技术类内容要先锁定前提条件，再检查配置、调用方式和最终输出是否符合预期。

先看原文给出的关键信息：AI 生成数据故事：结论要有证据链，不要只会写漂亮话一、数据故事不是润色报告AI 很擅长把零散指标写成顺滑段落，但数据故事的重点不是顺滑，而是让读者知道发生了什么、为什么重要、下一步该做什么。；如果说只有“整体表现稳中向好，部分渠道仍需优化”这种句子，报告再漂亮也没有决策价值。；真正可用的数据故事，要从指标事实出发，沿着证据链组织叙述。。继续往下处理时，重点放在这些条件上：先定义故事骨架flowchart LRA[核心结论] --> B[关键证据]B --> C[拆解原因]C --> D[业务作用]D --> E[行动更适合]模型生成前，应先给它结构；AI 负责组织语言，但不能替代证据。；{"summary_metric": "GMV","change": "+12.4%","main_driver": "复购用户客单价提高","risk": "新客首单转化下降"。收尾检查时，再把这些细节对上：证据链要能落地story_blocks = ["metric_fact","dimension_breakdown","comparison","risk_signal；核心结论对应哪个指标，关键证据来自哪个分组，风险信号基于什么阈值，行动更适合由哪条观察推导出来，都要能查。；如果说模型写出“用户粘性明显增强”，系统应该要求它指出证据：留存率提高、访问频次提高，还是使用时长提高。。