夜雨聆风
编辑观察
智能体进入编辑部，真正拉开差距的地方，不是会不会写一句提示词，而是能不能把业务拆成一条可复核的工作流。
在一套设计好的智能体流程里，一篇论文 PDF 上传后，编辑看到的可以先是一份接近公众号草稿的半成品。
标题在上面，导语也有了。正文分成几段，哪张图可以放在中间，哪些数字要回到原文核一遍，作者单位要不要完整保留，旁边都标着。再往下看，还有一串待核事实：研究对象、样本范围、基金项目、DOI、图表来源。
乍看像是 AI 会写稿了。
往前翻几步才知道，真正起作用的，并不只是那次生成。编辑提前放进去了栏目样例、历史好稿、标题尺度、导语写法、作者信息处理规则，还有一张复核点清单。智能体只是顺着这些东西，把一篇 PDF 拆成了更适合进入公众号编辑流程的半成品。
这才是期刊编辑部用智能体时容易被忽略的一层。
很多人第一次试 AI，会从一句话开始：“请根据这篇论文写一篇公众号推文。”模型当然能写。它会起一个还算顺眼的标题，写一段流畅的导语，把摘要扩成几段正文。可编辑打开一看，常常会皱一下眉：文字没大毛病，就是不像本刊；内容也没离谱，就是不敢直接放进草稿预览。
这种“不敢直接用”，同行都懂。
它可能把论文结论说得太满，把研究意义拔得太高；也可能把作者单位漏掉，把基金项目写得含糊；还可能把一个适合学术同行看的发现，改成了平台上常见的热闹话。读起来顺，落到编辑部就要返工。
问题通常不在那一句提示词写得够不够漂亮。更要紧的是，编辑部有没有把这类活拆清楚：一篇论文进来，要先看什么、保留什么、改写什么、哪些地方必须标出来等人复核，最后交到哪里。
草稿箱里的那篇稿，背后其实有很多旧东西
期刊公众号最怕“临时起稿”。
临时起稿当然也能发。编辑从 PDF 里摘摘要，看图表，翻作者简介，再对着公众号后台写标题、导语和正文。状态好时，一篇稿会很漂亮；状态一般时，也能勉强过关。问题是下一篇又要重新来一遍，换一个编辑，还要再摸一次口径。
智能体有意思的地方，就在这里。它可以把这些“每次都要重新摸”的东西，提前摆出来。
比如栏目样例。一个栏目长期发什么样的稿，标题一般压到什么程度，导语是先讲研究问题，还是先讲应用场景，正文里论文题名出现几次，这些都藏在样例里。单独看一篇历史好稿，只是一篇旧文章；放到智能体流程里，它就变成了口径参照。
再比如历史好稿。编辑部真正认可的好稿，往往不只是因为阅读量高。它可能在一个学术概念和公众理解之间搭了一座桥，也可能把一个复杂结论讲得不松不飘。智能体读到这些稿子，才有机会从中提取本刊常用的标题尺度、叙述节奏和表达边界。
还有作者单位、基金项目、DOI、图表说明这些小东西。它们不抢眼，却最容易出错。人工写稿时，编辑会顺手查一眼；交给 AI 时，如果没有专门的复核点，它很可能把这些字段当成可有可无的背景信息。
所以，草稿箱里那篇看似自动生成的稿，实际是很多旧东西重新排队：PDF 是入口，栏目样例是参照，历史好稿是语气，复核点是刹车，发布前预览则是最后一眼。
编辑部要看的，是这些旧东西能不能一起工作。一次写得惊艳，反倒没那么要紧。
一篇 PDF 能走多远，取决于它被拆到多细
同一篇论文，交给不同编辑，写出来的传播稿会不一样。这很正常。编辑有判断，有偏好，也有自己的栏目经验。
但放进智能体，不能只留一句“写得适合公众号一点”。这句话太宽了。宽到模型只能拿通用公众号经验来补。
更稳的做法，是把 PDF 里的内容拆成几个可处理的物件。
题名先不要急着改。它要告诉智能体这篇论文真正研究什么，哪些词不能随便换。摘要可以被改写，但摘要里的结论边界要保留。作者单位要单独抽出来，因为它既关系到学术署名，也关系到传播时的可信度。图表可以成为正文中的一个入口，但图表里的数字必须回到原文核对。基金项目、研究对象、时间范围、数据来源，都应进入待核事实。
