消除“罪證”：給寫作去除“AI味”的不完全手冊（2026版）

圖源：公眾號「有三思 U Sense」

做個測試。讀一下這段話：

“熊貓是最可愛的動物，它最愛吃竹子，樣子最憨態可掬，是世界上最珍貴的寶藏。”

如果你笑了，或者皺了眉，很明顯，你的“鑒AI雷達”已經覺醒。

近期把網友笑到打鳴的“豆包體”里，“最”是高頻詞匯。大家紛紛曬出自己使用、調教AI，結果內容啼笑皆非的截圖。這場圍繞AI味寫作的調侃就此出圈。

● 網友@也許像星星發布的AI味吐槽突破

微博AI味相關話題瀏覽閱讀量不小，小紅書相關筆記動輒近萬點贊。豆瓣、抖音、微信公眾號，都能搜到不少相關內容。能引發社交媒體的集體吐槽，說明“AI味”已經人人皆可感知，大家都不傻。同時這也意味著，在工作中需要寫文章的你，暫時不用擔心AI會把你完全替代掉了。

● 微博超話AI味相關的討論

與AI味相對的是“人味”。如果說AI的造詞遣句，是在語料投喂和人工交互反饋下生成的，那人味給人一種隨機波動的感覺。比如，使人動容或會心一笑的句子、意料之外的妥帖比喻、未曾熟識的新奇詞組搭配、詼諧諷刺的暗喻留白，甚至不合語法或有失偏頗的表達。

這種對AI味和人味的敏銳捕捉，直接催生了社交媒體上的一場“李逵捉鬼”運動。

「鑒AI」，網友比檢測軟件更認真

2026年，打工人和學生面臨著這樣的窘境：人類急著證明自己不是機器，而機器正在拼命模仿人類的話語習慣。略顯荒誕的是，“AI檢測工具”作為裁判，本身也是個半盲。

誤傷正每天發生。

現在的情況是：只要過于結構嚴謹化的寫作，都會讓人懷疑有AI參與了寫作。這種無妄之災、相互懷疑、甚至需要“自證沒有吃涼粉”的場景增添了寫作的成本。一些人莫 名陷入了自證的困境。比如自己手敲了一下午的文案，僅僅因為用了兩個破折號，就被評論區追著問 ： “這是AI寫的吧？”

● @levelsio發布的“拉黑”破折號的推文

社交平臺的機器誤判案例隨處可見。網民唐某某發布了一條關于打工與學車的感悟，結果被平臺算法誤判為未標注的AI生成內容，遭禁言一天的處罰。

文科生的職場里也展開著相同鬧劇。有從事編劇行業的網友說：手敲了一下午的劇本 被以為是AI 。亦有學者談到： 引用的作者原話竟然被判定為AI。

到底什么是真，什么是假？為了不過多地食用“AI泔水”，不被判定為AI創作，在小紅書等社交平臺上，網友們已經自發分享“鑒AI”攻略。

● 網友發布的“野生”鑒定攻略

● 網友發布的“野生”鑒定攻略

不過，即使是AI味，也散發著不同的氣質風格。

● 目前市場上最具代表性的主流模型“文風”一覽

是什么讓你的文章有AI味？

AI味可能是一種感覺，當然也可以是一組可以被辨識和描述的語言指紋（linguistic fingerprinting）。

維基百科的編輯團隊為了過濾AI生成內容，專門整理了一份AI寫作跡象清單，涵蓋語氣、結構、格式和引用等多個維度。

原文較長，我們簡單說一些 常見場景 ：

過度拔高。 習慣性使用“歷史性/關鍵時刻”、“高光/決定性”等通用表述，夸大平凡事物。案例就是將普通小鎮描述為韌性的象征，將次要事件拔高為分水嶺時刻。

否定式煽情句式。 AI寫作是這樣的：這不僅僅是一雙跑鞋，而是對自律生活方式的承諾。但其實原義是：這雙跑鞋重210克，鞋底有緩震膠，后跟帶反光條。

虛假范圍 (False Ranges)。 慣常句型是“從X到Y”。 而實際上X和Y沒有太大關聯，或者直接是硬湊合。 比如：從解決問題的工具，到科學發現的藝術表達。

RLHF是導致AI味濃烈的“元兇”。 這個技術用詞指基于人類反饋的強化學習。你可以認為它是一種讓AI通過人類打分，來學習正確答案的訓練方法。

大致流程是讓人工標注員對AI的不同回答進行打分，AI會學習向高分回答的風格靠攏。那些充滿人味的“猶豫、矛盾、沒有節奏“的內容，會因風險高、不標準被淘汰。主模型為通過獎勵模型，就會一直優化學習，更新自己的回答策略。 如此一來，被認可過的詞匯、寫作結構會擴散到整個語言模型的運行中。

