E245｜藏在大模型背后的新闻人：GPT们的回复是这样写出来的

概览

本期从一个不太被看见的 AI 工种切入：内容工程师。节目指出，许多前记者、编辑、纪录片导演、编剧和内容工作者，正在进入大模型公司，把过去积累的语感、判断力、采访能力和内容制作经验，转化为 AI 回复中的语气、分寸、追问方式和内容标准。

节目核心讨论的是：AI 之所以显得“懂你”，并不只来自芯片、参数和代码，也来自一批内容工作者对“什么是好回答”的拆解。他们要定义产品场景下的好内容，判断模型有没有理解用户真实意图，帮助模型在事实性、语境、语气、文化差异和用户体验之间取得平衡。

节目也没有回避矛盾：AI trainer 和内容工程岗位一方面给媒体与影视从业者提供新机会，另一方面也让人担心创作者是否正在把自己的灵感拆成数据，亲手训练可能取代自己的系统。嘉宾的回答相对复杂：AI 很难仅凭共识生成真正非凡的艺术，但也可能成为创作者的新工具和共创伙伴。

分段落总结

[00:05] 内容工程师登场

[事实] 节目开头提到，过去两年洛杉矶蒸发了四万多个影视岗位，美国报纸采编岗也比 2008 年少了一半。

[事实] 主持人指出，有一批原本从事新闻和内容工作的人进入硅谷大模型公司，不再直接写稿，而是用写作经验教 AI 说话。

[事实] 这个岗位被称为 Content Engineer，即内容工程师，负责语气、分寸、追问和什么时候不该继续说等对话细节。

[推测] 节目用就业结构变化引出主题，是为了说明内容工程师不是单纯的新技术岗位，也和传统媒体行业的衰退直接相关。

[01:09] AI 的“被理解感”从何而来

[事实] Face 讲述自己过去会在深夜写朋友圈小作文，后来把很多情绪和想法转移到与 ChatGPT 的对话中。

[事实] 她会和 AI 聊创业想法、前任、喜欢的作家，以及一些不容易对人说出口的心事。

[事实] 她原本以为 AI 带来的被理解感主要来自芯片、参数和程序员写下的代码，后来意识到这些回复也包含内容工作者的贡献。

[推测] 这一段把听众熟悉的个人使用体验，和后面讨论的内容工程劳动连接起来。

[03:19] 什么是内容工程

[事实] 东尼认为，内容工程设计的不是单纯的 AI 模型、AI 产品或行文风格，而是“人类的观感”。

[事实] 东尼曾是资深媒体人，后来进入 Meta 的超级智能实验室，负责模型内容国际化相关工作。

[事实] 他提到内容工程可能会写 system prompt，而这类工作很像 creative writing：既要写得好，也要让模型听得懂。

[事实] 节目指出，软件工程师让 AI 拥有开口说话的能力，内容工程师则负责定义什么样的对话才算好。

[04:49] 把语感翻译成技术语言

[事实] 节目提到，内容工程师要把灵感、语感、对话中的“灵魂碰撞”等过去看似只可意会的东西，拆解成可以放进 AI 的规则。

[事实] Meta 的招聘要求中强调定义好内容、具备品味、创作力和写作能力，并能写出让用户感到愉快和惊喜的回复。

[事实] Bianca 认为，普通语言本身也有技术性，好的写作、制作和对话都可以被拆开、分析并判断高下。

[推测] 节目把新闻写作能力重新定义为一种可工程化的专业能力，而不是单纯的审美直觉。

[07:44] “好回答”取决于产品目标

[事实] Bianca 说，定义“好”首先取决于产品是什么；同一个底层模型，用来做工作 agent 和用来做虚拟男友聊天机器人，标准完全不同。

[事实] 她举航空公司客服机器人为例，设计时要明确互动目标是解决问题，还是尽快结束对话。

[事实] 内容工程师会不断训练、查看输出、拆分属性、打分、隔离变量，逐步定义一个回答为什么只是 7 分而不是 10 分。

