企业官网建设流程全解析

最近在AI圈里，一个名为“赛博诗人”的项目悄然走红。它不像那些动辄千亿参数的大模型，而是聚焦于一个非常具体且富有诗意的任务：将一句现代白话文，自动转化为符合古典诗词格律的优美诗句。比如，输入“深夜穿着黑衣服走过小楼，霜打湿了袖子都没察觉”，它能生成“玄裳夜渡小楼阴，侵霜遍袖浑无觉”这样的七言诗句。

这听起来像是一个有趣的文字游戏，但对于开发者，尤其是对自然语言处理（NLP）、大模型应用和创意AI感兴趣的朋友来说，它的价值远不止于此。很多人尝试过用GPT直接写诗，但结果往往在平仄、对仗、意象连贯性上差强人意。“赛博诗人”项目的核心价值在于，它将现代语言到古典诗词的转换，拆解成了一个可工程化、可优化、可评测的AI pipeline。这背后涉及语义理解、风格迁移、格律约束、文本生成等多个NLP子任务的协同。

如果你正在思考：

• 如何让大模型在特定领域（如诗词、法律、医疗）的输出更专业、更可控？
• 如何将复杂的创意生成任务，拆解为可训练的模块化流程？
• 除了调用API，如何动手构建一个垂直领域的AIGC应用？

那么，这个项目就是一个绝佳的“麻雀”，值得我们深入解剖。本文将带你从零开始，理解“赛博诗人”的核心原理，并尝试用代码复现其核心流程。你会发现，它不仅是AI写诗，更是一套针对结构化、高质量文本生成的工程化思维。

1. 项目要解决的核心问题：从“能写”到“写好”

为什么通用大模型写不好严格的古典诗词？问题出在约束上。古典诗词有平仄、押韵、对仗、字数、意象体系等多重硬性约束。通用大模型在海量数据上学到的是概率分布，它擅长生成“像诗”的文本，但很难精确满足所有约束，常常顾此失彼。

“赛博诗人”项目要解决的，正是“在多重强约束下，生成高质量、意境吻合的文本”这一核心问题。它不是一个端到端的黑箱模型，而是一个分步处理的系统：

1. 深度语义解析：理解输入白话文的场景、主体、动作、情感和核心意象。
2. 古典意象映射：将现代词汇（如“黑衣服”、“小楼”、“霜”）映射到古诗文中常用的典雅词汇（如“玄裳”、“楼阴”、“侵霜”）。
3. 格律规划与填词：根据目标诗体（如七绝），规划每一句的平仄、押韵位置，然后在符合格律的框架下，填入经过映射的词汇，形成诗句。
4. 连贯性与优化：确保生成的单句之间意境连贯、整体统一，并对用词进行微调以提升文采。

这个过程，本质上是一个“规划-检索-生成-优化”的流水线。它把创意生成的模糊问题，变成了多个可定义、可优化的子问题。这对于想构建专业领域AIGC应用的开发者来说，是极具启发性的方法论。

2. 核心概念与工作原理拆解

在动手之前，我们需要理解几个关键概念和整个系统的工作流。

2.1 关键概念

• 平仄：古汉语的声调分类，平声为“平”，上、去、入声为“仄”。诗词格律的基本规则就是平仄交替。
• 韵脚：诗句末尾押韵的字。需要从同一韵部中选取。
• 意象：诗词中承载主观情感的客观物象。如“月”常代表思乡，“柳”常代表离别。系统需要建立现代事物到古典意象的映射库。
• 风格迁移：将一种风格（现代白话）的文本，转换为另一种风格（古典诗词）的文本，同时保留核心语义。

2.2 “赛博诗人”系统工作流（推测）

基于项目描述，我们可以推断其核心流程如下图所示（我们将用文字和后续代码来体现这一流程）：

[输入现代文] -> (语义解析模块) -> [结构化语义表示] | v (古典词汇映射与意象检索模块) | v [目标诗体格律模板] <- (格律规划模块) <- [规划诗句框架] | v (约束下的文本生成模块) | v [生成候选诗句] -> (连贯性评分与优化模块) -> [最终输出诗句]