高頻詞多，AI味越濃，就更容易被人抓包了。

《去“AI味”不完全手冊》

——本攻略涵蓋整個生成流程，根據實際自身需求選擇步驟即可。

[動作一：注入肉身]

第一步，是給AI投喂偏好或本人的寫作文本，讓它拆解總結出寫作特色，從而生成相似的文風。

提供多樣化參考標準

收集至少3-5篇能代表你風格的原創文本（總計超過1500字效果更佳），內容覆蓋多個場景，含說明性段落、議論性句子、口語化短句及帶修辭的長句。

收集完后，整合成一份文檔投喂給AI，讓AI學習你的用詞習慣、句式節奏、 書面語氣、修辭風格、行文邏輯，之后AI就能復刻你的寫作風格。

（一般使用，到這里就夠了，如果有更高標準需求的，可以繼續往下看。）

標注關鍵風格錨點

人工標記能顯著提升模型對隱性風格要素的識別精度，尤其針對易被忽略的微觀特征。

在文本中用【】標出你偏愛的3類表達：【高頻過渡詞】、【標志性句式】、【慣用比喻結構】；

另起一行列出3個絕對避免項：比如你不希望出現的，可以寫為【禁用被動語態】、【不用“不是..……而是……”句式】、【不出現超過兩個連續頓號】；

對每處標注附加簡短說明。用【】書寫，給文本里你認為有特點的用詞、句式、習慣表達做標注。可以在每條標注后面，都加一句簡短解釋，說明這個表達代表了什么說話習慣、語氣偏好、行文風格。

分階段提示詞引導訓練

通過結構化提示詞序列，逐步強化模型對風格維度的響應權重，避免一次性輸入導致特征稀釋。

以下提示詞次可直接復制改寫。

① 首輪輸入：

請嚴格模仿以下文本的節奏與詞匯密度，復述下段內容：[粘貼第一篇樣本]

② 次輪輸入：

保持上一輪輸出的句長分布與連接詞頻率，重寫新主題：[你的新主題描述]；

③ 第三輪輸入：

檢查當前輸出是否含【禁用被動語態】，若存在，請替換為對應主動結構并保持原意。

對比反饋，主要指的是利用人類的直覺去判斷差異點，將主觀感受轉化為可操作修正指令，形成閉環優化。

具體操作是要求AI對同一主題生成三版不同風格傾向的初稿（A/B/C），不指定方向；

比對各版與你樣本的匹配度，比如可以用顏色標記：綠色=高度一致，黃色=局部偏離，紅色=風格沖突；

針對所有紅色標記句，向模型發送指令（你自己設定的寫作風格）。例：將此句按【標志性句式】重構，主語前置，動詞緊隨，結尾不加修飾副詞。

[動作二：活用提示詞]

你可以通過提示詞的書寫將要求、主題角色和場景設置細節化。絕大多數人寫的提示詞都是簡單的命令式指令。這種指令下，AI會調取它數據庫中最常見的模板語言來回應， 所以AI味是超標的。我們可以通過控制否定式禁詞、調整長短句節奏、口語化模擬等多種方法來進行調整。

C.R.E.A.T.E框架

CREATE框架主要是通過清晰的角色場景設定，來進行內容風格的調適和確立。

• 角色設定（Character）

角色設定是提示詞設計的基礎，直接影響模型輸出的專業性和針對性。你可以通過以下三要素定義角色邊界。

① 專業領域： 明確模型扮演的行業角色，如“資深金融分析師”；

② 經驗年限： 量化專業能力積累，如“10年醫療數據建模經驗”；

③ 核心能力 ： 限定輸出風格，如“擅長撰寫具有轉化率的營銷文案”。

示例：

低效提示詞：幫我寫產品介紹。 高效提示詞：作為擁有8年經驗的消費電子評測專家，請用專業術語撰寫iPhone 15 Pro的深度評測，需包含芯片性能、影像系統、散熱設計等模塊。

