两部小说,一次关于AI委托的试验

文／Sean和C教练　草稿协作／C老师记录日期：2026年10月24日

两块五左右，生成一部约四万字的小说，再按审阅意见修两轮。这个数字让我停下来算了第二遍。

先把账说清：这是DeepSeek这一侧的token费用估算，不含外部审阅，也不含我读消息、作决定和转交反馈的时间，更不是整项工作的最终账单。便宜确实便宜，但故事还没讲完。

我给自己的AI助手起过几个名字。C老师是我的OpenAI助手，蓝铅笔是Kimi，D哥是DeepSeek。这次，我让蓝铅笔和D哥分别写一部近未来科幻黑客小说，再由同一个C老师审阅实例读稿、找问题、检查修订。

蓝铅笔使用Kimi K3，Work模式、极致档；D哥使用DeepSeek V4.1 Flash Max，运行在DeepSeek Harness，简称DSH的工作环境里。以下判断只属于这次配置、这两部作品和这套交互过程。

我原先想看它们能写出怎样的智斗。后来更吸引我的，是另一件事：我把一个目标交出去之后，究竟还要亲自扶着它走多远？

四万字，是一张会不断收紧的网

画一个SVG小图标、做一个页面玩具，很容易看见第一眼的效果。我这次想换一个观察窗口。

长篇智斗有一种特别的苛刻。你在第三章写某人只能看见通信动作，第九章就不能让他突然读到邮件正文；上午打印的日志，不能证明傍晚什么也没发生；主角拿到一条候选线索，也不能在下一段就把凶手的完整计划说成事实。

这些约束还会彼此牵动。人物知道多少，决定他能采取什么行动；行动需要权限，权限有取得时间；证据强弱影响别人是否愿意承担风险；反转又要让前面的伏笔换一种解释。改掉一个前提，结尾可能跟着松动。

漂亮句子能够把这一段照亮，却不能替下一章补上缺失的桥。四万字的价值，就在于让作者有足够长的距离暴露这些问题。

当然，小说只能测到一部分能力。它不能替代数学、代码或现实任务，也不能把文学分数兑换成通用智商。我要看的，是模型能否在一个复杂、相互约束的任务里维持判断，同时让故事值得读下去。

背景由我们事先约定：2028年前后，AI数字能力很强，可以推理、调用工具，也可以组成小队协作；但部署并不均匀，权限和物理反馈都有具体来源，可信反馈仍然稀缺。我们既不把今天的模型短板封成永恒天花板，也不给未来AI发一张全知通行证。

我把目标交出去，把验收留下来

委托很明确：自主规划，写完约四万字，交完整Markdown，不逐章等我批准。作者可以分章暂存，但最终要有一份能从头读到尾的稿子。

蓝铅笔前期已经和我们讨论过设定，还经过两轮设定审阅。对手的身份和动机方向，也有C老师参与裁决。它先交了一章，后来完成十二章的《备用容量》：一次被正确拦下的调度请求，竟然留下了已经执行的回执。调查从记录真假，逐渐伸向现实里的风险。

最终合并稿按当时记录口径有38,775个非空白字符，包含标题和元信息，不能叫作38,775个纯汉字。

D哥拿到的是C老师根据前一项目经验编成的自包含提示词。它不用等我搬运旧讨论，也不用先读一堆不在手边的文件。它写出九章的《盲区回执》，最终正文43,989个非空白字符，含标点、数字和字母：一位证据审计员从母亲洗衣店的拒赔案追查下去，发现观测、校准和理赔之间藏着生意。

所以，这不是同一输入的随机盲测。蓝铅笔得到更多针对本故事的讨论，D哥得到更成熟的提示。后者还继承了前者暴露问题后形成的经验。这些帮助无法简单抵消，更不能在最后把差距全算成模型本身的差距。

完整初稿之后，我们采用了相近的流程：作者交自检，共同审阅者独立读正文，给出具体章段和最小修法；作者另存版本，再检查受影响的章节和结尾。真矛盾、缺少铺垫与审美偏好分开，不要求作者把整部小说改成审阅者的口味。