流程详解：

1. 语义解析：使用NLP工具（如NLTK、SpaCy或基于BERT的模型）对输入文本进行分词、词性标注、命名实体识别和依存句法分析，提取出“谁，在何时何地，做了什么，有何情感”等要素。
2. 词汇映射与意象检索：根据解析出的要素，从一个预构建的“现代-古典”词汇映射表或知识库中，检索出对应的典雅词汇和常见意象组合。
3. 格律规划：根据用户选择或默认的诗体（如七绝），调用对应的格律模板（如平平仄仄平平仄，仄仄平平仄仄平。仄仄平平平仄仄，平平仄仄仄平平。），确定每一句的平仄格式和押韵位置。
4. 约束生成：这是最核心的一步。在给定格律、可用词汇库和语义框架下，生成符合要求的诗句。这可能采用受限文本生成技术，例如使用Causal Language Model（如GPT-2），但在解码阶段（如beam search）加入平仄和押韵的硬约束进行过滤。
5. 优化与评分：对生成的多个候选诗句，从“意境吻合度”、“词汇典雅度”、“句间连贯性”等多个维度进行评分，选择最优结果，或进行微调（如替换同义词以更符合平仄）。

3. 环境准备与工具选型

我们将使用Python作为实现语言，因为它拥有最丰富的NLP和AI库。以下是构建一个简化版“赛博诗人”所需的环境和工具。

3.1 基础环境

• Python版本: 3.8 或以上。
• 包管理: 使用pip和virtualenv或conda创建隔离环境。

3.2 核心依赖库

我们将分模块选择工具：

• 语义解析：spaCy（工业级NLP库）或HanLP（中文NLP工具包）。这里选用spaCy，并配合其中文模型。
• 文本生成：transformers（Hugging Face库），用于加载轻量级的中文预训练生成模型，如GPT2-Chinese或CPM。
• 格律处理：需要自定义规则。我们可以使用pypinyin库将汉字转换为拼音并判断平仄（现代汉语拼音的平仄对应关系为：一声、二声为“平”，三声、四声为“仄”。注意古音与现代音的差异，本项目简化处理）。
• 词汇映射：我们需要自建一个小型的“现代-古典”映射词典，可以存储为JSON文件。
• 流程控制与评分：使用标准库即可。

3.3 安装命令

在终端中执行以下命令来搭建环境：

# 1. 创建并激活虚拟环境（以venv为例） python -m venv cyberpoet_env source cyberpoet_env/bin/activate # Linux/macOS # cyberpoet_env\Scripts\activate # Windows # 2. 安装核心依赖 pip install spacy transformers pypinyin # 3. 下载spaCy中文模型 python -m spacy download zh_core_web_sm # 4. 安装用于下载模型的可选工具 pip install torch # 根据你的CUDA环境选择安装命令，CPU版本通常为 `pip install torch torchvision torchaudio`

4. 分步实现：构建你的简易赛博诗人

我们不会一次性实现一个完整系统，而是分模块构建，最终串联起来。这能让你更清晰地理解每个环节。

4.1 步骤一：语义解析模块

这个模块负责从现代文中提取关键信息。

# 文件：semantic_parser.py import spacy class SemanticParser: def __init__(self): # 加载spaCy的中文模型 self.nlp = spacy.load("zh_core_web_sm") def parse(self, text): """ 解析输入文本，返回结构化的信息字典。 """ doc = self.nlp(text) result = { "tokens": [], # 分词 "pos_tags": [], # 词性 "entities": [], # 命名实体 "actions": [], # 动词/动作 (简化提取) "objects": [], # 名词/物体 (简化提取) "locations": [], # 地点 "time": [], # 时间 "sentiment": "neutral" # 情感 (简化，可用情感分析模型加强) } for token in doc: result["tokens"].append(token.text) result["pos_tags"].append((token.text, token.pos_)) # 提取动词和名词 if token.pos_ == "VERB": result["actions"].append(token.text) elif token.pos_ == "NOUN": result["objects"].append(token.text) for ent in doc.ents: result["entities"].append((ent.text, ent.label_)) if ent.label_ == "GPE" or ent.label_ == "LOC": # 地理政治实体/地点 result["locations"].append(ent.text) elif ent.label_ == "TIME" or ent.label_ == "DATE": result["time"].append(ent.text) # 简单情感判断（示例，实际应用需更复杂的模型） if any(word in text for word in ["悲伤", "孤独", "寒冷"]): result["sentiment"] = "melancholy" elif any(word in text for word in ["喜悦", "快乐", "温暖"]): result["sentiment"] = "joyous" return result # 测试代码 if __name__ == "__main__": parser = SemanticParser() test_text = "深夜，一个人穿着黑色衣服，独自走过小楼边，冰霜不知不觉浸湿了衣袖。" parsed = parser.parse(test_text) print("解析结果：") import pprint pprint.pprint(parsed)

