指令的字數要求寫得再死，大模型還是交700字的卷子？

用AI做內容生產，最高頻踩的坑之一，就是字數。

明明在指令中寫了"1000字，禁止超字數"，出來700字，寫了"必須1200字"，出來1800字，寫了"不少于、不多于"，它照樣隨緣交卷。

這個問題幾乎出現在所有內容指令里，公眾號、小紅書、商品詳情頁、短劇腳本，無一幸免。

字數失控是內容工業化生產里最隱蔽的質量缺口，也是最消耗人工校對精力的那一類問題。

大模型生成文字的本質，是概率采樣，不是文字計數。

它在輸出每一個字的時候，并沒有一個實時計數器在旁邊報數，它只是在判斷"下一個字是什么"，字數感知對它來說是模糊的統計直覺，不是精確的數學能力。

所以你在指令里寫"精確1000字"，它接收到的信號等同于"大約1000字"，誤差是結構性的，不是模型在偷懶，這個認知是解決問題的前提。

1、字數口徑不統一，是所有問題的起點

"1000字"這三個字，在指令里是一個嚴重的歧義表達。

中文漢字算一個字，標點算不算，空格算不算，標題算不算，列表里的文字算不算，模型和你對"字數"的定義可能根本不一樣。

它按照自己的理解交了卷，你按照自己的標準驗收，當然永遠對不上。

優化方向是在指令里明確統計口徑，比如"漢字數，不含標點，不含空格，標題計入，列表計入，允許誤差±20字"，把歧義關在指令外面，才能讓后續所有約束建立在同一個地基上。

2、"結果約束"管不住輸出，要換成"過程約束"

大多數字數指令的寫法，是"全文1000字"，這是典型的結果約束，只告訴模型要到哪里，沒有告訴它怎么走。

模型遇到結果約束，會優先保證語義完整和結構完整，字數排在第三位，一旦它認為內容說完了，就會自然收束，不管還差多少字。

把結果約束換成過程約束，效果會立刻不同，比如"全文分為5個段落，每段200字，段末標注本段字數"，模型有了分配預算，會按段落擴展內容，而不是整體估算一個模糊的總量。

3、結構分配是比字數要求更底層的控制手段

字數約束的本質，是在控制內容密度。

但內容密度不是靠字數堆出來的，是靠結構撐出來的。

如果指令只有字數要求，沒有結構要求，模型就會用最省力的方式填滿字數，重復表達、空泛概念、廢話連篇。

真正有效的約束是"每段至少包含一個具體例子或一個可操作建議"，這條規則比"每段200字"更能驅動有效字數。

兩者疊加使用，才是穩定字數與穩定質量同時達成的正確路徑。

4、兩輪生成是目前最可落地的工程方案

一次生成要求精確字數，在純提示詞層面的穩定率本來就有上限，這是模型的結構性局限，不是指令寫得不夠好。

接受這個事實之后，最穩定的方案是兩輪生成：第一輪寫出接近目標的初稿，第二輪單獨給一條校準指令，讓模型只做字數調整，不改結構，不換觀點，不足則補細節和例子，超出則壓縮冗余句。

兩輪分工明確，模型在第二輪的任務極度簡單，命中率遠高于一次性要求精確字數。

如果是API批量生產場景，程序計數加補齊循環是更穩定的閉環，三輪以內基本可以做到精確命中。

5、長指令里的字數規則，是最先被漂移掉的那一條

長指令中的字數規則，更容易倍優先漂移掉。

這是做指令定制必須正視的現實。

一份同時包含角色、風格、結構、連接詞、標點格式和字數的復合指令，當所有規則同時進入上下文，模型的注意力會隨著生成長度發生漂移，越靠后的規則執行優先級越低。

字數約束通常放在指令末尾，恰好是最容易被漂移掉的位置。

優化方向是把字數規則從"禁止超字數"的消極表達，改成"段落預算分配表"的積極結構，嵌進內容框架里，讓字數約束和結構約束合并成同一條規則，而不是兩條并列規則里優先級更低的那一條。

有客戶在用復合指令批量產出公眾號文章，字數總是忽多忽少，改成"5段結構+每段字數預算+第二輪校準"的兩步工作流之后，字數命中率提升到了90%以上，人工校對的時間減少了將近一半。

字數問題看起來是小問題，但在批量生產場景里，它是直接影響交付效率的系統性漏洞，值得認真對待，而不是每次靠人工補字數來兜底。