十个 AI 组了一个编辑部

还真不是。多调几次 AI 和让多个 AI 各司其职，是两回事。前者是你自己当调度员，手动把文章丢给不同的 AI，自己判断谁说得对。后者是一套自动运转的流程，每个 AI 有明确的角色、权限和边界，它们之间有严格的先后顺序和打回机制。你别笑，听起来简单，但真正做到”自动运转”这四个字，中间踩的坑说出来能写一本书。

说实话，我用了一个类比来设计这套系统，就是编辑部。

想象你是一家科技媒体的主编。你不写稿，不改稿，不审稿。你只做一件事，调度。决定谁在什么时候做什么，然后把所有人的产出汇总，做出最终判断。

这就是 KZCQL 里的”主Agent”。它不碰文章的任何一个字，但它决定文章的命运。主Agent 的禁止事项里写得清清楚楚，禁止直接写作，禁止直接评分，禁止修改规则，禁止跳过评审直接交付。它是一个纯粹的调度者，像交响乐团的指挥，自己不演奏任何一个音符，但整场演出由它掌控。

上篇我说过，写手和审核必须分开。但光分开还不够，还得让审核的人足够多、足够细、足够狠。

所以这个”编辑部”有 10 个人。2 个写手，4 个审稿编辑，1 个质检，1 个架构师，1 个规则制定者，加上主编。一共 10 个 AI 角色，各管一摊。

它们怎么分工的？一个一个说。

W1，记者。 它的任务是写初稿。不是随便写，而是调用一套专门的写作工具（叫 khazix-writer Skill），按照预设的写作规范来生成。写完之后，W1 还要自己做一轮自检，检查字数够不够、格式对不对、有没有违反写作规范。但请注意，W1 的自检只管”写得好不好”，不管”写得对不对”。事实准确性不是它的事。就像报社里的记者，写完稿子交给编辑，至于里面的事实是否准确，那是核查团队的事。

W2，文字编辑。 它和 W1 的区别在于，W1 从零开始写，W2 只负责改。而且 W2 的修改原则非常严格，每次只改 1 到 2 个最高优先级的问题，不做大改。我管这叫”外科手术”式修改。

为什么要这么限制？因为我在实际使用中发现，AI 改稿有一个致命的毛病，改一处好两处，越改越离谱。 上篇提到过，改 DeepSeek V4 的发布日期时，GPT-5.5 的正确日期反而被连带改错了。你敢信吗？改一个日期，把另一个正确的日期给改错了。如果让 W2 一次改太多地方，它改着改着就会把自己绕进去，改完之后文章可能比改之前更烂。

所以 W2 的策略是，每次只动最要命的那一两处，改完就交回去重新审。宁可多改几轮，也不要一轮改太多。这个原则在后面的迭代中被反复验证，每次 W2 试图”一次性解决所有问题”的时候，几乎都会引入新的错误。

说完写手，说审稿编辑。这是整个编辑部最核心的部分，有四个人，形成一个层层递进的审查链条。

R1，事实核查员。 它是整个流程的第一道关卡。R1 手里有 18 条”一票否决”规则加 1 条严重警告，编号从 V-01 到 V-19。任何一条否决项触发，文章直接打回，后面的评审全部跳过。

这 18 条否决规则加 1 条警告覆盖了什么？日期错误、数据错误、引述错误、价格错误、事实反转、配图缺失、图文矛盾……基本上，上篇文章里出现的所有翻车类型，都被编进了规则里。每一条规则的背后，都是一次真实的翻车教训。V-18″配图内容与文章主题不符”，是配图事故之后加的。V-19″论点偏移”，是发现 AI 写着写着跑题之后加的。其中 V-15″背景膨胀”比较特殊，它不触发否决，只标记警告，但会扣分。

举个例子。V-01 是”核心事实日期错误”，V-02 是”数据/统计信息不准确”。而且 R1 不是只看文字觉得”这个日期可能不对”就完事了，对于关键事实声明，它必须联网验证。去查官方来源，确认这个日期到底对不对。