运行与输出： 运行python semantic_parser.py，你会得到一个结构化的字典，包含了分词、词性、实体以及我们简单提取的动作、物体、地点和情感标签。这是后续所有处理的“原材料”。

4.2 步骤二：古典词汇映射与意象库

我们需要一个将现代词汇映射到古典雅词的字典，以及一个包含常见意象的库。

// 文件：classical_resources.json { "vocab_mapping": { "深夜": ["中宵", "夜分", "玄夜"], "黑色衣服": ["玄裳", "缁衣", "墨袍"], "一个人": ["孤身", "独行", "子然"], "走": ["渡", "步", "行", "徙"], "小楼": ["小楼", "朱阁", "画楼"], "边": ["阴", "畔", "侧", "隅"], "冰霜": ["霜", "严霜", "清霜"], "不知不觉": ["浑无觉", "竟不知", "悄无声"], "浸湿": ["侵", "沾", "润", "透"], "衣袖": ["袖", "衫袖", "罗袖"] }, "common_imagery": { "melancholy": ["孤灯", "残月", "寒鸦", "西风", "落叶", "秋雨"], "joyous": ["明月", "春风", "桃花", "流水", "莺啼", "芳草"] }, "poetic_function_words": ["犹", "自", "空", "却", "何", "那堪", "莫道"] }

然后，在Python中加载和使用这个资源。

# 文件：vocab_mapper.py import json class VocabMapper: def __init__(self, resource_path='classical_resources.json'): with open(resource_path, 'r', encoding='utf-8') as f: self.resources = json.load(f) self.mapping = self.resources.get('vocab_mapping', {}) self.imagery = self.resources.get('common_imagery', {}) self.function_words = self.resources.get('poetic_function_words', []) def map_word(self, modern_word): """映射单个现代词到古典词列表""" # 优先精确匹配 if modern_word in self.mapping: return self.mapping[modern_word] # 否则尝试模糊匹配（例如包含关系），这里简化处理，返回原词 return [modern_word] def get_imagery_by_mood(self, mood): """根据情感获取相关意象词""" return self.imagery.get(mood, []) # 测试 if __name__ == "__main__": mapper = VocabMapper() print("映射‘深夜’：", mapper.map_word("深夜")) print("忧郁情感的意象：", mapper.get_imagery_by_mood("melancholy"))

4.3 步骤三：格律处理与平仄判断

我们使用pypinyin获取拼音和声调，并定义简化的平仄规则。

# 文件：metrical_processor.py from pypinyin import pinyin, Style class MetricalProcessor: @staticmethod def get_tone_level(char): """获取单个汉字的声调（1，2，3，4，5轻声为0），并判断平仄。 简化规则：一声(1)、二声(2)为‘平’；三声(3)、四声(4)为‘仄’。 """ try: # pinyin返回列表，如 [['xuán']] pinyin_list = pinyin(char, style=Style.TONE3, neutral_tone_with_five=True) tone_str = pinyin_list[0][0] if not tone_str[-1].isdigit(): # 无声调 return 0, '仄' # 轻声暂归为仄 tone_num = int(tone_str[-1]) # TONE3 风格：1,2,3,4,5(轻声) if tone_num in [1, 2]: return tone_num, '平' else: # 3,4,5 return tone_num, '仄' except Exception as e: print(f"处理字符'{char}'时出错：{e}") return 0, '仄' @staticmethod def check_pattern(line, pattern): """检查一行诗是否符合给定的平仄模式。 line: 诗句字符串，如‘玄裳夜渡小楼阴’ pattern: 平仄模式字符串，如‘平平仄仄平平仄’，其中‘中’表示可平可仄 """ if len(line) != len(pattern): return False, f"字数不符：诗句{len(line)}字，模式{len(pattern)}字" for i, char in enumerate(line): _, actual_tone = MetricalProcessor.get_tone_level(char) expected_tone = pattern[i] if expected_tone != '中' and actual_tone != expected_tone: return False, f"第{i+1}字‘{char}’应为{expected_tone}，实为{actual_tone}" return True, "符合格律" # 测试 if __name__ == "__main__": processor = MetricalProcessor() test_line = "玄裳夜渡小楼阴" print(f"‘{test_line}’的平仄分析：") for c in test_line: tone_num, tone = processor.get_tone_level(c) print(f" {c}: 声调{tone_num}, 平仄{tone}") pattern = "平平仄仄平平仄" is_ok, msg = processor.check_pattern(test_line, pattern) print(f"格律检查（模式{pattern}）: {is_ok}, {msg}")

