这篇我们接着聊，有了大纲之后，如何选择最合适的AI模型，并指挥它完成写作。
第二步：选择你的大模型
不同的“大语言模型 (LLM)”在底层架构和训练数据上各有侧重，也就直接导致大家各有侧重。（图2）
ChatGPT 这类模型强于语言的流畅性和对话的自然感，适合做头脑风暴和内容润色。
DeepSeek 这类模型在代码和逻辑推理上表现优异，处理技术逻辑严谨的内容时有优势。
而撰写长篇技术方案，最关键的一个技术指标是——“上下文窗口 ”。你可以把它理解为 AI 的“短期记忆容量”。窗口越大，AI 在生成长文时能记住的“前情提要”就越多。
如果模型“上下文窗口”不够大，写到方案的后半部分，它就会“忘记”前面的设定和要求，开始出现前后矛盾、逻辑断裂的“幻觉”现象。
我测了很多模型，目前在用的是谷歌的 Gemini 2.5 Pro。它超大的上下文窗口，让它在处理长达数万字的技术方案时，依然能保持高度的连贯性和一致性，非常强大，当然，DeepSeek R1也不错。
第三步：巧用“提示词工程”
大纲和模型都就位了，接下来就是核心部分——提示词 (Prompt)。
很多人用 AI 写出的东西感觉“差点意思”，就是因为缺少了精心设计的提示词。一个好的 Prompt，不仅是提出问题，更是为 AI 设定了角色、口吻、格式、输出目标和约束条件。AI 会严格遵循你的“人设”和“规矩”来产出内容。
第四步：“分块生成”与“迭代优化”
由于 Token（可以理解为 AI 处理文本的最小单元）的限制，我们无法让 AI 一次性输出整份方案。所以，我们需要采用“分块生成”的策略。
分段输出： 让 AI 逐个章节或几个小节进行输出。
随时调优： 在过程中，如果不满意，可以随时打断并提出修改意见，进行迭代优化。
整合归档： 每完成一块，就复制到你的文档工具中。（这里我强烈推荐 WPS）
经过十几轮甚至几十轮的对话式生成和复制，你的方案初稿就完成了。最后我们人工进行润色，基本上大半天就能搞定一份高质量的技术方案。
这个方法虽然好用，解决了从 0 到 1 的核心产出问题，但它依然存在效率上的瓶颈。
下篇帖子我会分享一个更高效的方法，会复杂一些，但它已经让我实现了基本解放双手。
#Ai写标书 #ai工具 #标书
第二步：选择你的大模型
不同的“大语言模型 (LLM)”在底层架构和训练数据上各有侧重，也就直接导致大家各有侧重。（图2）
ChatGPT 这类模型强于语言的流畅性和对话的自然感，适合做头脑风暴和内容润色。
DeepSeek 这类模型在代码和逻辑推理上表现优异，处理技术逻辑严谨的内容时有优势。
而撰写长篇技术方案，最关键的一个技术指标是——“上下文窗口 ”。你可以把它理解为 AI 的“短期记忆容量”。窗口越大，AI 在生成长文时能记住的“前情提要”就越多。
如果模型“上下文窗口”不够大，写到方案的后半部分，它就会“忘记”前面的设定和要求，开始出现前后矛盾、逻辑断裂的“幻觉”现象。
我测了很多模型，目前在用的是谷歌的 Gemini 2.5 Pro。它超大的上下文窗口，让它在处理长达数万字的技术方案时，依然能保持高度的连贯性和一致性，非常强大，当然，DeepSeek R1也不错。
第三步：巧用“提示词工程”
大纲和模型都就位了，接下来就是核心部分——提示词 (Prompt)。
很多人用 AI 写出的东西感觉“差点意思”，就是因为缺少了精心设计的提示词。一个好的 Prompt，不仅是提出问题，更是为 AI 设定了角色、口吻、格式、输出目标和约束条件。AI 会严格遵循你的“人设”和“规矩”来产出内容。
第四步：“分块生成”与“迭代优化”
由于 Token（可以理解为 AI 处理文本的最小单元）的限制，我们无法让 AI 一次性输出整份方案。所以，我们需要采用“分块生成”的策略。
分段输出： 让 AI 逐个章节或几个小节进行输出。
随时调优： 在过程中，如果不满意，可以随时打断并提出修改意见，进行迭代优化。
整合归档： 每完成一块，就复制到你的文档工具中。（这里我强烈推荐 WPS）
经过十几轮甚至几十轮的对话式生成和复制，你的方案初稿就完成了。最后我们人工进行润色，基本上大半天就能搞定一份高质量的技术方案。
这个方法虽然好用，解决了从 0 到 1 的核心产出问题，但它依然存在效率上的瓶颈。
下篇帖子我会分享一个更高效的方法，会复杂一些，但它已经让我实现了基本解放双手。
#Ai写标书 #ai工具 #标书
