干这行年头久了经常有人拿着一段稿子来问我“你看这段像不像AI写的”。说实话大多数时候我扫两眼就能给答案靠的不是什么检测工具而是那些痕迹实在太规整了规整得不像人。人写字是有毛边的会重复、会突然插一句废话、会在某个细节上啰嗦半天然后草草收尾、会前后详略严重失衡。机器不这样机器永远端着永远知道自己在写第几段永远记得给每段配一个中心句。这篇东西讲的就是怎么把这种“端着”卸下来。从提示词怎么写、结构怎么掰弯、逐句怎么下手删改到不同类型文本的差异化处理一整套流程我都拆开讲。适合两类人看一类是靠写字吃饭、但被要求“别让人看出是AI写的”的内容从业者另一类是明明只是想省点力气结果生成的东西自己都读不下去、只能硬着头皮改的普通用户。不管你是零基础还是已经改过几百篇稿子下面这些手法都能直接抄。需要先说明一点我这里谈的“去痕迹”指的是让文字重新具备人的思维节奏和真实感不是教你怎么糊弄查重。这两件事的目标不一样手段也完全不同后面会细说。1. 先搞清楚“AI味”到底是什么味道1.1 五个一眼就能认出来的特征我把这些年见过的“机器味”总结成五条基本覆盖了九成情况。你可以拿自己写的东西对照着看中三条以上就说明问题已经比较明显了。第一条段落长度过于均匀。打开一看每段都是四到五行视觉上整齐得像打印出来的表格。人的注意力不是这样分配的讲到兴奋的地方一段能写半页讲到没意思的地方两句话就带过去了。机器没有情绪起伏所以它按平均分配。第二条每段开头必有一句概括。这是最致命的特征。比如写“工具选型”这个主题机器写出来的段落一定是“工具选型是整个项目中非常关键的一环。”然后才开始讲具体工具。人写作很少这么干人会直接说“我一开始用的是A用了两周发现导出格式对不上换成了B。”第三条连接词密度异常。“首先、其次、然后、最后”“值得注意的是”“总的来说”“与此同时”这类词在机器文本里的出现频率大概是真人写作的三到五倍。它们的作用是填缝而人写字靠的是意思本身的咬合不需要那么多胶水。第四条形容词空转。“极大地提升了效率”“显著改善了体验”“具有重要的意义”读完一遍你发现什么信息都没得到。真人提到效率通常会给个数“原来导一次图要等四十秒现在七八秒。”第五条结尾一定要收拢。机器几乎不会让文章“悬着”结束它一定要在最后一段把前面说的东西再概括一遍还要展望一下未来。而真人写完最后一个要点经常就直接撂笔了。1.2 为什么“降重”这条路走不通市面上有不少工具号称能把AI文本“改写”成人类风格原理基本是同义词替换加句式打乱。我试过一批效果很有限原因是方向错了。机器味的根源不在词汇而在思维的均匀性和信息的抽象度。你把“提升”换成“改善”把“首先”换成“第一点”读起来还是那股味道因为底层结构没动。就像一个走路姿势僵硬的人你给他换身衣服走路还是僵的。真正管用的做法是从两个层面同时下手生成阶段用提示词把它的默认习惯按住生成后用人工把残留的均匀性打散。单靠任何一头都会留下明显的破绽。我见过只做后处理的稿子句子读起来是活的但整篇骨架还是三段的对称结构老手一看就知道底子是机器出的。所以下面我按“提示词—结构—句子—分类—排查”的顺序讲这是一条完整的流水线跳步会出问题。2. 提示词阶段源头别给它端着的空间2.1 人设要具体到“有过什么经历”很多人写提示词就一句“你是一个专业的内容创作者”这句话基本等于没说。模型对“专业”的理解就是四平八稳、面面俱到、不带个人情绪正好是我们要躲的那一套。有效的做法是把人设写到“有具体经历”的程度。不是“你是资深编辑”而是“你是一个改了八年稿子的编辑见过太多写得漂亮但没一句实话的稿子说话偏直接不喜欢用形容词”。