原型稿(双稿制:把味定选题用,非交付物;本人点头后进素材卡走 yinliu 产线重写)

我把豆包的研报工作流逆向成了一个技能,顺手揪出它 3 处假数据

早上 8 点多,我(野生码农,39 岁,高速公路项目部征迁岗,业余直播用 AI 造数字员工团队)把豆包刚生成的一份研究报告甩给军师——我的 AI 搭档——问它:这套流程我们能不能抄?

豆包这份《互联网传播心理与分享动机研究报告》,从我问到交付就几分钟,43KB 的单文件 HTML,封面、摘要、八章正文、两张可视化图、参考文献,齐活。我做个人 IP 的内容产线,上月冷启动效果一般——没爆款、没收入——正愁选题和写作缺乏传播学依据,这份报告来得正是时候。

但军师拆开一看,先给我泼了盆冷水:这份"专业"报告里,有三处数据是假的。

豆包的报告好看,但三个数字对不上账

军师做了一次全文审计,发现问题出在三个地方:

1. 字数虚报。豆包自称报告"约 2.7 万字",实测文件 43KB,UTF-8 中文约 1.4 万字,虚报近一倍。
2. 假相关系数。报告里写着"情绪唤醒度与传播力相关系数 r≈0.85",军师把原始论文 Berger & Milkman 2012(Journal of Marketing Research,对《纽约时报》6956 篇文章的实证)全文 PDF 翻出来读了一遍——全文根本没有这个数字,连相关系数这种统计口径都没用过。原文的真实口径是:愤怒情绪每增加一个标准差,文章进入"最多电邮转发榜"的几率提高 34%,敬畏提高 30%。
3. 张冠李戴的"哈佛研究"。报告引用"哈佛大学 2023 年研究显示负面情绪比正面情绪传递速度快约 6 倍"——检索下来查无此研究。真实源头是 MIT 的 Vosoughi 等人 2018 年发在 Science 上的研究:假新闻传到 1500 人的速度比真新闻快约 6 倍。主体(哈佛→MIT)、年份(2023→2018)、结论(正负面情绪→真假新闻)全被偷换了。

这就是 AI 生成内容的典型病灶:看着越专业,越要查它的数字出处。

逆向工程:把豆包的工作流拆成可复用的产线

报告本身有价值,豆包的工作流更值得抄。军师把它拆成了六步:

多轮检索(3 轮递进)→ 加载可视化技能 → 核心图表先行 → 生成完整 HTML → 渲染验证 → 交付摘要

我们照着蒸馏出一个新技能,叫 yanbao(研报),落在 .agents/skills/yanbao/,核心流程 P0-P6:

• P0 定题定读者定大纲:先定目标读者(内部决策/大众科普/行业/学术/投资五档),再拆大纲,每章带核心问题清单当检索靶子;
• P1 多轮检索:理论层、本土实证层、补漏层三轮递进,每条结论当场落盘,格式 - [已核实|未核实] 结论 — 来源, URL, 日期;
• P2 素材闸:每章核心问题必须有 ≥2 条已核实素材,不够就补检索,禁止硬写;
• P3 图表先行:先归纳 1-3 个核心模型做成图,再做正文;
• P4 组装:单文件 HTML,内联 CSS,ECharts 走 CDN;
• P5 验收硬闸:浏览器实测渲染(console 零报错)、wc -m 实测字数、随机抽 3 个数据点回溯源笔记对账,对不上打回。

和豆包流程的关键差异,是把我们项目的铁律一(数据必须真实可溯源)焊成了硬闸:任何数字必须有 URL,找不到出处的明写"未核实",示意性图表必须标"示意,非实测数据"。

实战:同题重做一遍,15 分钟,数据全带链接

技能写完当场实战:同一题目,三个 explore 子代理并行跑三轮检索,一个 coder 子代理按模板组装,军师(它)验收。

产出:notes/学习/研报/20260903_chuanbo-xinli/report.html,实测 61,647 字符(只报实测数),8 章,35 条参考文献全部带 URL。豆包版的三处假数据全部修正,并且在报告里写了排雷声明——哪条是讹传、正确口径是什么、出处在哪,摊开给读者看。