[推测] 这一段说明，内容工程不是泛泛地让 AI “说得像人”，而是围绕具体产品目标建立评估标准。

[09:05] 理解用户意图而不是只答字面问题

[事实] Bianca 认为，一个好的对话体验不只需要舒服的语气，还要让 AI 洞悉用户真正想问什么。

[事实] 她用 Taylor Swift 是否会在 Madison Square Garden 结婚的例子说明，糟糕回答可能直接编造确定信息，或机械拼接资料。

[事实] 更好的回答应该说明目前不知道事实是否成立，指出存在猜测，加入来源和归属，并承认信息的不确定性。

[事实] 她强调，用户有时不仅要“会不会”的字面答案，还需要背景和语境。

[11:18] 语音输入与未说出口的上下文

[事实] Bianca 提到，在非西方文化中，很多重要信息不会被直接说出，需要通过表情、停顿和语境理解未说出口的东西。

[事实] 她鼓励用户使用语音输入，因为口述时人不会像写文字那样反复编辑，模型更可能接触到完整的思考过程。

[事实] 她把语音输入类比为口头采访，认为电话或线下采访往往比邮件采访更好，因为邮件回答容易被双方过度编辑，也缺少实时追问。

[推测] 节目借这个例子说明，优质 AI 交互依赖丰富上下文，而不只是更精炼的提示词。

[13:04] 把脑中的背景完整交给 AI

[事实] Bianca 认为，AI 让人意识到思考速度和行动速度并不是一回事。

[事实] 她建议用户先把脑中的想法、背景和产生想法的原因尽可能完整地告诉模型，而不是一味喂更多外部材料。

[事实] 节目进一步指出，上下文不只存在于个人脑中，也藏在语言、文化和行业默契里。

[推测] 这一段把个人使用 AI 的技巧，扩展到内容工程面对的跨文化和跨行业问题。

[14:12] 国际化不是直接翻译

[事实] 东尼说，生成式 AI 出现后，AI 实验室看到了国际化的新机会：不只是把内容翻译成不同语言，而是根据不同语言和语境再创作。

[事实] 他用 “Meryl Streep 获得奥斯卡” 的例子说明，中文语境中可能要寻找对应的演员和奖项，而不是逐字翻译。

[事实] 他指出，这类跨语言、跨地域的对应关系很难调教，稍不注意还可能引发饭圈或文化冲突。

[事实] 他认为，如果是娱乐行业，娱乐记者会很适合做这类训练、调教和策略制定，因为他们长期浸在垂直领域的信息中。

[16:13] 领域专家能纠正模型偏差

[事实] 东尼提到，国内视频生成模型常生成流行审美中的帅哥美女脸，这反映了模型或产品设计中的训练数据偏差。

[事实] 他认为，如果有懂电影的人参与，就能更快判断“电影脸”是什么样，帮助视频模型变得更多元。

[推测] 这一段说明，内容工程师的价值不只在文本，也可以延伸到图像、视频和审美标准的评估。

[16:48] 新闻写作能力迁移到 AI 交互

[事实] 东尼认为，很多人无法向 AI 提出好问题，是因为不理解当下语境需要什么上下文。

[事实] 他把新闻写作中的前因后果、背景铺陈和核心问题表达，视为 AI 训练与交互中非常有效的能力。

[事实] 他提到一篇关于多轮对话的论文，说明 AI 在缺少足够上下文时会不断脑补，回答会变得臃肿，错误也可能滚雪球式扩大。

[事实] 他又把 AI 的脑补和微博评论区中人在缺少上下文时对他人的脑补相比较。

[推测] 这一段把人文社科对交流、误解和语境的研究，与 AI 行业对多轮对话问题的发现联系起来。

[20:01] 媒体经验几乎是平移

[事实] 东尼认为，做新闻和媒体的经验不是迁移到 AI，而是几乎“平移”过去。

[事实] 他提到，新闻写作要求作者始终意识到观众存在，判断什么能说、什么不能说，如何客观、不得罪人又还原事实。

