打造从分发中学习的新闻室

结论很清楚：AI新闻室的优势，在于今天的分发能改善明天的编辑判断。生成二十个标题并不难。难的是记住哪种承诺吸引了合适的读者、文章是否兑现了承诺，以及这条经验何时失效。值得积累的资产，是这种记忆。

阳光卫视的起点是品牌、档案和自己的判断。我们为iSun1.news提出的闭环是：事件 → 编辑判断 → 二十种框架 → 受控分发 → 观察反馈 → 保留学习。本文给出设计，并未宣布已经验证的增长引擎、完成的版权审查或胜出实验。这些结果仍须保留UNKNOWN，直到证据出现。

1. 新闻室需要记住当时为何这样选

想象编辑收到一条机器人新闻。一个标题突出机器，另一个突出工作将改变的人，第三个追问工厂由谁出资。三种写法都可能准确，却向不同读者作出了不同承诺。若没有记录受众和分发条件，就宣布某个标题获胜，大部分经验也随之丢失。

因此，编辑记录应从发布前开始：世界发生了什么变化？哪个事实撑起故事？读者看完开头会期待什么？哪份证据兑现这个期待？编辑应能在不看点击数的情况下回答。精彩框架值得考虑，事实基础决定它能否发布。

值得长期保存的是一份决策记录，把事件、证据、框架、受众、渠道、观察窗口和结果连起来。被淘汰的方案也应保留，它们说明当时考虑过什么，避免下一位编辑把旧念头当成新发现。只保存网址，得到的是档案；保存网址背后的取舍，才有机会形成学习。

2. 三个参考分别照亮闭环的一部分

X公开推荐仓库描述了用户信号、候选获取、排序和过滤等组件，并区分显性与隐性行为。可借鉴的是架构：内容选择与反馈应当相连。这个仓库并不能证明今天线上系统的完整配方，也不是能直接移植给阳光卫视的增长公式。

Monolith的2022年论文讨论了面向变化中推荐任务的在线学习。其代码仓库现已归档，应作为历史设计参考，而非持续维护的新闻室套件。反馈更快，只有在反馈值得改变系统时才有价值。

News Minimalist的方法说明提供另一个角度：新闻产品可以围绕评估出的重要程度组织选题。这是一套公开的编辑方法，并不独立证明评分客观。三个参考对应三个问题：什么值得关注，谁可能在意，反馈能教会我们什么。下文是我们自己的综合设计，不声称任何一个来源已经运行了完整方案。

3. 阳光卫视的起点优势需要验证

阳光卫视的公开网站展示采访、国际商业连接与品牌授权。这些材料让新闻室可以拥有可辨认的声音。更大的设想是：真实人物、原创故事和持续的编辑判断，能让创作者与读者围绕共同中心聚集。

可以把这个中心称为引力场。这是战略假设，尚非测得的网络效应。熟悉的品牌可能打开一扇门，下一篇故事仍须值得读者花时间。旧采访或许藏着被忽略的洞见，但拥有档案不代表所有语言、平台、片段及商业用途都获许可。能访问、获授权、受众有响应，必须分别记录。

第一轮档案实验应当很小：挑选一份确实可再利用的材料，核实来源和使用范围，再连接一个当前问题。若这些条件无法确认，就改用已获许可的原创事件包。先从能用的材料中学习，再扩张素材数量。庞大档案库不能代替一篇权利清楚、能让读者回来的故事。

4. 固定事实，让框架变化

每个事件都需要稳定的事实包：主体、事件日期、原始证据、重要数字、引文、不确定性和版权状态。来源后来纠错，就建立新版本并说明原因，不能悄悄把变化藏进标题实验。否则无法判断反馈变化来自叙事，还是来自事实本身。

可以变化的是开头、叙事顺序、比喻、视觉处理和面向读者的问题。每个候选方案都要能回指所用的事实。惊人的标题，必须经得起检查；加一个问号救不了虚假前提。若结果来自模拟，制造期待的开头也必须明确保留模拟性质。

这样分层还能降低审核成本。编辑先确认共用证据，再用同一个参照检查二十种解读。某个方案若新增数字、动机或指控，就回到证据审核。风格可以广泛探索，事件的含义保持稳定。创意变化由此可检查，不会成为事实漂移的借口。

5. 二十种框架是一片搜索空间

二十个方案应当提出不同问题，而非给同一个标题换二十组近义词。可以探索劳动者的处境、资本约束、意外的历史对照、被忽略的客户、技术瓶颈，或承诺与交付之间的矛盾。判断标准是：它是否改变了读者在意的理由，同时保留事件事实？

生成候选池后，挑出一组差异明确的双版本，保持文章实质内容不变，记录为何值得比较，以及哪类读者能分辨这种差异。其余十八个保留为候选，不自动排成发布队列。向各渠道倾倒近似内容，会妨碍解释实验，甚至在获得经验前先耗尽读者耐心。

首轮实验因此分两步。离线先剔除无依据、重复或误导的框架；然后在获授权的分发环境里比较经过审核的小组。高编辑分只能让一个框架进入观察，不能预测受众提升，也不能证明它应成为默认标题。反馈由读者决定，事实责任仍归新闻室。

6. 注意力经过不同层次的承诺

这里提出一条测量阶梯：曝光 → 点击 → 有意义的阅读 → 回访 → 自愿建立关系 → 有用的参与或交易。每一级都要求读者投入更多。应把这些承诺分别记录，而非相加成一个很大的“互动量”。