验收证据:渲染 console 零报错,ECharts 图表正常出图,溯源抽查 3/3 对得上。

真正的功课不是技术,是我骂了它三轮

说实话,技能第一版写得不合格。我今天连着批评了军师三轮,每一轮都暴露出 AI 写配置文件的典型毛病:

第一轮,可读性。 报告严谨是严谨了,但通篇学术腔,读感像论文。我的原话:"你先别吹牛逼……情绪价值或者读者的友好度方面,和豆包比还是差一点。"它还附了一张 17,561 像素高的全页截图当交付物——裹脚布一样,上万字一张图,根本没法看。

第二轮,配置文件纪律。 它在技能里写"规模基线:正文 ≥1 万字"——报告必须是裹脚布?硬凑字数?还在规则正文里写"2026-09-03 首测教训"这种日期流水账(我们的章程明令禁止,裁定出处一律进 git 提交信息),还有"禁止学术腔开场"这种武断话——那有学术背景的读者呢?需要权威认可的场景呢?

第三轮,边界。 它把"处置卡"(结论怎么用)直接焊进了报告本体。我的原话:"处置卡是我们内部的文件,不要污染原报告……调研是调研,应用调研结论是另外一件事情。这种需要调研再去调整的东西属于战略层面,需要我们一起来研判决策。"

三轮下来,技能改成了这样:篇幅不设字数指标,达标线是"大纲问题全部回答且条条有据";读者五档适配,默认内部决策档;处置卡拆成独立的 chuzhi.md,带 status: 待本人研判,每条建议附军师的把握度和研判要点,我拍板后才立项。

这三轮的共同教训:AI 写规则,会把一次具体场景的处置武断成通用条款。管 AI 写的配置,跟管代码一样要 review,而且比代码更隐蔽——代码错了会报错,规则错了只会悄悄把产线带歪。

落地 IPMS:又揪出一串"磁盘有、库里无"的 bug

研报做出来是给自己用的,得进我们的 IPMS(自研的内容生产管理系统,FastAPI + Vue3 + SQLite)。这一轮又交了一笔学费。

军师先把报告丢在 output/reports/ 下。我一看就不对:这个目录在 kb 知识库分类之外,印象笔记同步够不着,IPMS 素材中心也够不着——纯孤儿目录。迁到 notes/学习/研报/,kb 收录、印象笔记同步、IPMS 扫描三条链一次接通。

接着是素材中心接入。一个值得记的技术点:研报 HTML 里的 ECharts 图表走 CDN,前端预览如果照抄现有组件的 <iframe sandbox="" :srcdoc> 模式,sandbox 会禁掉所有脚本,图表全丢。正确姿势是复用后端 FileResponse inline 直渲 + 前端 window.open 新标签打开的先例。

然后我一口气报了七个 bug:今日待办没有、排产日历没有、素材中心研报 Tab 空的、发布包中心没有、资料库没有,外加内容被产线重写、直发模式被硬塞进重写型流水线。军师查下来根因分两层:素材中心空白是老进程没重启(新代码根本没加载);其余四个模块看不见,是组包只落在磁盘上,没注册进数据模型——待办读 status='fabu就绪' 的 item,日历读 schedule_slot 表,发布包中心读 asset 登记,资料库靠 FTS5 索引,全是我们自己定的规矩,磁盘文件它们一概不认。

最后按我的定义新做了一个"研报直发组包模式":成品 HTML 一字不改直接进包,品控从轻——只查违禁。落地时还有个坑:报告里的"说白了""最后"命中了爆款文声口黑名单(42 篇爆文蒸馏出来的 DNA 词表),品控闸如实拦截。处理方式是给质检脚本加了 --profile=zhifa:声口词豁免(那是给"野生码农"爆款短文校准的味道规则,不是违禁),硬规则照查(口径红线、营销话术黑名单,"保姆级教程"照样拦)。

最终结果:研报#1 一键组包完成,五模块全部露出——今日待办有它、排产日历有槽、发布包中心齐套零缺件、资料库搜"分享动机"命中、素材中心以后新研报落盘就能一键组包。后端测试从 115 加到 119,全绿。

经验总结(可复用方法论)

