想让脚本写出“成都味儿”，本质上是在对抗一个巨大的惯性：互联网上绝大多数语料都是标准普通话，AI学出来的自然也是那套“官腔”。我最近接了个本地生活号的单子，甲方要求内容必须“接地气”，不能是那种全国通用的攻略模板。这就逼着我得在伪原创的流水线里，硬生生开一个“方言处理”的工位。
一开始想得太简单了，不就是加词库替换吗？我把“很好”替换成“巴适”，“美女”替换成“粉子”，“吃饭”替换成“下馆子”。结果生成出来是这种鬼东西：“这家火锅店巴适得板，粉子们下馆子一定要点毛肚。” 读起来像外国人说成都话，每个词都对，但组合起来就是一股塑料味。问题出在语法结构和语境上。成都话的“得板”是个程度补语，通常跟在形容词后面表示“很”，但“巴适得板”本身已经是个固定短语了，后面再接“一定要点毛肚”，语感就断了。真正的成都人可能会说“这家火锅毛肚才巴适得板”。
这就不是简单词库能解决的了。我得拆解句子结构。我的思路是，在分词和词性标注之后，加一个“方言语境层”。比如，当句子主干是“评价+地点”时（“这家店很好”），触发“巴适得板”或“简直不摆了”这类整体评价短语的替换，而不是单独替换“很好”这个词。同时，还得引入地标和场景词库进行联动。当检测到“火锅”、“串串”、“茶馆”这些场景词时，才调用更地道的、带有动作描述的短语库，比如“涮两筷子”、“摆一哈龙门阵”、“喝个盖碗茶”。
最麻烦的是处理那种“语气词”和“语序”。成都话喜欢在句末加“嘛”、“嗦”、“哈”，表示商量、确认或反问。这个不能乱加，得看原句的意图。我写了个简单的意图判断规则：原句如果是祈使句或建议句（“你可以试试这个”），加个“嘛”或“哈”就比较自然（“你可以试一哈这个嘛”）。如果是疑问句，看有没有“为什么”、“怎么”这类词，有的话可以试试句末加“喃”或“嗦”。但这里又涉及到变调，书面语很难体现，只能靠读者脑补了。
为了搞这个语料库，我最近天天泡在本地论坛和微博超话里爬数据，专门抓那些带地理标记的、用户自发的帖子。不能用新闻稿，那太正式。爬下来的数据还要清洗，去掉网络通用梗和表情符号，只保留纯文本的口语表达。然后手动打标签：这是“评价类”、这是“指路类”、这是“砍价抱怨类”。工程量比我想象的大十倍。
团队里新来的小孩不理解，觉得我钻牛角尖。他说：“哥，甲方又不懂技术，我们词库替换一下，他们看着新鲜就完事了，效果差不多。” 我差点没忍住骂人。差不多？现在市面上所有伪原创工具都是“差不多”的思维，出来的内容同质化严重，搜索引擎也不傻，迟早能识别出来。我要的不是“差不多”，是要让算法产出的东西，乍一看真像是本地一个好吃嘴儿随手写的分享。这里面的差距，可能就是下次算法更新后，你的站还能不能排在首页的区别。
搞管理这半年，最大的痛苦就是这种时刻。你明明看到了一个细节上的突破点，能形成技术壁垒，但手下的人只想着尽快交付、拿钱。你跟他说技术理想，他觉得你事儿多。身心俱疲。但没办法，这个实验我必须自己做下去。爬虫、清洗、打标、写规则……又回到了独狼状态，反而觉得踏实。
今晚测试的最新一版，生成了一段玉林路小酒馆的推荐。最后一句是：“巷子头那家，歌手唱得一般，但梅子酒有点安逸，坐到半夜不想走。” 嗯，“有点安逸”，“坐到半夜不想走”，这种程度副词和后续状态的补充，有点那个味道了。虽然离真正老成都的鲜活口语还有距离，但至少，它不再是一句标准的“该酒吧的梅子酒口感不错，适合夜晚前往”了。
让机器理解并生成“地方味儿”，本质是教它一种非标准的、充满例外和人情世故的规则。这比写标准化的生产脚本难多了，但也更有趣。或许，所有试图让内容具备“人味儿”的尝试，都是在和自己身为工具人的那一面做对抗吧。
