AI 批量产内容，没这六个闸门等于裸奔
AI 批量生成内容这件事，乐观者看到产能指数级放大，悲观者看到垃圾的指数级放大。
我做过完整的内容生产管线（热点选题 → 生图生视频 → LLM 审核 → 自动发布）之后，结论是：
产能从来不是瓶颈，质量一致性才是。
而质量一致性靠的不是某个环节的模型多强，是整条流水线上数量足够、位置正确的质量闸门。
这篇把踩过的坑整理成六个闸门。
闸门一：选题——拦"不值得生产"
批量生产的最大浪费不是生成失败，是认真地生产了不值得生产的东西。
选题闸门 = 信号评分四项：热度（真有讨论度？）、差异化（有增量视角？）、时效窗口（什么时候发还有意义）、风险（会不会蹭错热点）。
失效形态：没有这个闸门，所有人挤在同一批热点上内卷，同质化内容反而被平台降权。选题闸门拦的不是烂内容，是注定没有回报的投入。
闸门二：生成参数——拦"不可复现的随机性"
生成环节最大的敌人是不确定性：同一个提示词，今天和昨天的产出风格迥异。
做法：生成参数（模型版本、提示词模板、随机种子策略、风格锚点）全部版本化锁定，任何一次改参数都是一次"发版"——有记录、有对照、可回滚。
失效形态：参数散落各处。某天产出质量集体下滑时，你无法回答"是模型变了、参数变了还是提示词变了"——三无状态，排查无从下手。
闸门三：污染防御——拦"不该出现的东西"（翻车最疼）
真实案例：我们批量生成的封面图里，凭空出现了真实品牌的 Logo 和名人面孔。
生成模型从训练数据里带出来的污染，一旦发布出去就是法律与舆论的双重风险。
我的防御是三层纵深：
生成前——提示词负向约束，采样发散度控制；
生成后——识别模型对产出做品牌与人脸检测，命中即打回；
兜底——人审抽检保留最后关口，且抽检比例随污染率动态调整：污染率抬头，抽检自动加严。
失效形态：只做一层防御。生成模型的输出分布你控制不了，任何单层防御都有漏网率，纵深的意义就是把漏网率连乘到趋近于零。
闸门四：审核——警惕"AI 审 AI"的回音壁
LLM 审核产出效率极高，但有个结构性风险：审核者和生成者是同一个模型时，审核标准就是生成标准的回音壁——它看不见自己的盲区。
真实案例：某段时间内容的事实密度持续下滑，AI 审核一直给高分——因为生成和审核是同一个模型，它觉得自己的表达方式就是对的。
防御：审核与生成用不同模型（至少不同版本）；审核标准显式化成清单（事实核查/立场核查/风格核查）；保留人审比例，且人审否决的案例要回流成审核清单的新条目——人审不是兜底形式，是校准 AI 审核的输入。
闸门五：合规——平时无价值，出事即生死线
AI 生成内容的标识义务正在变成硬性要求：主流内容平台陆续要求对 AI 合成内容显式标注，违规代价从限流到下架。
闸门做三件事：产出自动打生成标识；敏感领域（医疗/金融/新闻）强化人工复核；建立内容溯源记录（生成时间/模型/参数版本）备查。
失效形态：合规被当成"以后再说"，等平台规则落地时，存量内容批量违规，补救成本远高于当初标注的成本。合规闸门的特点是平时看起来毫无价值，出事时就是生死线。
闸门六：发布回流——用"废品率"校准全管线
发布前最后一道总检：标题与内容一致性、封面与内容一致性、发布参数正确性。
更重要的是回传数据：哪类选题表现差、哪类封面点击差、哪个时段效果差——反哺闸门一的选题评分和闸门二的生成参数。
评估整条流水线健康度，我推荐"废品率"：进入管线的选题里，最终成功发布的比例，以及发布后超过基线表现的比例。
废品率的变化趋势，比任何单点指标都更诚实地反映管线质量。
方法论价值
两个可迁移结论：闸门的位置比严格程度更重要——把最贵的检查放在最便宜的错误前面（生成错了可重来，发布出去的错误收不回来）；六个闸门不是孤立检查点，是带反馈回路的质量系统——没有回流数据的闸门只是成本。
管线的稳定性底座（静默降级/参数漂移的防御）见 静默降级；选题信号的上游见 双轨情报系统。