用文心写公文：中文语体是优势，但这三处必须人工过一遍

能省掉起草阶段的大部分时间，但成稿必须人工过三遍：政策表述、数字与引用、格式规范。文心在书面语上的底子确实比多数通用模型厚，这不等于它能替你承担责任——公文出错是发文单位的事，不是模型的事。

它的优势具体在哪

不是「中文好」这种笼统说法，是三个可观察的点。

一是语体稳定。让它写一段通知，输出默认是书面语，不会突然冒出「小伙伴们」「干货满满」这类口语，也不需要你反复强调「正式一点」。这一点在写请示和函的时候省事最多。

二是结构感强。公文有固定的段落逻辑——缘由、事项、要求，模型基本能自己套上，不需要你把模板全文喂进去。给它一份本单位旧文件当参考，格式迁移的准确率会明显提高。

三是政策话语的搭配习惯。像「统筹推进」「压实责任」「闭环管理」这类固定搭配，它用得比通用模型自然，不容易出现语义正确但搭配别扭的句子。文心 5.1 曾在一份公开评测里拿到法律与政府类别的全球第一，这个成绩来自厂商口径，但方向上和实际体验一致。

第一处：政策表述不能靠它

模型会把「大致正确」的政策表述写得很顺，这正是危险的地方。文件名称少一个字、发文机关写错一级、条款序号串位，读起来完全不违和。

具体做法：凡是引用了上级文件，逐条回原文核对标题全称、发文字号、发布年份。凡是涉及职责分工、审批权限、时限要求的句子，一律按本单位现行规定改写，不要让模型「合理推断」。

一个可操作的判断标准：这句话如果被上级抽查，你能不能指出它在哪份文件第几条。指不出来，就删掉或者改成不含具体规定的表述。

第二处：数字和引用

公文里的数字有三类，模型对每一类的可靠度不同。

统计口径类的数字，它基本靠猜。写「同比增长 12%」这种句子时，它并不知道你的实际数据，只是让句子读起来完整。所有数字必须回填真实来源，或者改成「有所增长」这种定性表述。

法规条款类的引用，它容易张冠李戴。条款序号、施行日期、修订版本，是最常见的出错点。核对方式只有一个：打开原文，逐字比对。

人名、机构名、地名，注意「市」「区」「局」「委」这类后缀。模型会按语感补全，经常补错层级。

第三处：格式

公文格式有国家标准，GB/T 9704-2012《党政机关公文格式》规定了版心、字体、字号、行距、页码位置。模型输出的是纯文本，格式一律要落到 Word 模板里做。

三个高频问题：

标题回行。模型给的标题是一行，实际排版要按「梯形」或「菱形」回行，且不能把词拆开。这一步必须手工调。

层次序号。公文的层次是「一、」「（一）」「1.」「（1）」，模型经常混用，或者在同一份文件里前后不一致。生成后全文搜一遍序号，统一。

附件说明和落款。模型不会主动写「附件：1.×××」，也不会留落款位置。这两块建议直接在模板里写死，不让模型碰。

一段能直接改的提示词

你是某市级机关的文稿起草人员。请按以下要求起草一份通知：
1. 文种：通知；发文机关：××市××局；主送：各区县××局
2. 事由：开展 2026 年度××专项检查
3. 结构：目的依据—检查范围—检查内容（分三条）—时间安排—工作要求
4. 语体：公文书面语，不用口语词，不用「我们」「大家」
5. 不确定的政策名称、数据、时限，用【待核】标注，不要自行补全
6. 字数 800 字左右

第 5 条是关键。让模型显式标注不确定项，比让它硬写然后你去找错要省力得多。这套思路和 AI 编程工具怎么选里讲的「让模型暴露不确定性」是同一个道理。

哪些环节可以放手交给它

适合交给它的：起草初稿、改写语体、压缩长文、把会议记录整理成纪要框架、生成多个版本的标题。

不适合交给它的：涉及具体政策条款的段落、需要签字负责的数据、最终排版。

一个现实的效率账：一份中等长度的通知，原来起草加修改要占掉小半天，用文心出初稿再人工改，时间主要花在核对上。省下的是打字和搭结构的时间，不是核对的时间。想进一步压缩，得靠本单位自己的语料库和模板，模型本身给不了。

模型能力的最新情况可以对照 文心 5.5 Flash 的基准表现，办公场景的整流程自动化则可以看 腾讯 WorkBuddy 那条路线，两者解决的不是同一层问题。