• 明確需求（Request）

需求描述需遵循SMART原則，通過結構化表達確保模型準確理解任務邊界：

① 目標對象： 明確輸出受眾，如“面向35-45歲中產家庭用戶”；

② 核心指標： 量化輸出要求，如“點擊率提升20%的廣告標題”；

③ 風格約束： 限定表達方式，如“采用知乎體專業科普風格”。

也可以使用JSON格式定義復雜需求：

● JSON格式示例

• 示例引導（Examples）

當需求涉及特定風格或格式時，提供2-3個優質示例可顯著提升輸出質量。示例選擇可參考：

① 領域匹配： 示例與目標任務屬于相同垂直領域；

② 風格一致： 保持句式結構、修辭手法等特征統一；

③ 質量分級： 包含基礎示例和進階示例展示能力邊界。

示例應用 場景：

生成特定風格的詩歌時，可提供不同韻腳的古詩范例； 編寫技術文檔時，附上符合企業規范的Markdown格式示例； 設計對話系統時，展示多輪對話的上下文銜接示例。

• 動態修正（Adjustments）

模型內容輸出存在偏差的問題，是常見現象。這個時候需要你建立實時修正機制。推薦采用「三明治修正法」。

① 肯定部分： 明確認可有效輸出。如“第三段的市場分析很專業”；

② 修正指令： 具體指出改進方向，如“請將用戶痛點部分增加數據支撐”；

③ 格式約束： 限定修改范圍，如“僅調整第二段的語言風格”。

修正prompt設計技巧：

使用「否定+肯定」結構減少歧義：不要使用專業術語，改用通俗易懂的表達； 引入優先級標記：重點優化產品優勢部分，其他部分保持現狀； 量化修正標準：將文案長度壓縮至原版本的60%。

• 格式規范（Type of Output）

明確輸出格式可提升后續處理效率，常見格式參考如下：

① 文檔結構 ： 標題層級、段落分隔、列表格式等；

② 數據格式： CSV、JSON、XML等結構化數據；

③ 多媒體要求： 是否需要生成配套圖表、代碼塊等。

格式控制示例：

請生成Markdown格式的技術白皮書，要求：包含# 標題、## 二級標題、### 三級標題，代碼塊使用```python語法高亮，每個技術點后附參考文獻鏈接，最終輸出字數控制在1500-2000字。

• 附加指令（Extras）

在原Prompt的基礎上，用附加指令來精細化操作，可實現輸出過程的深度控制。常用指令參考如下：

● 細化Prompt的附加指令一覽表

高級指令組合示例：

在生成醫療建議時，請嚴格遵循WHO最新診療指南，對每條建議標注證據等級，使用通俗語言解釋專業術語，最終輸出需經醫學專家審核確認。

以下是部分通用類的Prompt，可以直接復制，也可以成為你訓練AI的參考文本。

場景1：通用 · 口語化重寫

提示詞Prompt（可直接復制）： 幫我審核這段內容，用對話感強、友好又不隨意的真人語氣重寫 全程用短句、簡單詞匯，刪掉學術化表達、生硬過渡短語和企業官話 讓內容讀起來就像一個人在用自己的大白話和朋友聊天 保留核心觀點，刪掉所有多余的修飾。內容如下：[粘貼文本]

場景2：通用 · 人類痕跡（萬能公式）

提示詞Prompt（可直接復制）： 請按以下步驟重寫文本： ①保留原文要點約60% ②加入至少1個口語化連接詞 ③加入至少1個個人視角限定語 ④適當加入輕微冗余或倒裝

場景3：通用 · 長句拆分+三明治結構

第一步：將以下文本中的長難句拆分為3-5個短句 第二步：用“三明治結構法”重組： 第一層大白話拋出觀點 第二層硬核專業知識或數據，第三層個人視角批判分析。 原文：[粘貼原文]

場景4：學術論文 · 去套話+第一人稱

重寫以下論文段落，要求： 刪除「隨著…的發展」「近年來…」等套話開頭，直接切入問題 用「本研究」「筆者發現」等第一人稱限定語替代第三人稱 在引用后加入個人分析短句（如“這一點在筆者實驗中得到印證”） 原文：[粘貼原文]

場景5：學術論文 · 去除模糊表示

識別以下段落中的「相關研究表明」「有學者指出」「該技術能提高效率」等模糊表述 替換為具體的實驗數據、年份、樣本量、真實案例 無數據時標注「[需補充真實數據]」，不要編造 原文：[粘貼原文]

Skill可以理解為一個為AI準備的標準化作業程序。里面指令、腳本、資源、檢查清單和異常處理機制都有。通常它是一個包含 skill.md等文件的文件夾。

可能你覺得反復調試、寫作提示詞很累，又或許你已經不滿足于Prompt的書寫，想要更精準或更強大的調整方式，那么你可以 調用起他人的智慧。畢竟眾人拾柴火焰高。

這里存在一定的操作門檻，比較適合一些有更高要求的朋友，社交媒體很容易能找到部署安裝方式。你可以去各大開源分享網站來獲取Skill來強化AI。我們非常鼓勵沒有接觸過的朋友們也嘗試一下。

Skill挑選來源

官方Skill市場 (Directory)：在Claude網頁版的Customize-skills頁面，可以瀏覽和安裝官方及社區精選的Skill。

社區工具網站：skills.sh網站是配合vercel-labs/skills工具使用的一個技能目錄，你可以在這里按流行度、趨勢來搜索和篩選。

GitHub 代碼倉庫：這是最主要的Skill來源。比如，Anthropic官方就開源了包含16個實用工具的Skills 庫（如PDF處理、Skill創建器等）；

