在上一篇文章中，我复盘了从“一键生成”到“协同打磨”的认知跃迁。当明确了AI在公文写作中的定位是“初稿协作者”而非“终稿生产者”后，接下来的问题就是：如何针对不同类型的公文，建立相匹配的工具链与介入节奏？
如果用大炮打蚊子，成本不可控；如果用小刀锯大树，质量必失控。经过近期的系统复盘与固化，我将公文写作工作流按“严肃度×介入深度”拆解为三层分类模型。
一、 核心判断标准
这套分层体系的核心逻辑在于：当稿件的严肃度要求超过模型一次性生成的天花板时，人就必须把介入的颗粒度从“整篇”降到“段落”甚至“句子”。
GLM-5.2再强大，一次性吐出的文本也注定是“粗”的。没有过程中的干预与微调，在表述精度和逻辑纵深上，很难达到精品标准。基于此，我构建了以下三层工作流。
二、 三层工作流详解
第一层：成本优先（例行件）
适用场景：存档总结、个人材料、通知通报等基础例行文章。这类文章对逻辑要求不深，格式大于内容。
工具链与流程：直接在对话界面生成文本，调用 hermes 或 workbuddy 生成内容，随后接入 DeepSeek 进行格式调整。
核心特点：大脑与手的解耦。 用 GLM-5.2 的大脑提供语义和结构，用 DeepSeek 的手去执行排版和格式固化。这是一种非常便宜的组合，生成的初稿基本可以直接使用，几乎不需要修改，实现了极高的成本优势。
第二层：迭代优先（中等件）
适用场景：调研报告、一般会议上的讲话稿等。需要填入大量素材，对逻辑和结构有一定要求，但精细度尚未达到逐字打磨的地步。
工具链与流程：同样在对话窗口输入素材和宏观要求，生成预览文档后，不急于导出。而是在对话界面提供一些宏观的优化思路，进行3-5次的迭代。迭代完成后，再调用智能体修改格式并导出。
核心特点：引入检查点机制。 每次迭代只改一个维度（如先查结构，再查对仗，最后查措辞），避免无效循环。这比第一层消耗更多的通用智能体Token用于排版，但保证了基本的质量底线。
第三层：精修优先（严肃大稿）
适用场景：领导年中工作会报告等严肃大稿。对表述、措辞、逻辑要求极高，需要反复修订。
工具链与流程：这是整个工作流中最复杂、也最核心的一层，具体分为四个阶段：
- 初稿生成：先在对话界面生成文字版一稿，调用智能体导出正式公文格式的版本。
- 本地固化：这是最关键的一步。 文字输出到对话窗口后，直接手动复制到本地文档中固化。不再让模型全篇重写，而是转为人工逐段精修。
- 分段锁死：秉持“提纲-逻辑-标题-行文”的四维度打磨原则。每改完一个部分，明确告知模型“确定，第一部分以此为基准”，并在本地文档中保存更新。这样在开启下一部分修改时，确保有正确的基线和上下文。
- 终检验收：全文定稿后，调用API进行全面优化校核。
核心特点：引入“终检兜底机制”。为了避免长对话可能导致的全局逻辑漂移，最后的核稿智能体采用 “诊断报告”模式而非“直接重写”模式。它作为一个未参与前期拉扯的“局外人”，只输出逻辑硬伤提示、结构完整性检查和行文一致性核验，把最终的修改拍板权留在自己手里。
三、 三层工作流对比总览
为了更直观地对比三者的差异，可参考下表：
| 维度 | 第一层（例行件） | 第二层（中等件） | 第三层（严肃大稿） |
|---|---|---|---|
| 严肃度 | 低 | 中 | 高 |
| 人工介入深度 | 几乎为零 | 宏观思路迭代 | 逐段、逐句微观精修 |
| 工具链组合 | GLM生成 + DeepSeek排版 | 对话迭代 + 智能体导出 | 对话精修 + 本地固化 + API终检 |
| Token消耗特征 | 极低，追求成本最优 | 中等，主要用于排版 | 极高，但核心消耗在对话交互 |
| 防漂移机制 | 无需考虑 | 检查点迭代控制 | 分段锁死基准 + 本地物理固化 |
| 最终质检方式 | 人工通读 | 人工通读 | 智能体诊断报告 + 人工决策 |
四、 写在最后
这套三层分类工作流的确立，意味着公文写作从“靠天吃饭”的盲目生成，变成了“看菜下饭”的工程化作业。
不同层级的任务，匹配不同的心智投入和工具组合。第一层解决“有没有”，第二层解决“好不好”，第三层解决“精不精”。工具链不再是单点依赖，而是根据任务属性灵活调用的协同网络。
在理清了这套宏观的方法论后，具体到每一层的实操中，如何通过提示词资产来约束模型的行为？如何确保领导偏好被准确传达？这些将在下一篇“提示词资产篇”中展开拆解。