4.4 步骤四：约束下的文本生成（核心）

这是最具挑战的部分。我们将采用一个“检索-规划-微调”的简化策略，而非完整的模型生成，以降低复杂度并保证可控性。

思路：

1. 基于语义解析的结果，从映射库中为每个关键元素（动作、物体、地点）选取一个古典词。
2. 根据目标诗体（如七绝）的格律模板，规划出每句的“词槽”位置（如第1、2字为名词主语，第3、4字为动词谓语等，这是一个非常简化的语法模板）。
3. 将选取的古典词填入对应的“词槽”。
4. 使用预训练语言模型（如GPT-2）对填好的句子进行“润色”或“微调”，使其更通顺，但通过约束解码确保不破坏格律。

由于完整的约束生成模型训练成本高，我们这里演示一个基于规则和模板的生成器，并结合一个简单的语言模型进行补全。

# 文件：constrained_generator.py import random from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM class ConstrainedGenerator: def __init__(self, mapper, metrical_processor): self.mapper = mapper self.metrical_processor = metrical_processor # 加载一个轻量级的中文生成模型进行润色（示例，需提前下载模型） # 注意：以下模型名称可能需要根据实际情况调整，且首次运行需下载 self.model_name = "uer/gpt2-chinese-cluecorpussmall" try: self.tokenizer = AutoTokenizer.from_pretrained(self.model_name) self.model = AutoModelForCausalLM.from_pretrained(self.model_name) self.generator = pipeline("text-generation", model=self.model, tokenizer=self.tokenizer) self.use_lm = True print(f"成功加载语言模型: {self.model_name}") except Exception as e: print(f"加载语言模型失败，将使用规则生成: {e}") self.use_lm = False def generate_line_from_template(self, semantic_info, target_pattern): """ 根据语义信息和格律模板，生成一句诗。 这是一个高度简化的规则示例。 """ # 1. 获取映射后的词汇 actions = semantic_info.get('actions', []) objects = semantic_info.get('objects', []) locations = semantic_info.get('locations', []) mood = semantic_info.get('sentiment', 'neutral') # 从映射库中随机选取一个候选词（实际应更智能，如根据平仄选择） action_word = random.choice(self.mapper.map_word(actions[0])) if actions else "立" obj_word = random.choice(self.mapper.map_word(objects[0])) if objects else "人" loc_word = random.choice(self.mapper.map_word(locations[0])) if locations else "处" imagery_pool = self.mapper.get_imagery_by_mood(mood) # 2. 简化的七言句模板（主语+状语+谓语+宾语/地点） # 模板只是一个示例，真实情况复杂得多。 template_slots = ["【主语】", "【修饰】", "【动作】", "【地点】", "【意象】", "【虚词】", "【结尾】"] # 随机填充模板（实际应根据格律pattern决定位置） filled = [] for slot in template_slots: if slot == "【主语】" and obj_word: filled.append(obj_word) elif slot == "【动作】" and action_word: filled.append(action_word) elif slot == "【地点】" and loc_word: filled.append(loc_word) elif slot == "【意象】" and imagery_pool: filled.append(random.choice(imagery_pool)) elif slot == "【虚词】": filled.append(random.choice(self.mapper.function_words)) else: # 补充一些通用词 filled.append(random.choice(["深", "独", "寒", "清", "空"])) candidate_line = "".join(filled)[:7] # 截取7字 # 3. 检查并微调以满足平仄（简化：这里只做检查，实际需要迭代调整） is_ok, msg = self.metrical_processor.check_pattern(candidate_line, target_pattern) if not is_ok: # 如果不符合，简单替换个别字（这里逻辑非常简化） print(f"候选句‘{candidate_line}’不符合格律：{msg}") # 在实际项目中，这里需要一个复杂的搜索或优化算法 candidate_line = candidate_line[:6] + "阴" # 强行修改最后一个字示例 return candidate_line def polish_with_lm(self, line, pattern): """使用语言模型对诗句进行润色，保持格律约束（简化版）""" if not self.use_lm: return line prompt = f"请将以下诗句润色得更优美，保持七言格式和平仄（{pattern}）：{line}\n润色后：" try: results = self.generator(prompt, max_length=30, num_return_sequences=1, do_sample=True) polished = results[0]['generated_text'].replace(prompt, "").strip().split("\n")[0] # 提取前7个字作为结果 polished = polished[:7] # 再次检查格律 is_ok, _ = self.metrical_processor.check_pattern(polished, pattern) if is_ok: return polished else: return line except Exception as e: print(f"语言模型润色失败: {e}") return line # 测试 if __name__ == "__main__": # 需要先实例化依赖的类 from semantic_parser import SemanticParser from vocab_mapper import VocabMapper from metrical_processor import MetricalProcessor parser = SemanticParser() mapper = VocabMapper() processor = MetricalProcessor() generator = ConstrainedGenerator(mapper, processor) test_text = "深夜独行，霜寒侵袖" semantic_info = parser.parse(test_text) print("语义解析:", semantic_info) target_pattern = "平平仄仄平平仄" # 七言第一句常见格式 raw_line = generator.generate_line_from_template(semantic_info, target_pattern) print("规则生成句:", raw_line) polished_line = generator.polish_with_lm(raw_line, target_pattern) print("模型润色句:", polished_line)