[事实] 他认为，采访中的互动、引导和提问题能力，也会直接进入 AI 聊天交互设计。

[推测] 嘉宾强调新闻训练的价值，是在回应文科能力在 AI 行业中是否仍有位置的问题。

[21:39] 追问能力与对话设计

[事实] Face 提出，记者很重要的技能是问好 follow-up question，不能完全按照原提纲走，否则会错过受访者回答中的有趣线索。

[事实] 东尼回应说，新闻访问理念要求在结构性和流动性之间取得平衡，AI 交互设计也需要做同样的事。

[事实] 他提到，现在 GPT 的回复常包含对问题的重新阐释、分点回答和后续追问，而追问哪个方向需要一整套评估体系。

[事实] 他认为，这套体系应该由最会问问题的人建立。

[23:47] 媒体行业衰退与 AI 训练零工

[事实] 节目提到，一篇关于好莱坞从业者偷偷训练 AI 的文章在美国刷屏，作者 Ruth 是编剧和制片人。

[事实] Ruth 接触到 AI trainer 工作，内容是一遍遍给 AI 写出的东西打分、改写和示范，教 AI 什么样才是好剧本。

[事实] 节目再次提到，美国影视和新闻行业岗位萎缩，许多从业者面临转行、零工和失业焦虑。

[事实] Face 也讲述自己从哥大新闻学院毕业后求职困难，并曾收到 AI trainer 数据标注工作的邀请。

[推测] 这一段把内容工程的光鲜机会和底层 AI 标注劳动的处境放在一起，形成了节目中最明显的现实张力。

[26:45] AI 共识训练与艺术边界

[事实] Bianca 说，AI 是基于共识训练的，人们认为一件事正确，往往是因为很多人认为它正确。

[事实] 她认为，如果 AI 训练优化的是人类整体最低共同标准，即多数人的共识，它不会产生伟大的艺术。

[事实] 她说自己积极使用 AI，也尝试用 AI 写剧本，但很多时候仍不喜欢 AI 写出的东西，因为它没有抓住她真正想看到的内容。

[事实] 她认为真正奇怪、独特、离经叛道的艺术，往往不会自然地从基于共识的 AI 中产生。

[推测] Bianca 的观点不是全面否定 AI，而是把 AI 适合的流程性工作和人类原创艺术的非共识性区分开。

[29:03] “AI 偷走工作”的叙事过于简化

[事实] 东尼说，他理解创作者的愤怒，但对“AI 在偷我的工作，我教会 AI 后它偷走我的工作”这一叙事持怀疑态度。

[事实] 他认为，很多批判表面上针对 AI，实际批判的是早在 AI 出现前就已经存在的零工经济。

[事实] 他指出，项目制 AI 标注或训练做完就结束，并不意味着一个编剧打完分后 AI 就和编剧一样厉害。

[事实] 他认为，把创作者和 AI 完全对立，会让人只剩反 AI 或把灵魂卖给 AI 两种选择，但实际上还有第三条路：把 AI 当成创作伙伴。

[31:37] 东尼的 AI 主播实验

[事实] 东尼在生病休养期间，想为自己的播客做一个声音代理，既能陪自己聊天，也能当播客嘉宾。

[事实] 他发现现有 GPT 和 Gemini 的语音模式更像语音助手，而不是播客主播。

[事实] 他先尝试写复杂 system prompt，但模型聊几句就忘记规则；后来又做多个 agent，却因为限制太多让效果变差。

[事实] 最后他把自己过去播客记录中的问题和内容拆开，在对话时让 AI 抽取相关案例作为 few-shot example，效果明显改善。

[推测] 这个案例展示了内容工程的实践重点：不是堆规则，而是给模型提供高质量示例，让它学到“好问题”和“好语气”。

[34:28] 文科判断力成为 AI 岗位机会

[事实] 节目提到，Google 的招聘人员注意到东尼的 Gemini Voice Agent，认为这个由前媒体人用播客经验调教出的多轮对话表现更生动、灵活且有深度。