差别在哪前者给的是身份标签后者给的是行为倾向。模型是照着行为倾向写的你给它什么倾向它就往哪个方向走。我常用的写法大概是这个结构你的角色一个做了[具体年限][具体工作]的人平时说话[语气特征] 对[某个细分话题]有[具体态度/偏好]。 你的读者一群[具体画像]他们已经知道[基础知识]最烦[具体反感的东西]。 你要做的写一篇关于[主题]的东西重点是[最想传达的1-2个点]。注意最后一行只让它重点讲一到两个点。模型的默认行为是求全你让它写“AI写作痕迹”它能从原理讲到工具再讲到伦理每个都是浅尝辄止。你限定只要两个点它反而会往深里挖。2.2 负面清单比正面要求管用这一条是我踩了很多坑才总结出来的。你告诉模型“请写得口语化一点”它理解的口语化可能是加几个“其实”“那么”你告诉它“不要用书面语”效果反而更好。所以提示词里负面清单的权重要高于正面要求。我常用的一份清单你可以直接拿去改禁止使用“首先/其次/最后”作为段落开头使用“综上所述”“总而言之”“值得注意的是”这类收束词给每一段配一句概括性的开头把并列项凑成三的倍数在结尾写总结段或展望段使用“极大地”“显著地”“有效地”这类副词使用破折号解释每一段的长度接近。允许甚至鼓励段落长度差异很大有的长有的只有一句话用不完整句出现口语词和语气词插入与主线关系不大的个人经历对某些内容表现出明显偏好比如明确说某个方法不好用。这份清单不是背下来的是每次改稿时发现新毛病就往上加。现在我的清单已经有一页半了。2.3 给样例比给一百个形容词管用风格这件事描述起来极其费劲示范起来极其简单。你写十句“请用真实、具体、带个人视角的语言”不如直接贴一段你自己以前写的东西进去然后说“照这个语感写”。这背后的道理不复杂模型是模仿机器你给它一个可模仿的对象它就能精准对齐你只给它形容词它只能去猜猜出来的必然是那个“平均值”——也就是最没特色的表达。样例的挑选有讲究。不要挑你写得最漂亮的那篇要挑最像你日常说话的那篇。很多人拿自己精心打磨的正式稿当样例结果生成出来的东西虽然质量高但依然板正。2.4 拆开写别一口气要三千字这是我个人认为最有效的一条技巧但它经常被忽略。你让模型一次性输出三千字它会本能地做两件事一是把内容摊薄二是不断回到“总结一下刚才说的”这种自我确认的句式上。篇幅越长这种滑向平均的倾向越明显。我做过对比同样的话题一次生成两千字和分四次生成五百字后者的信息密度和句子活力明显更好。具体操作是先让它出一个粗提纲只要五六个标题不要展开你看一眼把不满意的标题改掉然后一段一段地要。每要下一段的时候把前面已经写好的段落贴回去当上下文告诉它“接着这段往下写注意别重复前面的意思也别给这一段加总结句”。代价是多几轮对话但省下来的润色时间远远超过这点成本。一段一段写还有个附带好处段落之间的过渡会自然很多因为模型每次都是真的在“接着说”而不是一次性规划好所有过渡。3. 结构层改造把“总—分—总”掰弯3.1 长度故意做成不均匀拿到一篇机器生成的初稿我第一件事不是读句子是看段落的形状。如果每段的字数都差不多那这篇东西的骨架就是机器的改句子没用。我的做法是强制做长度分配把其中一段扩到原来的两倍往里面塞具体数字、场景、对话把另外两段砍到原来的一半甚至更短只留结论删掉铺垫。一篇三千字的稿子理想的段落长度分布大概是这样的有两三段在两百五十字以上有四五段在一百字以内还有一两段只有一两句话。这种不均匀不是随便弄的它对应的是真实写作时的注意力分配。你写到最有体会的地方话就多写到例行公事的地方话就少。机器恰恰相反它对所有内容的兴趣是均等的所以输出也是均等的。