AI 会写代码了，却还写不好一本书

AI 能在两三百页的书稿里找出很深的错字，却仍然写不好一章技术书。

好家伙，这个落差比任何写作跑分都更扎眼。

刚完成 RLHF 教科书 的 Nathan Lambert，在一篇公开复盘里写得很直白，GPT-5.5 Pro 能从整本 PDF 里挖出细小错误，Claude 更像一个有品味的编辑，可一旦让模型从头组织完整章节，内容就会开始发散，顺序混乱，概念漂移，还喜欢在不该耍聪明的地方拗句子。原文可以看 这篇 Interconnects 文章。

同一代模型，写函数、改 bug、解数学题越来越猛，写长篇非虚构内容却像卡在另一个版本里。

为什么？

我的判断是，很多人把长文当成了更长的文本生成任务。喂一份资料，给一个题目，把输出 token 拉高，等模型一路吐到结尾。看起来像写作，其实更像让一个程序只靠标准输出维持全部运行状态。

能跑才怪。

长文不是一句话的放大版，它更像一次持续几十分钟甚至几天的有状态构建。标题挂着一条承诺，开头放进一个问题，中段不断引入术语、证据和限定条件，结尾还得把前面的枪打响。每加一段，都可能让前面某个判断失效。

模型最容易翻车的，恰好是这组跨段、跨节、跨版本的依赖。

句子级检查全绿，整本书仍然构建失败

Lambert 给出的成功案例都很具体。

GPT-5.5 Pro 检查两三百页近终稿，擅长找拼写和小问题。Claude Code 根据 LaTeX 文件里的 \editor{} 标记，逐个定位编辑意见，打印前后文，再区分简单修正和需要作者判断的问题。模型还帮他同步 Markdown 与 LaTeX 两份书稿，一份接网页读者反馈，一份供 Manning 的编辑团队审阅。没有智能体，这类同步工作可能要多花五倍时间。

厉害了，而且每一项都是真干活。

但你仔细看，这些任务都有明确边界。错字有没有改对，可以核对。两份文件有没有同步，可以跑 diff。某条编辑意见有没有处理，可以查标记。公式能不能编译，代码能不能执行，链接能不能打开，都有外部信号。

模型负责的是一个个能验收的单元，不是替作者决定整本书先讲什么、为什么这样讲、哪里应该删掉一段看起来正确却破坏主线的话。

这很像软件工程里的单元测试和集成测试。

模型现在已经很会通过句子级单元测试。语法通顺，术语像样，单段也有观点。可把五十个各自合格的段落拼在一起，不等于得到一章合格的书。上一节把某个概念当作前提，下一节又从零科普一遍。前面说方案只适合离线批处理，后面却悄悄拿它支撑实时场景。标题承诺讲代价，写到结尾只剩优势。

每一句都能过 lint，整个 build 还是红的。

句子级测试全绿，不代表整章还能保持同一条主线

Lambert 关于信息与洞察的另一篇文章 把组织知识称为一种压缩。这个说法很准。写作不是把知道的东西尽量铺开，而是决定哪些事实共享一个结构，哪些例子只留一个，哪些限定条件必须跟着结论一起移动。

模型默认更擅长加内容。看到一段不够完整，就补背景，看到一个概念，就补解释，看到结尾，就补一层升华。信息越堆越多，结构却未必更清楚。最后的感觉像一个装满依赖却没人维护 lockfile 的仓库，什么都有，谁也不敢升级。

长文最缺的不是上下文，是可恢复的状态

很多朋友可能会问，现在上下文窗口都这么大了，把全文重新塞进去不就行了？

窗口能装下状态，不等于模型会正确维护状态。

一个上下文窗口里可以同时放标题、资料、旧稿和修改意见，但模型仍要判断什么是事实源，什么是作者观点，什么已经废弃，什么只是待验证假设。只要这些角色没有被显式标出来，更多上下文反而会让旧版本和新版本一起争夺注意力。

程序员对这种事应该很熟。内存够大，不代表状态机就对。

长文至少有四类状态需要单独维护。

一类是承诺状态。标题和开头到底答应读者什么，正文每一节负责兑现哪一部分。

一类是证据状态。每个数字来自哪里，哪个判断只是一手作者的看法，哪个结论有官方文档或实验支撑，哪些材料不能越过限定条件使用。

一类是概念状态。术语第一次在哪里解释，后面用的是不是同一个定义，缩写、版本和产品名有没有漂移。

还有一类是叙事状态。前面埋了什么钩子，哪里需要回扣，哪些段落虽然不错，却把文章带去了另一条支线。

坦率讲，直接把这些状态埋在几千字自然语言里，再指望模型每次编辑都完整恢复，有点像把数据库事务日志写进群聊记录。不是绝对不能恢复，只是代价高，失败时还很难知道从哪一步开始坏的。

