机器也能写诗？AIGC诗歌创作实战指南（附踩坑避雷手册）
机器也能写诗？AIGC诗歌创作实战指南（附踩坑避雷手册）
- 机器也能写诗？AIGC诗歌创作实战指南（附踩坑避雷手册）
机器也能写诗？AIGC诗歌创作实战指南（附踩坑避雷手册）
“哥们，我昨晚让AI给我前女友写了首七言绝句，她看完把我微信备注改成了‘赛博李白’。”
—— 某个凌晨三点还在调参的前端群友
当AI开始押韵，人类诗人慌不慌？
先别急着把海子诗集拿去垫桌脚。
AI写诗这事儿，说玄乎也玄乎，说土嗨也土嗨。它既能给你整出“银河跌进啤酒杯”这种赛博浪漫，也能把“月亮”和“WiFi信号格”强行押韵，看得你脚趾抠出三室一厅。
但别怕，今天咱们不聊虚的，直接上手——从“让模型张嘴”到“前端页面能跑能摇”，一条龙给你整明白。
看完你也能在群里甩个链接：“兄弟们，输入关键词秒出七律，流量密码拿去。”
（温馨提示：本文代码全部可抄，抄完报错算我输。）
AIGC写诗到底是个啥玩意儿？——先扒掉技术的底裤
说白了，就是让大模型背完《全唐诗》+《现代诗三百首》之后，照着你的prompt开始“接龙”。
核心公式就一句：
“给定上文，预测下一个token。”
别被“token”吓到，你就把它当成“下一个汉字”或者“下一个拼音片段”。模型每天干的事，就是玩一场超大规模的“成语接龙”，只是接的是人类几千年的酸爽情诗。
中文诗的特殊debuff
- 押韵：英文只需要“end with -ing”，中文得整《平水韵》，不然“花”和“蛙”强行押韵，读起来像相声。
- 平仄：平平仄仄平平仄，模型看到这一串脑瓜子嗡嗡的，loss函数里不加惩罚，它就给你整出“拖拉机横冲直撞”的节奏。
- 意境：AI最擅长“把牛说成是牛”，但它很难明白“牛”也可以是“回不去的田园”。
主流模型怎么“学会”写诗？——Transformer不是变形金刚，但确实会变
训练数据黑幕
- 古诗文网爬虫：全唐诗 42k、全宋词 20k、现代诗 8k，再加上微博“#每日一诗#”话题 100w 条，混一起就是一锅“古今乱炖”。
- 清洗规则：去掉“转发”“//”这些杂质，再把“啊”“哦”这类语气词统一映射到
<EMO>token，防止模型“啊哦”个不停。 - 数据增强：把一句“春风又绿江南岸”随机替换成“秋风又黄江北岸”，让模型知道“绿”不是唯一答案，押韵别死磕。
loss函数里的小心机
# 伪代码：在交叉熵上加押韵惩罚defrhyme_penalty(logits, target_tokens, rhyme_dict):""" logits: 模型预测的下一个token分布 target_tokens: 正确答案 rhyme_dict: 自己整的《平水韵》映射表 """ penalty =0if target_tokens[-1]in rhyme_dict:# 最后一个字需要押韵 rhyme_class = rhyme_dict[target_tokens[-1]]for token_id, logit inenumerate(logits):if idx2token[token_id]in rhyme_dict:if rhyme_dict[idx2token[token_id]]!= rhyme_class:# 不押韵就狠狠扣分 logits[token_id]-=5.0return logits 就这么简单粗暴，模型被“扣分”扣多了，慢慢学会“花/家/涯”一家亲。
实操上手：三行代码让AI给你写情诗
别急着租GPU，先用Hugging Face上白嫖的Chinese-Poetry-GPT2爽一把。
pip install transformers torch from transformers import BertTokenizer, GPT2LMHeadModel import torch # 1. 模型&tokenizer一步到位 tokenizer = BertTokenizer.from_pretrained("ethan-yi/Chinese-Poetry-GPT2") model = GPT2LMHeadModel.from_pretrained("ethan-yi/Chinese-Poetry-GPT2") model.eval()# 2. prompt越中二，诗越对味 prompt ="小姐姐，今晚的月亮像刚充值的币，"*3# 重要的事说三遍 inputs = tokenizer(prompt, return_tensors="pt")# 3. 生成——temperature=0.8 赛博微醺感with torch.no_grad(): outputs = model.generate(**inputs, max_length=128, do_sample=True, temperature=0.8, top_p=0.9, repetition_penalty=1.2) poem = tokenizer.decode(outputs[0], skip_special_tokens=True)print(poem)跑出来的效果可能是：
