Editorial Voice Control

稳定 Voice 来自显式 Editorial Constraint 与 Review Artifact，而不是反复要求模型“写得像我们”。

核心心智模型

Voice 是一组可以控制的 Editorial Decision：Audience、Stance、Vocabulary、Rhythm、Example、Prohibited Habit 与 Evidence Style。这些规则应该 Externalize，并在整个 Content System 中持续 Review。

为什么重要

Generative System 可以模仿局部 Tone，但 Long Project 中会逐渐 Drift。不同 Prompt、Chapter 与 Media Format 会慢慢改变 Terminology、Confidence 与 Detail Level。Written Voice Contract 让多个 Generation Step 共享同一个 Editorial State，也让 Reviewer 能区分有价值的 Variation 与真正的 Brand Inconsistency。

把 Taste 变成可 Review 的 Constraint

建立 Compact Voice Guide，包括 Intended Audience、Technicality Level、Preferred Terminology、Sentence / Paragraph Tendency、Good / Bad Example，以及如何表达 Uncertainty 与 Citation。Generation 时只提供当前需要的子集，之后单独执行 Editorial Pass，把 Draft 与 Shared Guide、Glossary 比较，而不是靠直觉逐页重写。

例子：一套 Bilingual AI Course

English Lesson 使用简洁 Engineering Language，但 Chinese Version 混入大量不必要的 Untranslated Jargon 与 Marketing Claim。Shared Voice Contract 明确哪些 Technical Term 保留英文、如何首次介绍、句子 Density，以及禁止 Hype。Review 因此可以系统性修复 Drift，而不是每一页重新猜 Style。

常见失败模式

用“professional”“friendly”这样的单个 Adjective 描述全部 Voice。
一篇 Example Paragraph 承担整个大型 Corpus 的 Style Reference。
只修 Local Tone，不检查跨文档 Terminology 与 Stance。

工程启发

描述 Observable Editorial Choice，而不是抽象 Personality Label。
在 Voice Guide 旁维护 Glossary 与 Prohibited-pattern List。
把 Factual Verification 与 Editorial Pass 分开，避免 Style Edit 掩盖 Evidence Problem。

关键结论

01Voice 被 Externalize 之后才容易规模化。
02Consistency 是 Cross-document State Problem。
03Example、Glossary 与 Review Criteria 比模糊 Tone Prompt 更强。