更靠谱的做法，是把它们拆成模型能检查的外部工件。不是再写一份漂亮大纲，而是一张能被逐项验收的写作合同。

promise:
  question: 为什么模型写不好长篇技术内容
  payoff: 一套可执行的长文构建流程

claims:
  - id: C1
    statement: 模型擅长局部编辑
    evidence: Interconnects 原文
    limit: 不等于能组织完整章节

terms:
  long_form_state: 承诺、证据、概念与叙事状态

callbacks:
  - 300 页错字检查
  - 句子级测试与整章构建

forbidden:
  - 无来源数字
  - 把作者观点写成行业共识
  - 整篇覆盖式重写

这份东西不追求好看，它的价值是让每轮编辑都有恢复点。某一段改坏了，可以回到对应 claim。某个数字找不到出处，可以只阻断那条证据。标题换了，先更新 promise，再检查哪些章节已经失去任务。

怎么说呢，这才像工程。

数学和代码有判题器，写作还没有

模型在代码和数学上的快速进步，容易让人误以为同一套能力会自然外溢到写作。

可这几个任务的反馈结构差得很远。

代码能编译，测试能返回红绿，数学证明可以被形式系统检查。可验证奖励强化学习，也就是 RLVR，正是靠这些相对清楚的信号减少长链路里的错误累积。模型走错一步，环境能告诉它错了，训练过程也能逐渐奖励更稳定的路径。

长文里没有现成的 pytest。

一段话读着顺，却可能偷换概念。一章结构完整，却可能把最关键的反例藏到了脚注。事实都准确，依然可能没有观点。最麻烦的是，很多错误只有真正懂这个领域、也知道目标读者是谁的人才能看出来。

这也是为什么 Anthropic 的黎曼 zeta 研究 很亮眼，却不能直接推出模型已经会处理所有开放科学问题。数学探索里可以组织大规模搜索，再由专家与形式化工具验证关键结果。技术写作也需要搜索和推理，但它还要选择解释顺序、构建读者心智模型、压缩材料、管理语气，并判断什么不该写。

后一组工作，很难用一个标量奖励概括。

好消息是，我们不必等到写作判题器从天上掉下来。可以先自己搭一套弱一些、但够用的验收层。

事实层跑链接检查，给每个数字保留来源。

概念层维护术语表，检查同一名词是否出现多个定义。

结构层让评审模型只回答一件事，每一节是否真的在兑现标题承诺，不让它顺手润色。

反例层单独找文章里最强的反对意见，检查正文有没有诚实回应。

版本层把每次修改限制在一个 diff 里，先看删除了什么、改动波及哪些段落，再决定是否合并。

这里最关键的一刀，是让评审和改写分开。一个模型既判卷又直接改稿，很容易一边修问题，一边把原本的人味洗掉。先产出带位置和证据的缺陷单，再按缺陷局部修改，效果通常更稳。

有点子牛逼的地方也在这儿。我们不需要模型突然拥有完整的文学品味，只要先让那些可以外置的判断变得可追踪，长文质量就能往前走一大截。

别让模型写一篇文章，让它跑一次构建

如果现在要用 Claude Code、Codex 或别的智能体协助写长文，我会把流程切成几次很窄的任务。

先只做证据账本。每条事实配原始链接、时间和限定条件，二手摘要只能做线索，不能直接成为引用。

再只做骨架。每一节写一句任务声明，说明它给主论点增加了什么。如果两节的任务声明几乎一样，先合并，别急着扩写。

然后按节生成，但每次都把 promise、相关 claims、上一节结尾和下一节任务一起交给模型。不是把整份上下文一股脑塞进去，而是给当前步骤最小但完整的状态切片。

写完先跑局部检查。禁词、链接、数字、术语、段落重复，这些能机械查的先机械查。机器能做的别留给品味，品味很贵。

最后才做集成检查。把文章当成读者第一次看到，从标题一路走到结尾，找承诺断线、定义漂移、证据越界和支线残留。问题单出来后，只改命中的句段，不让模型整篇重写。

你如果已经在用 git 管文章，这套流程更顺手。一次任务一个 diff，一次评审一张缺陷单。Vale 可以查风格规则，markdownlint 可以管基础格式，链接检查器负责死链，剩下那些只能靠领域判断的问题，再交给人和评审模型。

模型不是一次写完全文，而是在证据、结构和验收闸门之间交付小补丁

反正我觉得，模型最适合扮演的不是替你坐在书桌前的作者，而是一支不会累的构建队伍。有人查依赖，有人跑测试，有人定位失败，有人准备补丁。至于这本书为什么存在、读者应该带走什么、哪句看似漂亮的话必须删掉，仍需要一个人守着主分支。

Jasmine Sun 写过模型为什么更适合编辑而不是作者。Lambert 的实践也给出了很具体的证据。他甚至公开了书里的 图表源码，模型能帮忙写 TikZ、Python，能做格式转换，也能维护重复劳动。它确实让知识更容易变成不同媒介。

但媒介转换和知识创造，不是同一个任务。

在非虚构写作的最早阶段，作者要决定骨架，决定先讲什么，决定哪些事实放在一起才会产生理解。那段看起来最慢、最不像产出的工作，往往才是洞察生成的地方。把它全部交出去，省下的是时间，也可能顺手省掉自己的判断力。

所以未来两到五年，最好的教材大概率仍然会有很重的人手痕迹。我不知道更远以后会怎样，但今天的边界已经很清楚。

AI 能检查三百页，也能替你补一段。

真正难的，是让第三百页还记得第一页答应过什么。