开场：规划现场不是“写作文”，而是“把一堆证据整理成一个可落地的决定”
我第一次认真把大模型带进项目，是在一个再普通不过的周一：桌上堆着上位规划、专项报告、部门意见、会议纪要，还有一份“公众诉求汇总（未整理版）”。领导只说了一句：两周内要拿出可沟通的方案框架。
这类工作你我都熟：不是缺灵感，而是缺时间。真正耗人的，是材料多、口径杂、证据链长——你得把“他们说的”变成“我们能写进文本、能画进图、能解释给公众听”的东西。
那天我把 DeepSeek 当作一个新同事：它不替我拍板，但可以替我做三件事：
- 把散乱材料变成结构化笔记（快速读、快速归纳、快速对照）
- 把规划语言写得更顺（框架、段落、表述、口径统一）
- 把公众意见“去噪”（聚类、争议点、可回应的问题清单）
下面这篇不讲“AI 改变世界”的宏大叙事，只讲一件事：怎么把大模型接进城市规划的方法论（工作流），并且把风险管住。
一套可复用的工作流：把模型当成“助手”，把你自己当成“审稿人+裁判”
我后来把流程固化成 5 步，几乎每个项目都能套：
- 材料入场（Ingest）：把“读不完的文件”变成“可检索的证据库”
- 问题定义（Frame）：把“泛泛的任务书”变成“可验证的研究问题”
- 草案生成（Draft）：先出 60 分草稿，再用证据迭代到 80 分
- 公众参与（Engage）：把情绪与诉求分开，把争议点变成可讨论议题
- 政策评估（Stress test）：用反例、约束和风险清单把方案压一压
关键转变在于：提示词不是“问一句话”，而是“像交接工作一样写任务单”。你给得越像真实工作，输出就越像真实产出。
步骤一：材料入场——先别让模型“自由发挥”，先让它“只引用你给的证据”
大模型最危险的地方，不是它不会写，而是它会写得很像真的。所以第一步我会强制它遵守两个规则：
- 只基于我提供的材料回答（没有证据就说不知道）
- 每个结论必须能追溯到来源片段（哪份报告、哪一段）
一个常用提示词模板（你可以直接复制改项目名）：
你是我的规划项目助理。以下是项目材料（会议纪要/部门意见/上位规划节选）。
任务：
1) 以“问题—证据—影响—待确认”四栏输出要点表；
2) 对每条要点标注引用来源（材料名+原句摘录）；
3) 不允许补充常识性推断；若材料缺失，写“待补充：___”。
输出格式：Markdown 表格。做完这一步，你会得到一份“证据化”的笔记，而不是一篇漂亮的空话。
步骤二：问题定义——把“要做规划”翻译成可验证的问题清单
很多项目一开始的困难在于：目标句子很宏大（“提升品质”“优化结构”“改善交通”），但你不知道下一步该问谁、查什么、做哪些分析。
我会让模型先做“拆解”，再做“核对”。
基于已整理的要点表（问题—证据—影响—待确认），请输出：
A. 10 个可验证的研究问题（每个问题对应至少 1 条证据）；
B. 每个问题需要的最小数据清单（来源建议：统计年鉴/POI/手机信令/路网/公交刷卡/现场踏勘等）；
C. 每个问题的“判定指标”建议（能量化就量化）。
要求：避免口号式表述；每条问题要能落到“下一步做什么”。这一步的价值是：你把“任务书语言”变成了“分析任务列表”。团队分工、数据申请、现场踏勘路线，都能跟着落地。
步骤三：方案草案——先要“多方案”，再要“少而硬”
方案阶段我最怕两种情况：
- 从一开始就只做一个方案：所有讨论都会变成“给它打补丁”
- 方案很多但没有约束：每个都像 PPT 创意，落不下去
我会让模型先在同一套约束下，出 3 个风格不同的“60 分草案”，每个草案必须写清楚：核心策略、空间抓手、交通组织、公共服务补齐、实施节奏。
请在以下约束条件下，生成 3 套互相区分明显的规划策略草案（方案 A/B/C）：
- 目标：___（比如：15 分钟生活圈覆盖率提升、慢行优先等）
- 约束：红线/生态控制/永久基本农田/已批控规/重大项目已锁定等
- 主要矛盾：___（来自问题定义部分）
输出：
