如何按体裁与风格测试创意写作模型

应该先测试什么：体裁还是风格？

体裁和风格塑造了段落的不同维度。体裁决定了读者对情节推进、氛围、背景设定以及关键细节类型的预期。风格则关乎句长、选词、视角、节奏以及段落运用的描写比重等选择。这些类别虽有重叠，但分步独立测试能让你获得更清晰的评估。

先从体裁入手。检验模型能否完成该场景的基本任务：例如，在鬼故事中确立神秘诡异的设定，在悬疑故事中保持线索链条，或构建一个自洽的推想世界观。接着，在固定的场景设定下测试风格，指定可观察的特征，而不是依赖像“文学感”或“电影质感”这样宽泛的标签。提出“受限第三人称、克制的描写、承压下的短句，且不直接解释角色内心感受”的要求，会比“营造氛围感”能提供多得多的评估依据。

这种区分是一种实用的工作方法，并不意味着体裁或风格可以被客观量化。[Google Cloud 提示词设计指南](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/prompts/introduction-prompt-design)建议使用清晰具体的指令、背景信息、示例以及提示词对比。[OpenAI 的提示词指南](https://developers.openai.com/api/docs/guides/prompting)同样建议多做实验，并保持示例和特定任务细节的明确。这些原则为受控测试提供了支撑；但它们并不证明某种特定的提示词格式适用于所有的创意任务。

构建精简而公平的对比

选择一个能够代表你实际需要辅助的写作任务。保持篇幅足够简短以便仔细审阅：一段 250 字的场景、一处环境描写或对一个段落的修改，就能显现出有价值的差异，而不必将测试变成一场看谁生成的草稿更长的比赛。

编写一份通用的基础提示词，包含固定的故事既定事实、段落长度、视角和任何内容界限。然后，仅通过改变待考察的特征来创建几个测试提示词。如果对比体裁处理能力，保留相同的前提设定，要求给出不同的体裁处理方式。如果对比风格，保留相同的体裁和场景事实，然后改变所要求的语调特征。不要同时改变前提、长度、视角和风格；否则一旦输出存在差异，你将无法判断究竟是哪项改变导致的。

尽可能保持相同的模型设置，并记录模型名称、日期、提示词文本以及修改过的任何设置。如果无法控制设置，请记录该局限性，并避免将单次输出视为对该模型的稳定衡量标准。进行第二次生成有助于判断某个令人惊喜或失望的结果是否具有可复现性，但这并不能将小规模的个人测试升格为普适的基准评估。

在输入提示词之前，选择三到五个与你的任务密切相关的标准。对于一个悬疑场景，这些标准可能包括：线索出现但未被解释；叙述者的认知范围保持一致；行文维持了紧张感；场景以一个有意味的悬念/抉择收尾。对于风格测试，标准可能包括视角一致性、句式变化、具体意象和克制感。至少包含一项“必须保留”的要求和一项“切勿出现”的指标。否则，流畅的文笔可能会掩盖未达标的约束条件。

实操范例：测试一段静谧的悬疑场景

假设你正在构思一部当代悬疑小说，内容关于一名管理员在锁住的档案室里发现了一枚湿脚印。该段落应采用受限第三人称，风格保持克制。以下是示范性的提示词输入，而非模型测试的实际结果。

首先，使用类似下面的提示词进行体裁检验：

测试提示词示例：用受限第三人称撰写一段 250 字的当代悬疑场景。清晨，一名管理员走进一间上锁的档案室，在干燥的窗旁发现了一枚湿脚印。成因保持未解。包含一个可作为线索的具体细节，但不要指出嫌疑人或解释脚印的来源。使用克制的文字，并在一个悬而未决的抉择处收尾。

对照你的核对清单审查输出内容。档案室是否保持锁闭、窗户是否干燥？它是否保留了不确定性，还是凭空捏造了解释？是否存在一个可以充当线索但未被直接贴上标签的细节？结尾是引出了抉择，还是仅仅戛然而止？将每项指标标记为“达标”、“部分达标”或“未达标”，并摘录导致你做出评判的具体原句。摘录是为了做笔记；它能防止像“紧张感不错”这样的笼统印象取代具体的观察。

