面前出现动摇。要求：第三人称，少用形容词，多用动作和对话推进，避免总结性句子。输出800字左右。 大纲： ……

写完初稿后，还可以让模型扮演一个严厉的编辑：

请以严格编辑的口吻审读下面这段文本，列出三处最严重的问题，每个问题给出具体的修改建议。不要夸赞，直接指出问题。

这个过程看起来很朴素，但它完整包含了“生成—筛选—评审—修改”的人机协作核心。跑通一次之后，你就知道AI写作真正的工作量出现在哪里了。

4.3 参数理解与三个最常见的坑

如果你用的是API，至少需要理解几个关键参数：

实际使用中，最常见的坑有三个。

第一个坑是提示词里只说了“要什么”，没有说“不要什么”。AI会默认输出安全、平均、充满比喻的文本。比较好的做法是明确写出“不要总结句”“不要排比句”“不要形容词堆叠”。

第二个坑是一次性塞入大量设定。很多人喜欢在提示词里写满五百字的背景，结果输出内容被背景压得喘不过气。更合理的做法是：把设定放在一个地方，但只让模型关注当前一节需要的信息。

第三个坑是不建版本记录。AI生成的多版文本如果没有统一的命名和存放规则，很快会变成一堆无法区分版本的混乱文件。建议至少用“日期+章节+版本号”的方式命名，或者直接把生成记录纳入版本管理。

如果输出不正常，排查顺序建议是：先看现象，是文风平了、逻辑乱了，还是角色不像；再查输入，设定是否完整、提示词里有没有足够明确的“不要”；再查参数，温度是否过高、单次长度是否过长；最后看流程，是不是跳过了多轮筛选和人工定稿。绝大多数问题都不是模型不行，而是输入或流程出了问题。

5. 边界、披露与合规：AI写作的安全区在哪

5.1 投稿规则和署名问题

不同赛事、平台和出版机构对AI的态度差别很大。有些比赛已经明确要求作者在投稿时声明“是否使用AI、使用到什么程度”，有些则直接禁止AI辅助内容参赛。这类规则更新很快，投稿前一定要再查一次最新规定，不要凭之前的印象判断。

署名问题同样重要。在很多比赛中，“作者”意味着对作品拥有创造性的控制权。如果你的创作只是让AI生成、自己提交，那在规则收紧后很可能会被判定为无效投稿。即使规则没有写明，主动披露、主动说明，也比事后被发现再解释要稳妥得多。

关于使用AI的一个底线建议：不要把AI输出当作“原创成果”直接提交，尤其是在有明确评审规则的赛事里。人类在选题、策划、改写、选择和定稿中的贡献，才是署名成立的基础。

5.2 版权与原创性的现实边界

版权问题比较复杂，而且各国规则不一致。大致来说，纯由AI生成的内容，在很多司法辖区并不会直接产生传统意义上的“自然人作者版权”；而人类在策划、编排、筛选和修改过程中做出的实质性贡献，通常可以被认定为创作行为。

这意味着，如果你想对作品主张权利，最好在工作流里保留“人类创作痕迹”。比如保留大纲修改记录、多版筛选记录、人工改写前后对比。这既是保护自己，也是向评审方证明作品原创性的一种方式。

另外要注意，AI在非虚构领域会产生幻觉。如果作品涉及历史事件、科学数据、人物真实经历，任何AI生成的细节都必须人工核实。不要假设模型输出的内容是真实信息，它只是在生成“看起来合理的文本”。

5.3 适用场景与不适用场景

从实际经验看，AI写作更适合以下场景：

• 灵感枯竭时，快速扩展选题方向和可能性；
• 短篇故事的分节初稿生成；
• 人物对话测试，验证不同性格角色在冲突中的反应；
• 辅助病句检查、基础润色和风格统一；
• 虚构类长文的前期头脑风暴。

不太适合的场景：

• 需要高度个人风格、强烈私人经验的严肃文学写作；
• 涉及大量真实事实核实的非虚构作品；
• 评审规则明确禁止AI参与的投稿或比赛；
• 你完全不知道怎么判断文本好坏的情况。

最后一条尤其重要。如果一个人从未建立过自己的审美标准，AI输出好还是坏对他而言没有区别，那么AI只会放大这种不确定，而不是解决它。

6. 长期来看，这类作品真正改变的不是奖项

6.1 写作从个人手艺变成可拆解流程

过去一提到写作，很多人脑海里的画面是：一个人坐在书桌前，对着空白的文档，等待灵感降临。

AI参与之后，写作更像一个“创作工作室”。AI负责生产大量候选文本，人负责判断、选择、修改和定稿。这个变化最有价值的不是“更快”，而是让写作这件事变得可拆解、可迭代、可复用。以前你要等灵感，现在你可以通过流程去制造灵感、筛选灵感、打磨灵感。前提是，你仍然知道什么是好作品。

这也是为什么我坚持认为：对这个话题最有用的理解方式，不是去收藏一份“AI获奖作品清单”，而是去掌握一套“如何判断一部作品到底行不行”的方法。清单会过时，方法不会。

6.2 留给编辑、评审和读者的新课题

AI参与文学创作，真正改变的其实不只是写作者。

评审机构需要更新规则，区分“人类主导AI辅助”和“AI主导人类提交”，并且给出可操作的披露要求。编辑需要学会和“含AI量”完全不同的稿子打交道：有的稿子只是用AI做了润色，有的稿子则是AI初稿加上人工修改。读者的阅读习惯也会慢慢变化，他们需要在自己的预期里消化“作者”这个概念的外延。

对写作者来说，最稀缺的能力已经不再是打字速度或资料收集能力，而是判断力、审美和责任感。这三样东西决定了你听到“AI写作”时会成为工具的主人，还是工具流水线上的一个按钮。

回到开头那个问题：到底有没有一份“AI获奖作品清单”？现在的答案是：不要急着去收集，因为这份清单每天都在变，而且每一条背后都有大量规则争议和流程细节。真正值得长期关注的是这件事——当AI把“写出来”的成本降到接近零，人还必须为什么负责？

答案其实很清楚：为自己的判断负责。知道什么值得写，知道哪句话值得留下，知道这篇作品为什么存在。把这些想清楚，你再看到任何“AI创作”的新闻，都不会被标题带着走。