1) 每套方案用 6 条要点描述（不超过 300 字）；
2) 列出每套方案的“代价与风险”（至少 5 条）；
3) 提供 1 段可用于汇报的“通俗解释”。
注意：不要引用未提供的数据；如需数据支撑请写明需要什么数据。之后再进入你真正的专业工作：把草案拿去对照法规、对照指标、对照可实施性，删掉不现实的部分，补上缺失的证据链。
步骤四：公众参与——把“意见”变成“议题”，把“情绪”变成“可回应的语言”
公众意见里往往混着三种东西：事实、诉求、情绪。规划文本最怕直接把情绪当事实，也最怕把诉求当成“噪音”。
我常用的做法是：先聚类，再提炼“可讨论议题”，最后生成“一问一答式回应草稿”。
以下是公众意见原文（可能有重复、口语、情绪表达）。
请输出：
1) 主题聚类（不超过 8 类），每类给出高频关键词与 3 条代表性原话；
2) 每类拆成“可讨论议题”（用中性表述，不带情绪）；
3) 给出规划侧可回应的三段式：
- 我们听到的是什么（复述诉求）
- 当前事实与约束是什么（需要的证据/法规）
- 下一步怎么做（修改/解释/补充研究/不采纳的理由）
要求：严禁编造事实；涉及法律法规请标记“需核对条文”。做完后，你会发现会议效率明显提高：争吵从“你不关心我们”变成“你们能不能把学校步行 10 分钟范围说清楚”。
步骤五：政策评估与压力测试——让模型当“反对者”，别当“啦啦队”
大模型最容易变成“顺着你说”的工具。要避免这一点，就要明确让它站在反方：挑漏洞、找冲突、提反例。
你现在扮演“审查/评估专家”，目标是挑出方案中可能导致失败的点。
输入：方案摘要 + 约束条件 + 关键指标。
请输出：
- 10 条潜在风险（按：合规/财务/工程/社会稳定/生态安全/运营管理分类）
- 每条风险的触发条件与早期信号
- 需要补充的证据或计算（例如：交通仿真、容量校核、财政平衡测算等）
- 可选的缓释措施（至少 2 个）
要求：不允许“泛泛而谈”，必须写到可操作层面。这一步经常能救命：你会提前发现一些“报告里看不出来、落地时会爆炸”的细节，比如实施主体不清、指标口径冲突、与既有专项规划打架等。
技术怎么落地：不必一上来就“上系统”，先把三个东西做扎实
很多团队一谈“AI+规划”就想做平台。我的经验是：先把下面三件事做扎实，平台自然就长出来了。
- 资料与版本管理：材料来源清楚、版本可追溯（否则模型再聪明也会引用错）。
- 提示词资产化：把“好用的提示词”沉淀成模板，跟项目阶段绑定。
- 校核清单制度化：每个可交付成果都要过一遍核查（指标、法规、引用、边界条件）。
如果你们已经有知识库/文档库，可以进一步走到 RAG（检索增强）方向：让模型回答时自动“带出处”。但无论有没有 RAG，人类审查都不能省。
风险与边界：把话说在前面（也是写进团队规范里的部分）
我通常会把风险写成一张“上桌就能用”的清单：
- 幻觉（胡编）：所有数字、法规、项目进展都必须二次核对；模型输出默认不可信，除非有引用。
- 偏见与样本偏差：社交媒体声音不等于全体居民；需要与正式调研、统计数据交叉验证。
- 隐私与合规：公众意见若包含手机号、住址、身份证等敏感信息，必须脱敏后再进入模型；涉密材料严禁外发。
- “看起来很完整”的错：模型擅长填空，会把缺失环节写得像已经做过。解决办法：输出里强制标注“证据/待补充”。
- 责任错位：模型不承担规划责任；最终文本、图则、指标口径必须由具备资质与授权的人确认。
结尾：它不是替你做规划，而是让你把时间花在“真正需要专业判断”的地方
如果把城市规划比作做菜，大模型更像是：帮你洗菜、切菜、列清单、把做法写得清楚——但火候、口味、能不能端上桌，还是你来定。
当你把它放进工作流、加上证据链与校核机制，它就能稳定地帮你把“体力活”做掉：归纳、整理、生成初稿、把不同口径拉齐。你腾出来的时间，才够用来做真正的难题：取舍、协调、与现实妥协、对公众负责。
标签： #DeepSeek #大模型 #城市规划 #公众参与 #政策评估 #提示词