曝光表示内容在已声明的规则下有机会被看到；点击表示读者对承诺产生兴趣。阅读行为或许表示注意力，但计时器不能证明理解。观察窗口成熟后的回访，才提示持续相关性。自愿订阅或贡献内容建立更直接的关系；交易另有商业与同意条件。

箭头表示假设，并非自动转化。大量曝光的故事可能留不住读者，小众文章也可能带来一位有价值的消息来源。缺测保持UNKNOWN，不能变成零转化的判决。首轮实验只选一个主要结果，再设少量保护条件，否则编辑总能找到某项指标，让偏爱的标题看似成功。

7. 在可比条件下比较承诺

分发会立刻引入混杂因素：早晚发布可能触达不同人群，成熟账号与新账号拥有不同关系，平台可能给某个版本远多于另一个版本的曝光。这些条件都应进入记录，因为观察到差距，并不代表差距由标题造成。

能控制分配时，提前定义比较，保持共同正文、封面和符合条件的受众一致。曝光由平台控制时，就标为观察性结果。计数旁边保留曝光及相关分母。少数读者算出的比例，与大批且观察成熟的读者算出的比例，精度不能等同。

寻找赢家之前，先声明复盘窗口和最低证据要求。样本不足，就记录证据不足；若有授权，可继续有限观察。小样本仍可能提供有用的定性线索，但线索应当成为下一轮假设，不能直接升级为“整个受众都喜欢什么”的结论。

8. 保存有条件的经验

记忆应当写成带条件的可用指引：在某个渠道、某个窗口，面向某类受众，某种承诺带来了某种响应，并附上限制。记录证据、反例和复查日期。“大家喜欢机器人”太笼统，无法指导下一次选题；“这个框架值得再做一次受控测试”反而可以准确且诚实。

记忆分三层。事件记忆保存发生过什么及哪些事实已核实；编辑记忆保存框架、承诺与兑现承诺的证据；受众记忆保存明确测量条件下的汇总观察。第三层不应变成猜测读者身份或敏感兴趣的私人档案。获得有效学习，不需要了解读者的一切。

每条经验都要能退休。平台改变、题材变熟，或更好的测试推翻旧结果，就把旧经验标为已被替代，同时保留原记录。新闻室必须能解释现行政策为何改变。否则记忆会变成不断堆积的轶事，并悄悄固化成教条。

9. 把信任纳入目标

只追逐注意力的系统，可能找到编辑日后后悔的捷径。务实做法是在测量前规定淘汰条件：无依据主张、隐藏不确定性、误导图像、权利问题，或正文无法兑现的承诺。这些是发布条件，高响应率无法抵消违反它们的代价。

发布后，纠错、读者失望及来源质疑，都应与正面响应并列。一个赢得点击却增加纠错负担的标题，确实造成了成本。把这种成本、编辑审查时间和生产费用分别记录，经济判断才能围绕已验收成果展开，而非只计算廉价草稿或不断增长的曝光。

阳光卫视在这套设计中的作用，是让不同实验保持连续性：可辨认的判断、清楚的来源，以及承担纠错责任。小团队或一人公司可以在这个场中工作，但能否繁衍仍有待验证。蘑菇比喻只有在每个新单元继承可靠事实包、有限权限及现实反馈能力时，才有意义。

10. 第一次实验应当放进一页纸

从一个已清权的事件包和二十个不同框架开始。选出两个，写明事实承诺与受众假设，冻结共同正文。指定一位可以否决任一版本的编辑，列出获许可的渠道；超出现有授权的发布保持草稿。本文的发表，并不授权另一次社交分发实验。

一页记录应包括事件编号、来源版本、权利决定、框架编号、分配方法、观察窗口、主要结果、分母、信任保护条件及复盘负责人。生产成本包括生成、重试、编辑和核实。若另外测试模型路由方案，应测量每个验收成果的成本及人工介入；Token便宜本身不能证明运营改善。

复盘有三个合理出口：保留一条狭窄经验、设计另一次有边界的测试，或记录没有获得有效学习。下一篇文章应能指出哪条保留经验影响了它。若后续决策没有任何改变，新闻室只是收集了分析数据，还未证明自己学到了东西。

本文没有确立受众提升数字、完成的档案版权审计，或iSun1.news胜出的版本。已完成的是设计与证据框架；实验规格为READY，实际表现仍为UNKNOWN。下一个有意义的里程碑，是来自获授权分发的可审查记录，以及随后真正使用该经验的编辑决定。

11. 闭环本身就是产品

这是一张概念流程图，不是业绩图。在同一实验中，事实与权利保持固定，框架可以变化；分发提供观察，观察始终带着自身局限。只有经审查、带条件的经验才回到编辑记忆。适应读者与追逐上一次流量尖峰，区别就在这里。

过去新闻室发布一个标题。AI新闻室可以审视二十个假设，挑选一组负责任的版本，并记住结果究竟证明了什么。注意力带来邀请，信任让回访成为可能，保留的学习为下一篇故事提供更好的起点。只有这个起点持续产出价值证据时，投资逻辑才真正开始。

分类与关键词

分类： AI系统；媒体战略；编辑实验。

关键词： SunTV；iSun1.news；叙事框架；推荐系统；保留学习；受众信任；权利溯源。

Hashtags: #AI #Media #SunTV #EditorialStrategy #LearningSystems