如何写出不那么具有ai味的文章？

前言

我想题目叫如何让ai写出不那么具有ai味的文章可能会更合适一点。如今，AI 的出现降低了写作的门槛，写文章不再需要绞尽脑汁地逐字推敲，只要有一个想法，整理出大致的提纲，交给 AI，就能快速生成一篇看起来有模有样的文章。

如果把写文章比作做菜就能直观的发现AI写文章的问题，AI这位大厨做的是又快又好，但是不管是哪一类菜单做出来的菜总是一股相似的味道。 这就很有问题了，容易让人食欲不振，对于一些有追求的美食家而言甚至看到这类菜时就感到恶心反胃。

最近两三个月以来每当我刷公众号随便打开一篇文章，上来就看到类似的段落结构、分布均匀的长短句、密集并列的词语和频发的黑话时，实在是让人难有继续看下去的欲望，虽然有的文章写的其实也不算太差。

不仅仅公众号里的文章，现在无论是哪个平台只要是通过文字形式表达的内容，都有大量ai参与的痕迹，让人看一眼就失去了兴趣，起码对我个人而言是这样。

所以，无论是作为读者，还是作为写作者，我都开始想弄明白 AI 味究竟是怎么产生的，又该如何尽可能地去除它。 这个想法逐渐变成了一个冲动：不如专门写一篇文章，把这件事好好聊一聊。 在这个冲动酝酿了三个多月后，总算是要付诸行动了（太懒了）。

ai写作有哪些明显的特征

下面十五条，是我最近两三个月读稿时反复看到的，甚至有不少点在我之前写过的文章中就能明显的看出来。每条下面先放 AI 写的，再放人写的。这些句子是用来对照的，不是从哪篇稿子里摘出来或者是精雕细琢的。

1、过度强调意义、影响、遗产和未来趋势

ai倾向于过度夸大事实，把一件普通的甚至微不足道的事情给你上一个台阶，读起来让人有假大空的感觉。

AI写的：“这次把导出改成异步，不仅提升了用户体验，更将产生深远影响，为后续增长奠定坚实基础。”

人写的：“导出改成异步之后，大文件不再把页面卡死。至于会不会提高留存，得等下个月的数据。”

2、并列短语过多

一大堆形容词、动词或名字堆砌起来，不是不可以，但就像是炒一盘青菜就把所有的调料都用上一样，只能说大可不必。

AI写的：“这个方案高效、灵活、可扩展、低成本、易落地，也更具可持续性。”

人写的：“这个方案现在只确定省掉一次人工核对。别的好处还没看到。”

3、段落较短且多，句子的长度过于均一，文章整体节奏没有变化

每个段落都像是从同一条模具里压出来的，长短相近，结构相似。单独看似乎没什么问题，连在一起却显得过于工整，少了些自然表达中该有的参差和变化。

AI写的：“这个问题很常见。原因其实很简单。很多人没有提前想清楚。所以后面会反复返工。”

人写的：“这个问题很常见，多半是一开始没把边界说清。后面每次返工，整条链路都要重新对一遍。”

4、破折号滥用

一句里连用好几个破折号，或者几乎每段都用破折号收尾。

AI写的：“真正的问题不在工具——而在用法——更准确地说——在于没有人把步骤固定下来——这才是关键。”

人写的：“真正的问题不在工具。步骤没人固定，每个人都按自己的习惯做，后面自然对不上。”

5、翻案腔，不是x，而是y

“不是 X，而是 Y”“不仅……而且……”“与其说……不如说……”挨着出现。大部分情况下直接写是什么就可以了，通篇不是而是像是在与人抬杠而不是在阅读。

AI写的：“这不是一次简单的功能更新，而是一次面向未来的能力重构。我们要解决的不是表面卡顿，而是底层协作方式。”

人写的：“这次就是把导出改成异步。界面几乎没变，只是大文件不再把页面卡死。”

6、ai文惯用的高频句式和用词

说白了、最狠的是、扎心的是、本质上、归根结底、真正的问题是、很多人忽略了、底层逻辑是、一句话总结、残酷的真相是...，这类用语一眼就能看出来是ai写的。

AI写的：“说白了，这就是责任没人接。最狠的是，每个人都觉得自己没问题。扎心的是，最后补洞的还是写文档的人。”

人写的：“出了问题经常说不清是谁拍的板。最后往往是写文档的人把缺口补上。”

7、表达观点时过度平衡

一方面、另一方面，既要、又要，两边说得一样重，看不出选了哪边。像不像你那不粘锅的同事和喜欢开会的领导，正话反话都喜欢说，说了也不算错，但是就是没什么用。

AI写的：“一方面要保证速度，另一方面也要保证质量。我们既要积极创新，也要坚守稳健。”

人写的：“这个月先保速度，导出必须在 30 秒内返回。校验规则先沿用旧的，不在这次一起改。”

8、自造黑话（词）

一个词单看不知道指什么，得把整句或整段反推一遍。这一点不同ai大模型的表现并不完全相同。我个人的感受是grok在这一点上表现的最为明显，经常造一些黑话、黑词出来看得人莫名其妙的。