这套办法减少了我在窗口之间搬运背景的工作，却没有把我从流程里抹掉。我仍然决定是否继续审阅，转交意见，处理路线选择。它是一场有监督的委托试验，远不到“无人值守的创作工厂”。

会说原则，和守住原则，是两回事

两部初稿都有可读性，也都有承重错误。

《备用容量》一个很好的设计，是把专业人员的日常写得有压力。复核岗驳回请求，语气像在说今天的盒饭。它也敢让一段高潮围绕“别出事”展开：人守着电话和设备，等一项事先准备好的操作完成。

但初稿有一处，上午打印的记录被拿来证明傍晚没有事件。还有角色明明只有低权限观察点，后面却知道了不该知道的具体内容。身份追查关口，一份恰好可检索的材料又承担了过多解题任务。

这些问题不是“未来技术做不到”，而是文本没有让信息和权限按顺序到位。

《盲区回执》的长处更贴近生活。开篇，主角在母亲店里洗一双别人的鞋。洗衣机坏了，客人的被套还得认领，调查不会替谁把墙刷好。妹妹也不肯因为姐姐追求真相，就无限承担代价。她说：“可天没塌，塌的是我的日子。”

可它的机制同样会松。初稿一项实验让两份真实值相同的数据分别挂上不同来源，然后发现模型偏爱其中一方。偏爱来源，尚不足以证明它作出了错误理赔，更不足以直接证明某个人恶意操纵。另一些地方，测试副本、解封密钥和原始账本也被写得过于相近，好像名字一换，访问范围就能跟着扩大。

共同审阅者把两部首稿的“跨章勾稽一致性”都评为60，技术与社会机制可信度都评为65。它们需要的不是再添几个术语，而是接上那些影响行动和胜负的连接。

修订有效。蓝铅笔补清记录的取得顺序、容量怎样被虚增、冻结怎样真正生效；D哥把实验改成有效配对，限定测试能支持的判断，并把付款保留、后续表决和报告验证接成一条链。最终，这两项都评到85。

更值得记住的是，第一次修改之后，两边都还漏了东西：新段落已经谨慎，后面一句旧话却又把推测说成确定；前面改了规则，另一章仍按旧规则解释。

作者自检可以写得很完整，“已经全部修复”也可以说得很诚恳。它仍然只是待核的陈述。知道原则，和把原则贯彻到四万字的每个相关位置，是两种不同的本领。

逻辑审计不能代替读小说

如果审阅最后只剩权限、时钟和日志，这个试验也会走偏。

我请它们写的是小说。读者应当关心人物，想知道下一步，而不只是满意于账本终于对平。

C老师的评价里，D哥的人物动机与情感是85，蓝铅笔是75；文笔与人物声音，D哥从80到85，蓝铅笔保持75。D哥用生计、亲情和个人选择把技术冲突落得更实，后续也删掉了一些重复的警句。蓝铅笔的职业场景有辨识度，但人物常轮流解释同一寓意，高潮之后还要再总结几次。

这不是说职业小说必须补家庭悲剧。蓝铅笔笔下的管理者问：“我拿什么分辨你们？”这句话就很好。他怕的既是出事，也是再次为一次错误警报承担损失。一个人在两种责任之间犹豫，比给他贴上“官僚”标签更有戏。

两部最终的智斗与反制都评85，伏笔与反转公平性都评80。它们各有有效的策略变化，也都有集中讲解的地方。分数没有把“未死一人”判成不够刺激，也没有把反派犯错自动判成降智：人会为了收益忽视警告，关键是这个错误有没有理由、有没有后果。

这些分数用五分步长，表达编辑判断，不是精密测量。不算总分，也不把相差五分写成确定的能力鸿沟。尤其最终稿的提升，有作者落实，也有外部编辑给出的具体路线。

C老师既参与提示，又参与审阅，当然也可能偏爱自己提出的解法。这项混杂必须留在结论里。

两块五的背后，是怎样的工作负载

回到开头的费用。

我提供的DSH用量截图，经复算：D哥初稿约消耗1,254万token，其中未缓存输入73,966、缓存输入12,341,888、输出124,315。初稿加两轮修改，累计约6,255万token，其中未缓存输入170,351、缓存输入62,101,120、输出277,589。

