有界的批量探索—选择—回灌

R — 原文（Reading）

“它是可以生成一百个的，但是我建议最多不要超过十个，因为我也选不过来……AI 生成的东西太多了，会影响咱们的感官。”

— MokeLMa，视频 01，00:38:23–00:38:28；视频 02，01:11:35–01:11:58

I — 方法论骨架（Interpretation）

批量生成的价值不是“数量自动换来审美”，而是把一个昂贵的开放题变成可比较、可淘汰的有限选择题。 一次循环只探索一个尚未解决的变量；身份、叙事、连续性等已批准条件保持不变。 发散前先定义预算、候选上限、评分维度和停止条件，避免先看结果再临时改变标准。 收敛时先过硬门槛，再做加权比较；每个淘汰项都要留下可复用的理由，而不是只写“感觉不对”。 下一轮只接收上一轮暴露出的单一缺口，不能把所有候选混合成更长、更模糊的提示词。 当最佳分数不再改善、预算耗尽、已有方案达标，或问题需要更强的参考/layout/资产约束时，必须停止继续生成。 复刻参考可以作为训练分支，但训练收益来自“比较—归因—写出规则”，而不是复刻次数。