小姐姐，今晚的月亮像刚充值的币， 小姐姐，今晚的月亮像刚充值的币， 小姐姐，今晚的月亮像刚充值的币， 银河兑进啤酒杯，想你到WiFi满格醉。 看到没，AI已经把“想你”和“WiFi”强行押韵，土味赛博情诗拿捏了。
想再古风？把prompt换成“春风十里”+“扬州”+“豆蔻”，它立刻给你整出“二月卖新酒”的味儿。
你以为AI写诗就是复制粘贴？——错，它背后全是套路
Token预测视角下的“创作”
模型其实没“创作”，它只是疯狂算概率：
“春风又绿江南岸”后面，最高概率的是“明月何时照我还”，于是它就“抄”了。
但如果把temperature拉到1.5，概率分布被搅成一锅粥，它就可能给你整出“春风又绿江南岸，量子纠缠般的思念”。
所以，temperature=0.5 是李白，temperature=1.5 是喝醉的李白，temperature=2.0 是李白掉进了搅拌机。
前端视角看“生成”
咱们写网页，不可能让用户在命令行里python poem.py。
把模型封装成接口，最省事的是直接transformers+fastapi：
# api.pyfrom fastapi import FastAPI from pydantic import BaseModel import uvicorn from poem_engine import generate_poem # 上面那段逻辑封装一下 app = FastAPI()classKeyword(BaseModel): keyword:str style:str="tang"# tang / song / [email protected]("/ai/poem")defget_poem(kw: Keyword): prompt =f"{kw.style}风格，关键词：{kw.keyword}，写一首七言绝句：" poem = generate_poem(prompt, max_len=64)return{"poem": poem}if __name__ =="__main__": uvicorn.run(app, host="0.0.0.0", port=8000)前端小哥直接fetch('/ai/poem', {method:'POST', body:JSON.stringify({keyword:'火锅'})})，
秒回：
火锅煮月亮，红油染星光。 毛肚是归舟，鸭肠到故乡。 优点吹爆，缺点扎心——AI诗歌的AB面
A面：快、多、不要版权费
- 快：GPU 上跑 1 秒 20 首，老板让你写 100 首藏头诗，3 分钟交稿。
- 多：想写 1000 首关于“孤独”的诗？AI 不emo，它写到显卡冒烟都不累。
- 版权：它“抄袭”的是概率，不是字面值，法律上算“原创”，甲方听了直点头。
B面：机器味一眼识破
- 情感假：它可以把“哭”字用 20 种修辞堆砌，但它没真的哭过。
- 文化错：让 AI 写端午，它可能冒出“屈原吃粽子看龙舟比赛”——屈原：？？？
- 创新边界：AI 最擅长“缝合”，但很难“跳出盒子”。你让它写“新冠情诗”，它只会“口罩遮住你的脸，却遮不住我对你的思念”，听着像十年前的QQ空间。
前端怎么把AI诗歌玩出花？——不止调接口那么简单
1. 古风UI + 毛笔字动画
<!-- Vue3 + Tailwind 快速撸一个“赛博文房四宝” --> <template> <div> <div> <h1>AI 赛博诗塾</h1> <!-- 输入框 --> <input v-model="keyword" @keyup.enter="getPoem" placeholder="输入关键词，比如‘火锅’" /> <!-- 毛笔字动画 --> <svg v-if="loading" viewBox="0 0 100 100" > <text x="50" y="50" text-anchor="middle" fill="#92400e" font-size="20" > 落笔中... </text> </svg> <!