AI写的：“先降低决策摩擦面，释放组织的认知带宽，再把零散动作收束成可复用的行动接口。”

人写的：“现在每件事都要找三个人确认。先规定哪些事一个人就能定。”

9、结尾统一升华

ai的风格是在结尾起一段写挑战与机遇、未来可期、让我们共同、行稳致远。大部分情况下是用不着的，我写篇文章随便吐槽下生活，你给我升华到有一天人类终会移民太空这合适吗？

AI写的：“导出改成异步后，超时投诉少了。展望未来，只要持续拥抱变化，就一定能行稳致远。”

人写的：“导出改成异步后，超时投诉少了。失败重试还没做。”

10、抽象概念拟人

以趋势、时代、组织、时间、技术这类抽象的名词作为主语，去做本该由人做的事。这一点grok模型表现的也很明显。

AI写的：“这个趋势正在呼唤更轻的流程，时间也给出了答案：组织必须学会在不确定中前进。”

人写的：“审批还是要三个人签字。我想先改成一个人就能定的，先从导出失败这种小事开始。”

11、没有理由的省略用词

ai还会倾向于把正常的表达省略掉部分字，虽然也可以看懂但是很别扭，不是中文里习惯的省略。

AI写的：“它只在获批的场景里使用，不是通用对话模型换了个名字。”

人写的：“在被批准的场景中使用，不是仅仅把模型换个名字。”

AI写的：“故障已复现，原因待查，修复随下版落位。”

人写的：“故障已经复现了，原因还没查到。修复放到下一个版本里。”

AI写的：“需求已澄清，开发可启，测试待后补。”

人写的：“需求已经问清楚了，开发可以开始。测试用例还没补。”

AI写的：“项目已获批即启，人员待落位。”

人写的：“项目批下来了，可以开工。人还没定谁来做。”

12、markdown格式滥用

非技术文章里，序号、列表、加粗、斜体、小标题很多。这与训练数据是有关系的，ai最开始应用的领域是编程领域，接触了大量的代码和文档，在编程领域markdown是主流的文档格式。ai机械的将markdown格式引入到非技术性文章中就显得有些格格不入了。

AI写的：“这件事分三点：1. 明确目标 2. 拆解路径 3. 持续迭代”

人写的：“这个月只解决导出超时。先把超过 30 秒的请求改成后台任务，其余下个月再说。”

13、空泛意义动词

ai惯用体现、彰显、标志着、深刻诠释、奠定了基础这类词，这一点其实是和第一点比较接近都是为一些平常的事情过度赋予另外的意义。

AI写的：“异步导出上线，彰显了团队对体验的高度重视，标志着架构走向成熟。”

人写的：“异步导出上线了。大文件不再把页面卡死。”

14、模糊归因，不愿意下具体的判断

在需要下判断的场景中，ai有两点倾向，一是两边的观点都说，但是实际没什么用，如同上述第七点提到的；另一个是把原因归纳的很模糊，常采用专家认为、业内普遍认为、有研究表明、不少人指出。后面没有具体的人、机构、文章或数据。

AI写的：“业内普遍认为，异步化正在重塑整个行业的技术格局，多家机构的研究也证实了这一点。”

人写的：“我只看到两家同行把同类导出改成了异步，还不知道他们的失败率。”

15、强行三点式，而且每点一样长

为了好看凑成三点，每点都是小标题、一句解释、一句意义，长短也差不多。

AI写的：“第一，明确目标。只有目标清晰，行动才有方向。第二，拆解路径。只有路径清楚，执行才能落地。第三，持续迭代。只有不断复盘，结果才能稳定。”

人写的：“这个月只解决导出超时。先把超过 30 秒的请求改成后台任务。失败重试先不做，等真有失败案例再加。”

以上十五点是我个人觉得比较突出的点，实际上这些并不是分析ai写作痕迹的全部，在维基百科和github上有专门针对ai写作特点的讨论与研究，不少是基于词频、音节、词汇多样性等细节进行分析的，这一部分太过细致不适合进行展开了。

AI 为什么会这么写？

要理解这个问题，可能需要先从 AI 的工作原理说起。

以目前主流的大语言模型为例，其核心是基于概率进行下一个 Token 的预测。模型通过学习海量文本数据，逐渐掌握语言的规律、词语之间的关联，以及不同上下文中内容的组织方式。在生成内容时，它会根据已有的上下文，计算下一个 Token 的概率分布，再通过一定的采样策略选择 Token，如此反复，最终形成一段完整的文本。
AI 并不是像人一样，先有一个明确的观点，再带着表达欲望去组织语言。它更像是在已有的语言规律中，寻找一个符合当前上下文的表达结果。

当然，这并不意味着 AI 没有推理能力，也不意味着它只会机械地拼接词语。现代大语言模型已经具备相当复杂的上下文理解和推理能力。但从文本生成机制来看，概率预测仍然是其基础。

