用候选集和解析校验约束模型输出

让模型推荐三个发音练习词，看起来只是一个简单提示词任务。Vocalace 的做法却把大部分决定交给代码：先选薄弱音，再查词典，最后只让模型补齐缺少的位置。模型返回的内容必须通过校验，才能存入系统。

这篇文章值得读的地方，是它把「模型可以决定什么」划得很具体。对需要把 AI 输出写入数据库、接入后续流程的程序员，这种边界设计比一句「请严格遵守格式」更有参考价值。

最差的单次得分，为什么不一定优先练

作者先用确定性规则选出需要练习的音素（phoneme），模型不参与排名。

每个单词只贡献一票。同一个词录了多次，也只保留一个薄弱音焦点，取表现更差的那次。低于 40 分的录音不会进入排名；过滤后如果所有焦点都是绿色，就没有需要练的音，也不会调用模型。

这套规则优先处理多个词共同暴露的问题。原文中，s 的分数更差，但 th 出现在两个词的薄弱音焦点里，所以最终选中 th。重复录制 sorry 不会增加票数。

排序代码直接规定了各项指标的优先级：

return b.count - a.count
  || b.redCount - a.redCount
  || a.minScore - b.minScore
  || left[0].localeCompare(right[0])

要看第一行：先比较涉及的单词数量。只有数量相同，才依次比较红色焦点数量、最低分，最后按音素 ID 排序。红色与黄色如何划分，原文没有给出阈值。

已有的 think 和 thing 都暴露了 th，因此先占两个练习位置，分数更低的 think 在前。目标是三个词，此时只差一个，模型也只负责这一个位置。

模型的任务规模，是前面的业务代码算出来的。

候选词表和解析器，怎样堵住自由发挥

缺少的词来自词典查询。查询要求 SAPI 发音标记完整匹配 (^| )th( |$)，单词具有常见词性，排除当天已经见过的词，最多返回 20 行。

这份数组就是合法答案的全集。模型收到音素、缺少的数量和候选词，只能从中选择。提示词还要求目标音容易单独听清，并且不要解释。

但「音够不够清楚」没有进入程序校验。候选表里的词即使不够适合练习，只要通过检查，仍然会被保存。解析器真正保证的只有三件事：属于候选集合、不重复、数量准确。

下面的解析器负责决定回复能否进入存储：

export function parseWordsFromAskPick({ raw, allowed, need }: {
  raw: string
  allowed: string[]
  need: number
}): string[] | null {
  const byWord = new Map(allowed.map(word => [word.toLowerCase(), word]))
  const picked: string[] = []
  for (const item of raw.trim().split(/[|｜]/)) {
    const word = byWord.get(item.trim().toLowerCase())
    if (!word || picked.includes(word)) {
      return null
    }
    picked.push(word)
  }
  return picked.length === need ? picked : null
}

重点是遇到非法词或重复词时，直接 return null。程序不会从错误回复里捞出几个合法词，拼成一个看似成功的结果。

测试使用 allowed = cat, hat, map：返回 dog 会因不在集合内被拒绝；需要两个词却只返回 cat，会因数量不足被拒绝；cat｜cat 会因重复被拒绝。末尾多一个分隔符也不行，因为拆分后会出现空项。

真实例子中，need 是 1，合法集合来自最多 20 行的查询结果。Month 只有在候选表包含 month 时才有效，thick 同理。若模型返回 month because the th is clear，整段会被当成一个词项查找，结果仍是 null。

返回 null 后最多重试四次，之后任务失败。错误文本不会被裁剪成部分成功的答案。

我的判断

我赞同把排名、候选范围和存储条件交给代码。这些规则可以直接验证，也能写出明确的失败用例。只靠提示词约束输出，很难给下游程序同样清楚的保证。

不过，标题里的「不能编造」有一个边界：模型仍然可能生成词典外的词，只是系统不会接受。可靠的是接收流程。

模型是否值得保留，则还需要证据。作者让它挑选「目标音容易听清」的词，却没有给出与随机选词、词频排序或人工规则的对照数据，也没有报告无效回复率、重试成本和练习效果。这部分属于设计经验，不能据此认定模型选得更好。

按单词覆盖数量优先排名，也是一种教学取舍。它偏向多个词共有的薄弱音，未必适用于所有练习目标。原文用测试固定了行为，但没有证明这套顺序在教学效果上最优。

能拿来做什么

• 在 Node 服务中实现有限候选的 AI 选择任务时，可以先查询合法集合，再让模型选择，并在写入数据库前检查集合归属、重复项和准确数量。
• 在日常 AI 编程中，可以把「选已有标识符」与「生成新内容」分开处理。需要模型选择已有项时，让程序传入完整候选，并拒绝集合之外的结果。
• 给类似流程补测试时，优先覆盖非法项、重复项、数量不足、尾部分隔符和夹带解释，同时明确重试上限与最终失败行为。
• 如果引入模型只是为了改善选择质量，先与简单排序规则做对照，确认它确实改善业务结果，再承担调用和重试成本。