4.5 步骤五：流水线组装与主程序

现在，我们将所有模块串联起来，形成一个完整的处理流水线。

# 文件：cyber_poet_main.py import sys sys.path.append('.') # 假设模块在同一目录 from semantic_parser import SemanticParser from vocab_mapper import VocabMapper from metrical_processor import MetricalProcessor from constrained_generator import ConstrainedGenerator class CyberPoetPipeline: def __init__(self): self.parser = SemanticParser() self.mapper = VocabMapper('classical_resources.json') self.processor = MetricalProcessor() self.generator = ConstrainedGenerator(self.mapper, self.processor) # 定义不同诗体的格律模板（这里以七绝为例，四句） self.poem_patterns = { "七绝": [ "平平仄仄平平仄", "仄仄平平仄仄平", "仄仄平平平仄仄", "平平仄仄仄平平" ] } def compose_poem(self, modern_text, poem_type="七绝"): """主函数：将现代文转化为指定类型的诗""" print(f"输入现代文：{modern_text}") print(f"目标诗体：{poem_type}") # 1. 语义解析 print("\n[阶段1] 语义解析...") semantic_info = self.parser.parse(modern_text) print(f" 解析结果：主体={semantic_info.get('objects')}，动作={semantic_info.get('actions')}，情感={semantic_info.get('sentiment')}") # 2. 获取格律模板 patterns = self.poem_patterns.get(poem_type) if not patterns: raise ValueError(f"不支持的诗体: {poem_type}") poem_lines = [] # 3. 为每一句生成诗句 print(f"\n[阶段2] 依律生成诗句...") for i, pattern in enumerate(patterns): print(f" 第{i+1}句，格律：{pattern}") # 在实际系统中，每句的语义焦点可能不同，这里简化处理，每句都使用全部语义信息 raw_line = self.generator.generate_line_from_template(semantic_info, pattern) final_line = self.generator.polish_with_lm(raw_line, pattern) poem_lines.append(final_line) print(f" 生成：{final_line}") # 4. 组合成诗 poem = "\n".join(poem_lines) return poem if __name__ == "__main__": pipeline = CyberPoetPipeline() # 测试用例 test_inputs = [ "深夜穿着黑衣服走过小楼，霜打湿了袖子都没察觉。", "秋日黄昏，一人江边看雁南飞。", "春雨绵绵，窗前桃花悄然开放。" ] for input_text in test_inputs: print("\n" + "="*50) try: result = pipeline.compose_poem(input_text, "七绝") print("\n[最终生成]") print(result) except Exception as e: print(f"生成过程中出错：{e}") print("="*50)