这也能解释前面提到的一些现象。

为什么 AI 喜欢使用一些看起来正确、实际上却没什么信息量的表达？为什么它喜欢把一个观点拆分成几个结构相似的段落？为什么它总是习惯于先总结、再分点、最后升华？

一方面，这些表达方式本身就在训练数据中大量存在；另一方面，在模型的生成过程中，这些结构往往具有较强的通用性，能够适应不同的上下文，也不容易产生明显的语义错误。

尤其是在用户没有提供足够具体的背景、观点和表达偏好时，模型更容易选择那些通用、稳妥、符合常见语言模式的表达方式。

换句话说，AI 并不一定是在刻意追求规整，而是在缺少个性化信息的情况下，更容易生成那些概率上比较合理、适用范围比较广的内容。也就是说，AI生成的内容本身就是一种平均化的倾向，这种倾向在结果上就会体现出一种平庸化。这些平庸在艺术领域例如绘画、音乐方面的表现更容易说明。

另一个值得思考的问题是：随着 AI 生成的内容越来越多，未来的 AI 会不会也开始大量学习由 AI 创作的内容？

这有点像一个循环。AI 从人类过去创作的大量文本中学习，再用学到的东西生成新的作品，而这些新作品又成为下一轮训练的数据。如此反复，会不会逐渐丢失原本来自人类创作的多样性，最后变成一种模仿中的模仿？

这个问题在机器学习领域其实已经有了一些研究，通常被称为 Model Collapse（模型坍塌）。

简单来说，当模型反复使用其他模型生成的数据进行训练时，可能会逐渐偏离原始人类数据的分布。一些原本低频但有价值的表达、观点和知识，可能在多轮训练中逐渐被忽略，而那些高频、常见、容易被模型生成的模式则会不断得到强化。

这就像一个人只看自己写的文章，然后不断修改、重写，再把修改后的文章当成新的参考资料。时间久了，他可能会越来越熟悉自己的表达方式，却未必还能接触到更多新的东西。

当然，这并不意味着只要使用 AI 生成的数据进行训练，就一定会发生模型坍塌。合成数据本身也有价值，尤其是在数学推理、代码生成等领域，经过验证和筛选的合成数据甚至可以有效提升模型能力。尤其需要我们注意的是，在缺少高质量原始数据、数据筛选和分布控制的情况下，模型对自身生成内容的过度依赖。

还有一个更有意思的问题：人本身会不会也受到影响？

当我们长期浸淫在 AI 生成的文字里，每天接触的都是相似的表达方式、相似的行文结构和相似的观点组织方式，这些东西会不会在不知不觉中影响我们的写作习惯？ 我觉得这种可能性是存在的。

从认知层面来说，人本身就会受到长期接触的信息和表达方式影响。当一种表达模式反复出现，它就可能逐渐成为我们熟悉甚至习惯的表达范式。

更何况，AI 写作还有一个很容易被忽略的特点：它降低了表达的成本。

过去我们写一篇文章，可能需要花很多时间组织语言、调整结构，甚至为了一个不太满意的句子反复修改。现在只需要输入一段提示词，就能得到一篇结构完整、语句通顺的文章。这当然是效率上的巨大进步，但与此同时，我们也可能逐渐习惯于接受 AI 提供的现成表达，而不是自己去思考应该如何表达。

如果这种习惯持续下去，甚至可能出现一种反向影响：人类不再只是让 AI 学习自己的表达方式，也开始主动适应 AI 的表达方式。最终，连我们自己写出来的东西，也越来越像 AI。

如果真是这样，AI 写作带来的影响可能就不只是文章变得千篇一律了。它还可能反过来改变人类自己的表达方式，甚至影响未来 AI 所能接触到的人类创作数据。

所以，我认为有必要保留人在表达观念时的主体性。

这里说的主体性，并不是要排斥 AI，更不是说用了 AI 就不算自己的创作。在汽车遍地跑的年代，还守着马车不放，甚至把这种行为自诩为匠人精神，未免有些太轴，也跟不上时代了。 需要我们保留的是自己独立思考、形成观点和决定如何表达的能力。

AI 可以帮助我们整理思路、优化句子、调整结构，甚至提供一些我们原本想不到的表达方式。但它不应该替我们决定文章究竟要表达什么，更不应该让我们逐渐失去判断什么样的表达才真正适合自己的能力。

毕竟，工具可以替我们完成很多事情，但如果连思考和表达的习惯也一并交了出去，最后写出来的东西究竟是谁的，可能就值得重新审视了。

总结

以我个人的体验来说，我觉得一篇文章能显著消除上文提及到的前九点后就能够显著提升文章质量和阅读体验了。
现在各大主流ai工具平台都有去ai味的skill，消除去ai味的最简单的方法就是使用这些skill对ai输出的内容进行修改和润色，不过仅仅引入还是不够的，最好的方式根据自身需要修改和完善下、提供几篇完全由自己写作的文章作为模版，这样能够在使用ai高效产出的同时又保留个人的创作风格。