接下来，保持场景事实和悬疑要求不变，但更换风格指令。一个变体可以要求使用短促的句子，极力减少内心反思；另一个变体可以要求使用更长、更具观察力的句子，同时依然保持受限视角。对比这些具体指令如何影响行文。你并不是在评判哪种风格在普遍意义上更优越，而是在探究哪份输出能为该场景以及你期望的语调提供更多可用的素材。

最后，对表现最出色的段落提出一次针对性的修改要求。例如：“保持脚印和密室事实不变。删去解释管理员疑心的句子；改用动作传达不安。”检查修改稿是否存在对故事既定事实的意外篡改，以及是否真正去除了原先的解释。一次有价值的模型测试不仅应考察初稿的流畅度，还应考察其修改表现，因为你在实际工作流中往往需要经历多轮局部调整。

使用评分表，然后做出编辑抉择

一份简单的评分表能让对比落到实处：

将最后一行视为关于你个人创作流程的决定，而非对文学价值的客观衡量。相比过早揭开悬念的华丽段落，你可能更青睐保留了前提设定并提供了强烈意象的粗粝草稿。你也可能会判定两个模型都不适用于该任务。如果你使用数值评分，请在开始前明确每个分值的具体含义，且不要将微小的分差视作具有统计学意义。

这种方法也契合了将创意工作视为迭代过程的更广泛视角。在一项针对新晋作家的实证研究中，Chakrabarty 及其同事考察了写作者与协作写作系统的交互，并将写作描述为一项迭代活动；该研究描述的是一个互动过程，而非单次提示就能生成完整故事。该研究的参与者、系统和写作任务限制了其观察结论的推广程度。它可以作为测试自身修改循环的有用背景，但不能证明某种特定模型或工作流适合每一位写作者。参见[《大语言模型时代的创意支持：一项针对新晋作家的实证研究》](https://arxiv.org/abs/2309.12570)。

更换工具前先排查输出不佳的原因

当生成的段落不尽人意时，准确找出问题所在。如果它与某个既定事实相矛盾，请突出强调该事实，并从提示词中移除冲突的细节。如果文笔符合设定但缺乏预期的语调，请将模糊的形容词替换为具体的特征，或者添加一段你自己撰写的简短示例。如果模型总是一再解开本应保留的悬念，请明确要求它保留不确定性并避免陈述原因。一次只修改一项指令，然后重新运行对比。

如果段落满足了核对清单的所有要求，但读起来依然感觉不对，问题可能出在个人品味或契合度上，而不是模型没有遵循指令。用具体的语言记录哪里感觉不对劲：解释过多、意象平庸、对话俗套，或是节奏与你的期望不符。然后决定是值得尝试一次针对性的修改，还是该场景由你亲自起草更好。模型生成看似合理的文字的能力，并不代表它理解了你的意图，也不代表这些文字就值得被保留。

模型测试的局限性

寥寥数次的生成并不能证明某个模型在整个体裁上都始终表现优异，单一写作者的评审标准也无法代表所有读者。输出结果可能存在波动，提示词可能会偏向某一模型，而对某种体裁的熟悉程度也会影响评估者所注意到的细节。保持结论的严谨与克制：“在这两次测试中，这个版本更好地保留了场景既定事实”要比“这是写悬疑最好的模型”站得住脚得多。

此外，对指定知名作家的风格模仿要保持审慎。如果你需要的是某种具体的写作手法效果，请直接描述该效果——例如精炼的句式、细腻的观察或冷幽默——并对这些特征进行评估。这样能针对你真正想要的写作手法进行更清晰的测试，而无需将作家姓名当作可靠的风格规格说明。

测试最有价值的成果是一份全程记录：任务、提示词、模型与设置、核对清单、输出证据以及你尝试过的修改。有了这份记录，你就能选出最能支持某项具体任务的模型——或者认定把时间花在亲自修改段落上会更划算。

继续探索这个主题