到了标题和导语，又是另一套判断。
标题不能只是论文题名换个说法。公众号标题要给读者一个进入理由，但期刊号又不能把话说过头。导语也一样。它要把论文问题翻译成读者能理解的问题，同时不能把作者没有说的话塞进去。
这一步最考验编辑部自己的口径。
如果栏目样例里长期偏稳，智能体就不能突然写成情绪化标题；如果历史好稿常用“问题—发现—启发”的顺序，导语就不宜一上来堆评价；如果本刊对作者单位呈现很谨慎，草稿里就要给出保留、简化或核对的提示，而不是顺手省掉。
拆到这里，智能体产出的最好不要只是一篇“看起来完整”的文章。它更像一份可编辑的半成品：标题有候选，导语有方向，正文有层次，事实点有标记，风险处有提醒。
这份半成品进入公众号编辑流程后，编辑再看预览时，心里会踏实一点。因为该露出来的问题，已经露出来了。
复核点让编辑敢把草稿接住
很多编辑对 AI 稿不放心，原因很朴素：它写得越顺，越容易让人漏看。
一句话读起来没问题，数字可能错了；一个结论听起来很有力度，论文里也许只说到相关性；一个作者单位看着完整，实际可能少了二级机构；一张图放进正文很醒目，但图注里的时间范围没有交代清楚。
期刊编辑最怕这种“顺”。顺到像成稿，风险就藏进去了。
所以，智能体进入编辑部，复核点不能放在最后随便看一眼。它要从草稿阶段就出现。待核事实单独列出来，引用位置标出来，作者单位和基金项目提醒核对，对图表来源，可以要求它标出原文页码或图表编号；标题里可能越界的词，也要单独提示。
这听起来有点麻烦，但其实是在省后面的麻烦。
编辑改 AI 稿，最耗时间的往往不是句子本身。真正费劲的，是重新确认它到底有没有依据。若每一处都要自己回 PDF 里找，智能体只是把写稿时间换成了核稿时间。若它已经把待核事实摆出来，编辑的工作就变成了判断：这条是否保留，那个词能不能用，标题要不要降一点。
这也是编辑应该留在的位置。
智能体可以把材料搬出来，把候选标题列出来，把导语写出几种气口，把正文整理成接近公众号预览稿的样子。最后哪一个标题能发，导语是否越界，作者单位是否要补全，图表是否适合放出来，仍然要由编辑拍板。
说到底，复核点让编辑敢用；没有复核点，再漂亮的草稿也只是一次冒险。
真正的新玩法，是把经验放进可复用的链条里
一篇 PDF 变成公众号稿，只是一个入口。
沿着这个入口往下看，期刊编辑部会发现，自己过去很多工作都长得差不多：有输入材料，有本刊口径，有输出样式，有复核要求，也有最后的发布或归档。退修意见整理如此，审稿意见归纳如此，官网新闻、视频号脚本、作者成果推介，也有类似结构。
差别在于，有些工作一直靠熟手撑着。
熟手知道哪类标题不能起，知道导语哪里要收，知道作者单位怎么写才稳，知道哪张图能放公众号，哪张图只适合论文正文。新人要学很久，换人就会波动，忙起来还会漏。
智能体能做的，是把这些经验从“我知道”变成“流程知道”。栏目样例放进去，历史好稿放进去，复核点放进去，进入公众号后台前需要满足的格式和检查规则也放进去。以后同类 PDF 再来，至少不必每次都从空白页开始。
当然，这不等于编辑部可以把判断交出去。恰好相反，业务拆得越细，越能看出哪些地方必须由人判断。
模型负责把材料整理到台面上，编辑负责决定哪些能上桌。
这句话不新鲜，但落到期刊编辑部，很实在。真正值得期待的效率，不只是少写几段话、多出几个标题候选。更重要的是，它让编辑部把散在样例、旧稿、规范、口头经验里的东西，慢慢沉淀成一条可重复的生产链。
再回到开头那篇草稿。
PDF 还在那里，草稿箱也还在那里。标题、导语、作者单位、栏目样例、历史好稿、待核事实、微信后台预览，这些物件串在一起后，智能体才更像是在参与编辑部的工作流，而不是停在一个聊天窗口里。
期刊编辑用智能体，真正拉开差距的地方就在这里：能不能把一篇稿背后的业务拆出来，让它被执行、被复核、被回看。