微軟官方也提供了playwright-cli（極低token消耗的命令行工具）這樣的專業Skill。很多個人開發者也會在GitHub上分享自己的作品。

Skill彈藥庫

• Claude Code Skill

GitHub用戶blader把維基百科的24條規律做成了一個skill，裝上之后，你只要說一句“humanize這段文字”，它就會自動掃描所有24種模式，然后幫你重寫。

項目地址：https://github.com/blader/humanizer

• Humanize AI text

功能包括AI文本檢測和文本人性化改寫，通過識別并修正 AI 寫作的典型特征（如機械話術、格式痕跡、引用漏洞等），讓生成式AI文本具備人類寫作的自然性，從而規避各類 AI 檢測器的識別。

項目地址：https://pan.quark.cn/s/8f5ad062b58e#/list/share

[動作四：人工檢驗]

為了掩蓋機械感，AI會大量堆砌形容詞和副詞，導致文字看起來用力過猛。所以當看到過度華麗、對仗的段落文字時，就要注意，這些是否屬于AI的手筆。此外，要警惕AI的推理論證。因為即使沒有證據鏈，它也會杜撰。所以需要考慮，它給的論證思辨是正確的嗎？具體事實案例符合規律嗎？能否溯源查證？

人工驗證須知

以下三類內容無論看起來多么可信，在涉及到內容真實的時候，都必須逐條人工查證。

具體數據與統計：AI 極擅長編造看似合理的數字。如果沒有在搜索結果中找到權威來源的原文佐證，應視為可疑。

引語與人物：模型可能讓某人在從未發生過的場合說出從未說過的話。如2025年11月“治安違法記錄封存爭議”事件中，AI甚至顯示一名人大代表之子有吸毒經歷，經核實完全為虛構。

文獻與引用：AI輔助科研中，參考文獻出現錯誤的情況相當普遍，AI檢索工具往往會“找出”與研究主題并無關系的論文

借用多種核實溯源手段

任何關鍵事實斷言，都應在至少兩個獨立、可信的來源中得到佐證。這是新聞行業事實核查的鐵律，同樣適用于AI內容檢驗。

如果覺得太費心力，可以直接讓AI進行二次查證。

這里要注意的是，AI可能生成虛假網站來“自證清白”。所以需要你謹慎地思考和求證。你可以使用多個AI來交叉驗證，也可以使用很“old school”的方法，將AI生成的整個段落，特別是其中的核心數據或非常獨特的描述，放進Google、百度等自然搜索，核對是否有相同的原文。

• 要求AI提供URL

在處理關鍵信息時，可以在初次提問時要求AI在引用處附上可直接訪問的URL。輸出后逐個點開鏈接驗證內容是否與正在引用的部分一致。

對于有學術嚴謹性要求的朋友，面對一個看起來無可挑剔的高質量引用，尤其帶DOI的文章時，可以先復制它的DOI碼在doi.org上驗證。

• 通過對話多輪追問AI

在你與它的對話中直接操作。

你可以反向提問尋求佐證，比如直接要求它提供三個反對理由，來檢驗論點。或者要求它為結論尋找更多來源支持，看看不同來源的說法是否一致。你也可以直接問它，針對[某條信息]，你的依據是來自訓練數據還是實時聯網檢索？

二次驗證工具彈藥庫

以下提供工具網站來幫助你進行二次驗證核查。

圖源：公眾號「有三思 U Sense」

最后，我們還是想多說一句：AI的定位是人類的工具，它對個人的最大意義，就是能夠在檢索和處理信息上提供高效能和高便利性，讓你的注意力資源能集中在更有創造力的事情上。

驅使它，釋放想法，不被AI生成內容淹沒表達的自由和創意……在這場有關AI味的“無間道”識別戰中，這才是最重要的行事原則。

參考文章：

1. Hamsa Bastani (University of Pennsylvania): “Unpacking the Unintended Consequences of AI in Education”

2. Your Brain on ChatGPT： Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

3. Perspective Chapter: Toward a Quantitative Framework for Evaluating AI-Generated Creativity – A Linguistic and Computational Analysis of Language Model Outputs

4. Mediahuis suspends former Irish boss Peter Vandermeersch over use of AI

5. Baringa study explores shifting US consumer preferences around the consumption of AI-generated content

6. Common AI writing footprints that trigger detectors — and how to remove them

7. 融社區管理：去除AI痕跡，只需要這6步

8. Diverse and high-quality text generation assisted by large language models

9. CSDN：大模型效率提升指南：Prompt工程全攻略與15+框架應用

本文來自微信公眾號“有三思 U Sense”，作者：蔣雨恬，36氪經授權發布。