-- 诗句 --> <div v-if="poem" > <p v-for="line in poem.split('，')" :key="line" > {{ line }} </p> </div> </div> </div> </template> <script setup> import { ref } from 'vue' const keyword = ref('') const poem = ref('') const loading = ref(false) async function getPoem() { loading.value = true const res = await fetch('http://localhost:8000/ai/poem', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ keyword: keyword.value }) }) const data = await res.json() poem.value = data.poem loading.value = false } </script> 2. AI vs 人类 擂台赛
思路：
- 同一关键词，AI 先写一首，匿名展示；
- 再拉群友写一首，匿名展示；
- 用户盲投票，点选“哪首更像人”。
- 最后揭晓，AI 胜率超过 60% 就可以截图吹半年。
前端实现就是两张卡片 + 一个vote接口，代码太简单就不占篇幅，重点是：记得把 AI 的作者名随机成“李清照 233 号机”，人类作者随机成“张二狗”，悬念拉满。
翻车现场复盘：为什么我的AI写出了“火锅煮月亮”？
1. 乱码——tokenizer背锅
中文 GPT 很多用 BertTokenizer，遇到生僻字直接[UNK]，于是“踽踽独行”变成“[UNK] [UNK] 独行”，诗意瞬间变尿意。
解决：提前把《新华字典》+《康熙字典》扔给 tokenizer 做add_tokens，别让 [UNK] 毁了“踽踽”。
2. 跑题——prompt太飘
你输入“孤独”，模型却写“火锅”，大概率是 prompt 里带了“火锅”的上下文。
解决：prompt 用模板锁死：
template ="七言绝句，主题：孤独，禁止出现食物！首句必须包含‘雨’字："3. 强行押韵——“月亮”/“WiFi”惨案
temperature 太高，模型开始“乱押”。
解决：
- 后处理 + 韵表过滤，生成后检查最后一句韵脚，不押韵就重新采样；
- 或者直接在 logits 阶段加 rhyme_penalty（前面代码有）。
4. 文化常识错误——屈原“被”吃粽子
训练数据里“屈原”“粽子”“龙舟”高频共现，模型直接脑补“屈原吃粽子”。
解决：
- prompt 加“历史事实：屈原投江，当时尚无粽子”；
- 或者用知识图谱做过滤，生成后检查实体关系，错了就回炉。
老司机私藏技巧：让AI写出“人味”
1. 情绪标签法
别只喂关键词，先喂“情绪向量”：
emotion ="孤独+雨夜+80年代老磁带" prompt =f"{emotion}，写一段现代诗，不超过50字："模型会把“磁带”转录成“A面是我，B面是你”，瞬间有那味儿。
2. 散文→诗压缩
先让模型写一段 100 字散文，再下一条指令：“把上文压缩成 28 字七言绝句，保留‘磁带’意象”。
两步走，比一步直接生成诗更稳。
3. 人类半截诗续写
half ="我把远方的酒喝成故乡的月光，" prompt =f"续写下半段，保持对仗与押韵，韵脚‘ang’：\n{half}"AI 续：
却把近处的你念成枕边的霜。 真假难辨，群里妹子直呼“这是哪个宝藏男孩写的？”
彩蛋：给老板写藏头诗保命指南
老板叫“张总英明神武”，藏头诗要求：张总英明神武，每句开头依次嵌入。
直接上模板：
heads =["张","总","英","明","神","武"] prompt ="七律，藏头诗，每句首字依次：{}，风格豪放，拍老板马屁，但别太明显："\ .format(''.join(heads))生成效果：
张帆远航破浪行， 总把星辰作指针。 英气如潮吞日月， 明眸似电划云层。 神采飞扬千里路， 武略深藏万籁音。 老板一高兴，给你绩效多打 0.5，年底还能多抢两箱月饼。
但注意：千万别让 AI 写“裁员”主题，它可能回你：
沁园春·优化 大厂风云，千里裁员，万里波动。 望楼宇内外，唯余惶惶；工位上下，顿失涛涛。 HR 看了直冒冷汗，连服务器都想给你拔了。
结语（微信群语音转文字版）
“兄弟们，今天这把 AI 写诗就聊到这儿。代码都甩给你们了，回头谁把‘火锅煮月亮’做成 NFT 卖了，记得 V 我 50。
下次想整啥？AI 写 rap 还是 AI 写情书？在群里 @ 我，我去给它调参调到它亲妈都不认识。”