按2026年10月24日核对的Flash空闲时段价格，每百万token的未缓存输入、缓存输入、输出分别为1元、0.02元和4元。工作日规定时段按高峰价，其余包括周末为空闲时段。DeepSeek官方价格说明

在输出统计已含计费思考、各次调用均适用空闲价的假设下，初稿约0.82元；三轮合计约2.52元，其中未缓存输入0.17元、缓存输入1.24元、输出1.11元。返修比初稿增加约1.70元。本次按Flash计价，未另加Max档费用；更高思考强度仍可能增加token数量。最终应以实际账单为准。

缓存解释了相当一部分低价。初稿界面显示99%，按输入精算约99.404%；三轮累计界面显示99.7%。长任务一再提交先前上下文，重复输入能够复用，价格就与每次从头计算很不一样。

但缓存命中不是理解率，也不是模型获得了永久记忆。累计六千多万token不是一次装进那么长的上下文，累计命中率也不代表每轮都一样。恰恰是在高缓存命中的过程中，作者仍然漏掉了跨章旧句。

蓝铅笔这一侧，我当时记录的设定讨论、初稿和两次修改，token费用约20元，尚未核成API账单。另一次C老师写作中，我曾用“周额度3%×25美元×6.8”估出5.10元，那是订阅分摊，任务范围也不同，且后来确实有独立审阅和定向修改。把这三个数排成榜单，再宣布谁便宜多少倍，会比这两部小说的初稿更不严谨。

速度也一样。D哥界面记录初稿1轮107步、143 token/s，三轮累计267步、172 token/s；这是界面指标，不能直接换算从下达委托到通过验收的总耗时。我的体感是K3较慢，D哥和Astra较快，但没有做受控测速。首响应、生成、工具等待和返修往返，是四种不同的等待。

串行返修尤其会放大慢：作者等反馈，审阅者等新稿，人再等核验。一项便宜的任务，也可能昂贵在人的注意力上。

接下来，谁来制定验收标准

这个小试验让我更看重审阅能力。

生成价格降下来之后，稀缺的可能是：知道该查哪里，能发现承重错误，能给出不毁掉作品的修法，还能知道什么时候停。

便宜而够用的生成模型，加上更强的审阅，值得试。但不能预设前者会自动替代后者。审阅者也会漏错，两者还可能共享盲点。小说里的许多错误能靠文本反查；现实工作中，事实可能在现场、合同或人的脑子里，模型没有读到，就不能靠更长的推理把它变出来。

所以，委托的层级要一层层提高：先能按明确步骤完成，再能自行规划，最后能带着可靠的证据回来，请人作少量关键决定。本次我们走通了其中一段，仍靠共同审阅者和我维持边界。

对厂商竞争，也只能作条件判断。如果廉价快速的模型能稳定完成常规任务，而更强的模型持续解决难题，中档产品可能受到两面挤压。但一部K3小说不足以预言一家公司的结局，模型参数规模也不能替作品交差。

这次我们没有无限审下去。最后只查已指出问题的修改和跨章影响，确认没有实质残留，就收口。“通过”意味着这轮工作可以结束，不意味着全书从此不可能再发现错误。

我愿意继续做这样的委托。两块五让我愿意多试几次；两部小说里的那些漏洞，则提醒我把验收留在手里。下一次真正值得观察的，是我能否少救几次火，而作品仍然站得住。

附：此次九维粗评

60表示该维有承重问题、需要实质返修；75表示基本成熟但仍有明显局限；85表示扎实可交付；95留给极强而少见的表现。下表不加权、不求总分，通常上下五分都属合理讨论范围，过程维度的不确定性更大。

D哥最后一项的小幅优势主要来自完整通读稿的自主交付和准确统计，不能解释为其自检已经可靠。两者都曾把尚有残留的稿件声明为已修好。这是此次“模型＋工具＋提示＋交互”的产品交付评价，不是通用模型排名。