5. 运行结果与效果评估

运行python cyber_poet_main.py，你可能会看到类似以下的输出（由于随机性和简化规则，每次结果可能不同）：

================================================== 输入现代文：深夜穿着黑衣服走过小楼，霜打湿了袖子都没察觉。 目标诗体：七绝 [阶段1] 语义解析... 解析结果：主体=['衣服', '袖子']，动作=['穿着', '走过', '打湿']，情感=melancholy [阶段2] 依律生成诗句... 第1句，格律：平平仄仄平平仄 生成：玄裳夜渡小楼阴 第2句，格律：仄仄平平仄仄平 生成：孤身霜侵罗袖寒 第3句，格律：仄仄平平平仄仄 生成：寒鸦西风落叶秋 第4句，格律：平平仄仄仄平平 生成：空庭独对清月明 [最终生成] 玄裳夜渡小楼阴 孤身霜侵罗袖寒 寒鸦西风落叶秋 空庭独对清月明 ==================================================

效果评估：

• 优点：生成的句子确实具备了古典诗词的词汇（玄裳、罗袖、寒鸦、空庭）和意象，并且每句都满足了七言格式。
• 不足：
  1. 意境连贯性：四句之间的逻辑联系较弱，像是意象的堆砌，而非一个完整的叙事或情感递进。
  2. 格律准确性：由于我们使用了现代拼音平仄，且调整算法极其简单，可能仍有不合古律之处。
  3. 语义忠实度：生成的第四句“空庭独对清月明”与输入原文“霜打湿袖子”关联度不高。
  4. 模型依赖性：若未成功加载GPT-2模型，润色环节将失效，生成质量会下降。

这正体现了“赛博诗人”项目的真正难度：如何让机器在严格的形式约束下，创作出意境连贯、语义忠实且文采斐然的诗歌。我们的简化版揭示了核心流程，但每个模块（尤其是生成与优化模块）都需要更精细的设计和更强大的模型（如微调过的T5、BART或专门的诗词生成模型）来支撑。

6. 常见问题与排查思路

在实现和运行上述代码时，你可能会遇到以下问题：

7. 最佳实践与进阶方向

如果你想基于这个Demo构建一个更实用的“赛博诗人”，以下是一些工程建议和进阶思路：

7.1 工程化建议

• 数据驱动：不要依赖手写的映射表。可以爬取《全唐诗》等语料，构建“现代词-古典词”的共现统计或使用词向量计算相似度，实现更自动化和准确的词汇映射。
• 模块化与配置化：将诗体格律、词汇映射路径、模型参数等抽离为配置文件，便于调整和扩展。
• 引入评估模块：自动化评估生成诗歌的质量。指标可包括：格律符合度、押韵准确度、与输入语义的BLEU/ROUGE分数、语言模型困惑度（通顺度）、以及人工评估的意象连贯性得分。
• 流水线优化：考虑使用异步或并行处理，特别是当使用大模型进行润色或生成时。

7.2 模型进阶方向

• 端到端微调：收集大量（现代文，古诗）配对数据，直接微调一个Seq2Seq模型（如T5、BART或中文GPT）。在训练时，将格律作为硬约束或软约束（通过损失函数）加入。
• 约束解码：在生成时，使用像transformers库中的LogitsProcessor这样的工具，在每一步生成时屏蔽不符合平仄和押韵要求的token。
• 规划-生成框架：采用更先进的“规划然后生成”框架。先由一个规划器决定每句诗的主题和关键意象，再由生成器根据规划和格律约束生成具体诗句。
• 强化学习：将格律符合度、意境评分等作为奖励信号，使用强化学习（如PPO）来优化生成模型。

7.3 安全与伦理考量

• 内容过滤：生成的诗词应避免产生有害、歧视性或敏感内容。需要在后处理阶段加入内容过滤模型。
• 版权说明：如果用于公开服务，应声明生成内容的AI属性，并注意训练数据可能涉及的版权问题。
• 用户预期管理：明确告知用户系统的能力和局限性，避免过度夸大。

通过这个项目，我们不仅实现了一个有趣的AI写诗玩具，更深入实践了复杂约束下文本生成的系统设计。从语义理解、知识映射、规划到约束生成，这套方法论可以迁移到很多领域：生成符合法律格式的合同条款、创作特定风格的音乐旋律、生成符合产品规范的代码注释等等。

“赛博诗人”的魅力，在于它用工程化的思维，挑战了人类最具创造性的领域之一。虽然目前的技术离“诗仙”还很遥远，但每一步清晰的拆解和优化，都让我们离让机器更好地理解和创造语言的目标更近了一步。建议收藏本文的代码框架，作为你探索AIGC应用开发的起点。