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）
• • 当AI开始押韵，人类诗人慌不慌？
  • AIGC写诗到底是个啥玩意儿？——先扒掉技术的底裤
  • • 中文诗的特殊debuff
  • 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
    • loss函数里的小心机
  • 实操上手：三行代码让AI给你写情诗
  • 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”
    • 前端视角看“生成”
  • 优点吹爆，缺点扎心——AI诗歌的AB面
  • • A面：快、多、不要版权费
    • B面：机器味一眼识破
  • 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
    • 2. AI vs 人类 擂台赛
  • 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
    • 2. 跑题——prompt太飘
    • 3. 强行押韵——“月亮”/“WiFi”惨案
    • 4. 文化常识错误——屈原“被”吃粽子
  • 老司机私藏技巧：让AI写出“人味”
  • • 1. 情绪标签法
    • 2. 散文→诗压缩
    • 3. 人类半截诗续写
  • 彩蛋：给老板写藏头诗保命指南
  • 结语（微信群语音转文字版）

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

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
def rhyme_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 = 0
if 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 in enumerate(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] -= 5.0
return 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.py
from 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()

class Keyword(BaseModel):
keyword: str
style: str = "tang" # tang / song / modern

@app.post("/ai/poem")
def get_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 class="min-h-screen bg-gradient-to-b from-amber-50 to-amber-100">
<div class="flex flex-col items-center pt-20">
<h1 class="text-4xl font-bold text-amber-900 mb-4">AI 赛博诗塾</h1>
<!– 输入框 –>
<input
v-model="keyword"
@keyup.enter="getPoem"
class="px-4 py-2 rounded border border-amber-300"
placeholder="输入关键词，比如‘火锅’"
/>
<!– 毛笔字动画 –>
<svg
v-if="loading"
class="w-32 h-32 mt-4"
viewBox="0 0 100 100"
>
<text
x="50"
y="50"
text-anchor="middle"
fill="#92400e"
font-size="20"
class="animate-pulse"
>
落笔中…
</text>
</svg>
<!– 诗句 –>
<div
v-if="poem"
class="mt-6 p-6 bg-white/70 rounded shadow-lg max-w-lg"
>
<p
v-for="line in poem.split('，')"
:key="line"
class="text-2xl text-amber-800 leading-loose font-serif"
>
{{ 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。”