第 17 卷

AI的内容生成的边界如何判断

研究将智能体知识循环边界操作化为生成内容的差异值，衡量标准为生成文本的平均相似度与重复率的加权值。

然语言处理领域，可有效评估文本内容的相似程度。

最终智能体知识循环边界公式如下。其中，权重w1=0.6，w2=0.4，参考Kleinberg (1999) 的社交网络分析研究，强调相关性优先于冗余性。这一配比平衡了生成内容的创新性与冗余性，为AI生成

文本质量的评估提供了量化依据。

结合自适应反馈和递进式提示链让AI生成优质内容

智能体认知循环边界并非终点，而是人类探索未知领域和创造新价值的起点。研究提出基于“自指性”和“循环性”的测量

机制，识别智能体生成内容触及边界的临界点，为优化生成内容提供量化依据。这一框架可扩展至多模态生成系统，并在教

育、科研和创新领域推动知识生成模式从常规化迈向创新化。

多轮交互中，智能体容易触及认知边界，表现为生成内容的固定化和信息增量的终止。实验显示，高收敛性提示语导致内容

趋于一致，而非收敛性提示语和多样化设计能突破逻辑循环。

结合自适应反馈和递进式提示链，可推动智能体生成新内容，避免知识循环，拓宽智能体的生成空间，为人机共生系统中的

深层交互与创新实践提供新路径。

结合自适应反馈和递进式提示链让AI生成优质内容

p 当AI面对收敛性高的提示词时，生成内容趋于一致，主要依赖已有知识的重复和组合。提示词的收敛性和对话轮次共同影响生成内容的相似度和重复率，收敛性较高的提示词会增加生成内容的一致性，而对话次数的增加促使AI生成文

本逐渐趋向固定模式。

p 在非收敛性提示词下，AI展现出更多的多样性和创新性，超越现有知识框架，尝试生成新的组合。问题类型对生成文本的重复率有显著影响，但对相似度的影响不明显。重复率的变化更多受到提示词的影响，而相似度的变化则主要源

于问题类型以外的其他因素。

p 通过调整提示词收敛性和对话轮次，AI从依赖已有知识的固定模式向创新性生成内容逐步转变，显示提示词设计和交互频率的影响力。