让脚本写出“成都味儿”，这事儿我折腾了快一个月。一开始我以为就是加几个“巴适”、“安逸”、“瓜娃子”当关键词，结果生成的东西像川普考试卷，生硬得抠脚。直到我把 o1 的推理链打开，才意识到问题不在词库，在逻辑。
方言是活的，是思维路径的本地化。你用普通话的逻辑想“这个东西很好吃”，输出就是“这个东西很好吃，巴适得板”，这是翻译，不是表达。成都话的底层逻辑是“评价前置+具象比喻+情绪收尾”。你得让模型先“想”成成都人。
我拆了五十段李伯清的散打评书录音转文字，不是当语料喂，是当逻辑样本分析。发现核心就三点：一是反问和设问特多，自己问自己答，“你说咋子安？哎，就是弄个的。”二是比喻极度生活化且带点蔫坏，“长得跟门板压过的一样”，“跑得跟脱缰的野狗一样”。三是节奏，短句堆叠，中间夹杂大量语气词“嘛”、“哦”、“嗦”，不是结束，是缓冲。
基于这个，我重构了 Prompt。第一层，角色锚定：“你现在是一个在成都生活了三十年、爱在茶馆摆龙门阵的中年大哥，职业是出租车司机，对本地吃喝玩乐门儿清。” 光这个没用，太虚。第二层，思维框架指令：“请用以下结构组织语言：1. 先用一个反问或自问自答切入主题。2. 描述时，必须使用一个基于常见生活场景（厨房、菜市场、麻将桌）的比喻。3. 在句中和句末，随机但合理地插入‘嘛’、‘哦’、‘得嘛’、‘撒’等语气词，使其起到停顿和强调作用，而非简单后缀。” 第三层，禁忌：“禁止直接使用‘巴适’、‘安逸’作为核心形容词，除非在比喻句之后作为自然补充。禁止使用‘辣椒’、‘火锅’作为万能答案。”
然后上 o1-preview，关键一步是开启深度推理。我在系统指令里明确写了：“请分步骤推理：第一步，解析用户请求的普通话核心信息。第二步，将核心信息映射到成都本地生活的常见场景中。第三步，用前述的方言逻辑框架重构语言。第四步，输出最终回答。” 看着它那“思考中”的提示跳上几十秒，出来的东西就不一样了。
比如我让它写“推荐一家夜宵面馆”。以前 gpt-4 的输出是：“成都的夜宵面馆很多，推荐某某面馆，味道巴适，尤其是他们的杂酱面。” 现在 o1 推理版出来的是：“哎，你问夜宵嗦？这个点儿嘛，就得去巷子头找。我给你说一家，老板儿脾气有点怪，但那个面哦，臊子炒得跟外婆家灶头炒出来的一样，油亮亮的，拌转，每一根都裹得匀匀净净。吃完嘴巴一抹，心头就两个字：踏实。不是那种辣得惊叫唤的，是香得你睡戳了都还在咂嘴巴。去嘛，就报王师傅说的，看能不能少等你两分钟。” 这个“睡戳了都还在咂嘴巴”和“报王师傅说的”，就是逻辑本地化的结果，它推理出了“推荐需要人情背书”和“好吃到有延续性”这两个隐藏点。
但这还不够稳定。o1 推理消耗大，速度慢，不适合直接上生产流。我的解决方案是，用 o1 生成几百条高质量、结构清晰的“范式回答”，覆盖常见话题。把这些回答作为“思维示范”样本，和之前的逻辑描述 Prompt 一起，构成一个强化包，去微调或者深度引导 gpt-4o 这类更快更省的模型。相当于让 o1 当老师，提炼出“成都味儿”的生成公式，再让速度型学生去模仿执行。
现在我在 n8n 里搭的本地生活推荐自动化，出来的文案终于不像全国统一模板了。代价就是 token 烧得我心痛，而且极度依赖那套初始 Prompt 的精准度。差一个字，可能就从“茶馆老哥”变成“景区导游”了。搞 AI 落地，有时候就是在这种抠细节的地方较劲，哪有什么魔法，都是体力活。