上篇那篇文章里，R1 一把就抓住了 5 个日期错误，DeepSeek V4 的发布日期、GPT-5.5 的发布日期、GLM-5.1 的发布日期、Kimi K2.6 的 GA 日期，还有一个融资日期。五个日期，五个全错。如果当时有 R1，这篇文章根本走不到发布环节。

R2，资深审稿编辑。 如果 R1 放行了，18 条否决规则全部通过，文章才会来到 R2 面前。R2 做的是 10 个维度的全量评审，满分 100 分，各维度满分不同。

这 10 个维度是 D1 标题、D2 开头、D3 内容深度、D4 结构、D5 语言风格与质感、D6 金句、D7 配图、D8 结尾、D9 事实、D10 技术规范。每个维度都有明确的评分标准，不是”我觉得还行就给 8 分”，而是逐条对照规则打分。

注意 D7，配图。R2 不是看一眼图觉得”还行”就打分，而是逐图检查，图片文件存不存在、图片内容和对应段落的语义是否匹配、图片风格是否和整体统一。上篇那篇文章，R2 给 D7 打了 0 分，评语是”配图缺失，无法评分”。后来补了图，但内容和文字对不上，再后来文字改了图没跟着改，三次翻车，三次都是不同类型的失败。

R2 还有一个特点，它只提问题，不给修改建议。它告诉你”第三段逻辑不连贯”，但不会告诉你”建议改成什么什么”。修改是 W2 的事，R2 只负责诊断。这个分工很重要，如果评审者同时给出修改方案，W2 就会偷懒，直接照搬 R2 的建议，而不是自己思考怎么改最好。

R3，校对员。 这个角色只在迭代阶段出现。当 W2 根据评审反馈修改完文章之后，R3 不做全量评审，只看 W2 改了哪些地方。它的核心问题是，上轮评审指出的问题，你解决了没有？有没有在修改的过程中引入新的问题？

R3 有一条很硬的规则，改动超 30%，退回全量审。 如果 W2 的修改幅度超过了文章总篇幅的 30%，R3 会自动拒绝评审，把文章退回给 R2 做全量评审。为什么？因为改动太大意味着这不是”修改”，而是”重写”。既然是重写，就应该按新文章的标准重新审一遍。

这个机制是为了防止 W2 借”修改”之名行”重写”之实。重写是 W1 的活，W2 不能抢。职责边界必须清晰，否则整个流程的信任链就会断裂。

R4，编委会/终审。 它是评审流程的最后一关。R4 不直接看文章，而是汇总 R1、R2、R3 的评审报告，给出一个综合评级，S、A、B、C、D、F。

S 是 95 分以上，卓越，可以直接发。A 是 85 到 94 分，优秀，通过评审。B 是 75 到 84 分，良好，需要 W2 再改改。C 是 65 到 74 分，合格但需要较大修改，走 W2 迭代。D 是 60 到 64 分，勉强及格，退回 W1 重写。F 是不及格，同样退回 W1 重写。

只有达到 A 级及以上，文章才会进入人工终审，也就是我亲自看一遍，确认没问题之后才发。B 级及以下的文章，AI 系统不会让它走到我面前。

到这里，你可能已经发现了一个问题，谁来监督这些评审自己不犯错？

说真的，R1 到 R4 都是 AI。AI 会犯错，评审 AI 也会犯错。如果 R2 给了一篇烂文章 90 分，怎么办？如果 R1 漏掉了一个日期错误，怎么办？如果 R3 和 R2 对同一段修改给出了完全相反的评价，听谁的？

这就是 I1 存在的理由。

I1，质检/纪检。 它是整个系统里最特殊的一个角色。I1 不参与正常的写作-评审流程。它平时”隐身”，只有在特定条件下才会被激活，人类主动要求审查、评审结果出现异常、或者发生了事故。

I1 的调查报告不经过主Agent，直接呈报给人类。它是整个系统里唯一一个可以直接”越级上报”的角色。这个设计是刻意的，如果 I1 的报告要经过主Agent 过滤，那主Agent 就有可能隐瞒对自己不利的信息。独立汇报渠道是督察有效的先决条件。