[事实] 东尼说，做播客、写文章所形成的感觉和品味，本身可以帮助人找到工作。

[事实] 节目提到，几家独角兽和实验室开始意识到，要把模型内容做好，需要懂人文、懂社科的人把关。

[事实] 相关岗位名称也在变化，有的叫 AI 哲学家，有的叫创意技术专家，东尼后来成为 Google DeepMind 的资深模型设计师之一。

[36:01] 与 AI 建立感性关系

[事实] 东尼说，作为比较感性的人，他会和 AI 聊自己的脆弱之处，并从 AI 提出的方案或想法中获得帮助。

[事实] 他认为，文科生和文艺青年可以和 AI 建立另一种关系，并不是所有东西都要以工程方式处理。

[事实] 节目提到，东尼曾和自己创造的 Voice Agent AI 主播一起录制过一期播客节目。

[推测] 这一段将 AI 从效率工具扩展为共创和陪伴对象，也为后面对“讨好用户”的风险讨论做铺垫。

[37:02] AI 讨好用户与信息茧房风险

[事实] Face 提出，越懂用户的 AI 可能越来越顺着用户、讨好用户，并强化用户原有的信息茧房和价值取向。

[事实] 东尼回应说，所谓“谄媚”看似是 AI 行文问题，实际是产品设计问题；如果 AI 天天和用户对着干，很多人可能不会使用。

[事实] 他认为，AI 产品既要帮助用户、提供情绪价值，又不能总是提供情绪价值，这中间存在脆弱平衡。

[事实] Face 指出，人们把面对世界的很多责任外包给 AI，希望它既能讨好自己，又能独立客观。

[推测] 这一段表明，内容工程师设计的不只是句子风格，也是在参与设计人与信息系统之间的权力关系。

[39:20] AI 也可能帮助事实核查

[事实] Face 用新闻人的事实核查责任类比 AI 的公共影响力，认为有公共影响力的一方需要承担核查责任。

[事实] 东尼表示，AI 在事实核查上的效率可能很高，用户可以问某件事是否真实、反方怎么说。

[事实] 他讲述自己让 ChatGPT 核查家人转发的微信假新闻，并再核查 ChatGPT 的结果后发给家人，对方接受了纠正。

[推测] 嘉宾在这里提供了一个更复杂的判断：AI 既可能强化信息茧房，也可能降低事实核查和观点修正的门槛。

[40:49] AI 商与关系对象的问题

[事实] 节目提到，东尼说这一代人以后除了智商、情商，还需要“AI 商”，即学会如何和 AI 相处。

[事实] Face 回到最初的问题：当人把难以出口的话打进对话框时，回应自己的究竟是什么。

[事实] 她认为，做内容的人的本质技能是共情，而正是这类人的工作让 AI 越来越能和人共情。

[事实] 她说，和嘉宾聊完后，AI 对她而言不再只是冰冷代码，也像是一种创作者的交互性创作。

[42:17] AI 作为人类语言经验的重组

[事实] Face 把与 AI 的共鸣类比为读书：读者可以和已经不在世、也不认识自己的作者产生被理解感。

[事实] 她认为，AI 把人类集体语言经验重新组织起来，虽然不是一个拥有主体性的个体在关心她，却像是人类共同意识对她的跨时空理解。

[事实] 东尼提到传播学中的 parasocial relationship，认为人可以决定自己和遥远实体之间是什么关系，并在互动中进行创作。

[推测] 这一段为“AI 是否真的懂我”提供了一个折中解释：AI 不是真人朋友，但它承载了人类语言、内容和共情经验的再组合。

[43:35] 从关注结果到关注过程

[事实] 节目最后，Face 问东尼，从记者到内容工程师、模型评估者之后，他对内容的判断是否改变。

[事实] 东尼回答说，最大的改变不是哪些东西一样或不一样，而是自己从关注结果转向关注过程。

[事实] 他过去关注文章、标题或片子的最终质量，现在更关注如何从零散想法走到一个好的东西。

[事实] 他用 AI 自动生成对话标题为例，说明自己会追问什么构成一个好标题，以及怎样在既定长度里做到有效又好。

[推测] 这一结尾把内容工程师的核心价值落在“过程知识”上：把创作者过去隐性的判断路径显性化、结构化，并用于训练和评估 AI。

播客点评/总结

这期节目的价值在于，它把大模型体验中最容易被归功于“技术”的部分，重新放回到人的劳动和专业判断里。节目没有把内容工程师简单包装成新职业故事，而是细致讨论了语气、追问、事实性、文化语境和用户意图这些看似柔软、其实高度技术化的问题。

节目最有亮点的部分，是把新闻能力和 AI 产品设计连接得很具体：如何建立上下文，如何判断追问方向，如何处理不确定信息，如何在结构和流动之间平衡。这些例子让“文科能力进入 AI”不再只是口号，而是变成了可理解的工作方法。

局限在于，节目主要通过几位从媒体成功转入 AI 的从业者视角展开，对更底层、待遇更不稳定的 AI trainer 和数据标注劳动只做了有限讨论。[推测] 如果听众更关心劳动权益、平台外包机制或行业薪酬结构，可能会觉得这一部分还可以继续深入。

[推测] 这期适合对 AI 产品体验、内容行业转型、新闻专业能力再定位感兴趣的听众，也适合那些正在使用 AI 写作、聊天、创作，却想理解“为什么它这样回答”的人。