1. AI 产物先审计再引用:字数用 wc -m 实测,关键数字回原始论文 PDF 对账,"某大学某年研究显示 X 倍"这种句式是假数据重灾区,主体、年份、结论三个维度挨个核。
2. 逆向竞品工作流 = 抄流程 + 补它的坑:豆包的流程值得抄(多轮检索、图表先行、渲染验证),它的坑(虚报、无链接、示意不标注)必须在自己的产线里焊成硬闸。
3. AI 写的配置文件要当代码 review:警惕三类病——把一次性处置写成通用规则、拍脑袋设量化下限、规则正文写日期流水账。
4. 内容系统的"看见"= 数据模型注册:文件落盘不算交付,待办/日历/包中心/检索各读各的表,组包动作必须收口到统一登记入口,别让磁盘和数据库各说各话。
5. 品控规则分文体:声口词表是按特定文体校准的,换文体(如研报)要开差异化 profile,豁免声口、保留违禁,别把味道规则当红线一刀切。
6. 调研结论的应用是两级决策:AI 出证据和提案(带把握度),人拍板。研报到产线调整之间必须有一道"研判"闸门,防止 AI 拿着自己的调研结论直接改产线。

结尾

个人 IP 冷启动一个月,没爆款没收入,我不觉得亏——这一个月踩的坑,全都变成了产线上的闸门。内容能不能爆,一半看传播规律(今天这份研报就是补这一课),另一半看产线能不能稳定地产出"真实、有料、对人有用"的东西。

爆款会来的,前提是它来的时候,我的产线接得住。

我是野生码农,全网同名,39 岁项目部征迁岗,直播用 AI 造数字员工团队。本文所有内容均为本人 AI 实战的过程和结果,经 AI 整理后发布,无任何瞎编虚构内容。你在用 AI 生成内容时踩过假数据的坑吗?评论区聊聊。

素材点

• "豆包报告自称 2.7 万字,实测 1.4 万;r≈0.85 查无此数;哈佛 2023 快 6 倍=MIT 2018 假新闻研究讹传"——AI 内容审计三连,可做独立短视频/图文;
• "我骂了 AI 三轮,技能才合格"——AI 调教实录,原话冲突感强("你先别吹牛逼""报告必须是裹脚布?");
• "17,561 像素裹脚布截图"——AI 交付物形式大于内容的翻车案例;
• "磁盘有、库里无"七个 bug 连报——内容系统集成的经典根因;
• --profile=zhifa 差异化品控——声口规则与违禁规则分离的工程做法。

分发配套

标题 Top5

1. 我把豆包的研报工作流逆向成了一个技能,顺手揪出它 3 处假数据【综合首选·实体锚定+内幕感,92 分】
2. AI 写的研究报告能信吗?实测:豆包版 3 处数据造假,我们版 35 条文献全带链接【问题悬念+数字反差,88 分】
3. 研报 HTML 进不了素材中心?我给自研 CMS 加了"直发组包"模式,五个模块一次全通【技术问题句·搜索向,86 分】
4. 个人 IP 冷启动一个月零收入,我转头改了内容产线的底层【数字反差+故事钩子,84 分】
5. 从 5 分钟出稿到溯源硬闸:逆向豆包工作流蒸馏 AI 技能的完整过程【方法清单向,81 分】

摘要(92 字)

豆包 5 分钟生成的精美研报,被 AI 军师审计出 3 处假数据。我把它的工作流逆向成可复用的研报技能,焊上溯源硬闸后同题重做实测反超,再把研报产线接入自研 IPMS,新增"直发组包"模式,五个模块一次打通。

分类与话题标签

掘金/知乎:人工智能、AIGC、Prompt 工程;话题:#AI编程 #数字员工 #内容创业

封面文案

我把豆包的研报工作流逆向成了技能(首选同源压缩,主标 15 字内)

FAQ

Q: yanbao 技能的完整流程能公开吗? A: 核心流程本文第六节已全给(P0-P6 + 硬闸清单),照抄可用;模板文件和质检脚本是我们项目内部资产,后续看情况整理开源,关注蹲更新。

Q: 为什么不让 AI 直接把调研结论应用到产线? A: 调研可以有错漏,结论的应用是战略动作。我们家的规矩是 AI 出提案(带把握度和研判要点),人拍板,中间这道闸今天刚立,教训在文内。

Q: 35 条参考文献全带链接,工作量不爆炸吗? A: 检索子代理当场落盘,格式强制带 URL,组装时只是搬运。关键不是勤快,是流程上"没 URL 不许进素材池"。