举个例子。有一次，系统在归档文章的时候，发现配图文件没有被正确保存到归档目录。这看起来是一个小问题，但 I1 被激活之后做了全面调查，发现这不是偶然事件，配图归档流程存在系统性漏洞，而且这个问题在之前的多次迭代中都没有被发现。I1 的调查报告直接交到了我手上，促发了一次系统性的规则修复。

I1 只调查，只汇报。 这种独立性是它能发挥作用的关键。如果 I1 也参与正常流程，它就会被流程”同化”，失去独立的判断力。就像纪检委不能同时兼任业务部门的主管一样。

最后两个角色，不在编辑部的日常运作里，但在系统的长期进化中至关重要。

A1，技术顾问。 它从”元层”审查整个系统的架构健康度。什么叫元层？就是它不审文章，它审”审文章的系统”。A1 有一套八维度的评分框架，从规范一致性、流程完整性、规则覆盖度、职责清晰度等八个方面给系统打分。

如果 R2 是给文章打分，A1 就是给 R2 本身打分。它问的问题是，R2 的评审标准够不够清晰？R1 的否决规则有没有遗漏？W2 的修改流程有没有设计缺陷？整个系统的运转效率如何？

A1 也不直接修改任何东西。它只出诊断报告，列出问题和优先级，然后交给 E1 去执行。

E1，规则制定者。 它根据 A1 的审查建议来修改系统规则。A1 说”配图审查规则不够完善”，E1 就去设计新的配图规则；A1 说”R3 的回退机制需要量化标准”，E1 就去制定具体的百分比阈值。

E1 有一个硬性约束，不能凭空创造规则。每一条规则变更都必须有审查依据，要么来自 A1 的架构审查报告，要么来自人类的反馈。没有依据的规则，E1 无权添加。这个约束防止了”规则膨胀”，如果每个 AI 都可以随意加规则，系统很快就会被互相矛盾的规则搞瘫痪。

好，10 个角色介绍完了。它们怎么协作？

一篇文章的完整生命周期是这样的，W1 写初稿，交给 R1 做事实核查。R1 用 18 条否决规则逐项检查，全部通过之后，文章进入 R2 的全量评审。R2 从 10 个维度打分，然后 R4 汇总所有评审意见，给出综合评级。

如果评级是 A 级或以上，文章进入人工终审，我看完没问题就可以发了。

如果评级是 B 级，文章进入迭代循环，W2 根据评审反馈做精准修改，R1 复检（或者 R3 做差异评审），然后 R4 再评级。这个循环最多跑 5 轮。如果 5 轮之后还没达到 A 级，系统会强制退出循环，把文章交给我来决定怎么处理。

如果评级是 C，文章走 W2 的迭代修改流程，和 B 级类似，但需要改的更多。如果评级是 D 或 F，文章直接退回给 W1 重写，评级太低说明问题不在细节，而在根本，初稿的方向或质量就有大问题，小修小补没用。

这就是整个编辑部的运作方式。10 个 AI，各司其职，互相制约。写手不能审自己的稿，评审不能改文章，质检独立于流程之外，架构师只看系统不看文章，规则制定者不能凭空造规则。

不是换更强的AI，而是分工。

这套系统搭好之后，我做的第一件事就是让它跑一遍，用上篇那篇满是错误的 DeepSeek V4 文章作为测试用例。结果如何？

编辑部搭好了，但第一次”出刊”还是出了问题。

你猜怎么着，架构审查只打了 74 分。

74 分是什么概念？及格线以上，但离”好用”还差得远。A1 的体检报告列出了 15 个问题，其中最严重的三个是，人类反馈闭环缺失、验证链路断裂、规则覆盖不足。

怎么说呢，编辑部虽然搭起来了，但运转起来磕磕绊绊。有的环节有流程但没闭环，有的规则写了但没执行，有的角色分工清楚但边界模糊。就像一个新成立的团队，每个人都知道自己该干什么，但配合起来总是差那么一点。

从 74 分到真正能用的系统，中间还差了好几轮进化。

如果你也在搭类似的系统，或者对这套编辑部的某个角色特别感兴趣，评论区聊聊。

下一篇，我们看看这份 74 分的体检报告到底写了什么。