顺带一提短段落还有个好处它天然打断阅读节奏。读者在一段长文字之后突然遇到一句短话注意力会被重新抓回来。这个效果机器文本里完全没有因为机器不会“突然”。3.2 干掉每段开头的概括句这一条改起来最费劲但收益最大。具体做法是读每一段的第一句问自己“这句话删掉后面的内容还成立吗”。如果成立删。举个例子。机器写出来是这样工具的选择在整个流程中起着关键作用。我最初尝试了几款常见的编辑器发现它们在处理长文档时都存在卡顿问题。后来又试了另一款轻量级的情况有所好转但在导出环节又出了新问题。删掉第一句之后我最初尝试了几款常见的编辑器发现它们在处理长文档时都存在卡顿。后来又换了一款轻量级的情况好一些但导出环节又出了新问题。后一个版本的节奏明显更紧因为它直接进入了具体的事。而且删掉概括句之后读者反而更想知道“所以你最后用了什么”信息张力就出来了。我把这个动作叫“拆脚手架”。机器的每一段都搭了脚手架——先告诉你这段要说什么再开始说。人写作是不搭的直接开始盖。3.3 破坏并列与排比机器有个顽固习惯凑三。你让它列好处它给你三条列原因它给你三条连举例子都是三个。这个习惯在中文写作里尤其明显因为三段式在我们的教育里被强化过很多年。处理方法很简单要么砍成两条要么加到四条并让其中一条明显比其他三条长得多。前者破坏了对称后者破坏了节奏。排比同理。看到“既能……又能……还能……”这种句子我一般会保留前两个把第三个拆成一个独立的短句或者干脆换个说法把它变成一句反问。排比在演讲稿里好用在个人分享里用得多了就很假因为真人说话不会那么工整。还有一个小细节机器特别喜欢用破折号做补充解释而且位置很规律。我一般会把一半的破折号改成逗号、括号或者直接拆成两句。4. 逐句润色三个动作解决八成问题结构改完进入句子层面。我自己的流程是固定的三个动作删、换、加。顺序不能反先删再换最后加因为删完之后你会发现问题少了一半。4.1 第一个动作删删的目标是那些“看起来很重要但删了不影响理解”的成分。我做了一张常用清单基本覆盖了大部分情况目标类型典型词句处理方式程度副词极大地、显著地、有效地、充分地删掉或换成具体数字空转动词进行、实现了、开展了、推进了后面接具体动作冗余助词的、了 连续出现连续两个“的”必删一个概括句每段第一句的总起九成可以删收束句由此可见、这说明、正是如此全删客套限定在一定程度上、从某种意义上说删除非真的需要保留模糊性解释性从句也就是说、换句话说删直接说这张表看着简单实际操作时你会发现能删掉的东西比你想象的多。我做过一次统计一篇两千字的机器初稿光是删这个动作就能删掉三百字左右删完之后读起来明显顺畅。删的时候有个判断标准这句话删掉之后读者会不会产生疑问。不会产生疑问的就删。“极大地提升了工作效率”删掉读者不会问“提升了多少”因为这句话本身就没给人任何信息。“原来导一次图要等四十秒现在七八秒”删掉读者就会问“那现在多快”所以这句要留。4.2 第二个动作换换的核心是把抽象的换成具体的。这是整个流程里最花心思的一步也是最出效果的一步。换什么主要是三类东西。第一类把程度描述换成数字或时间。不写“处理速度明显加快”写“同样一批两百张图原来要跑十六分钟现在五分钟出头”。数字不需要特别精确甚至可以带点模糊——“大概”“差不多”“四十来分钟”这种模糊本身就是人味。机器给数字给得太准反而假。第二类把通用名词换成具体的东西。“某款编辑器”换成“一款开了十年、界面还停留在五年前的老牌编辑器”虽然没点名但具体感出来了。这里要注意具体不等于必须点名你可以用特征来指代读者能脑补出画面就够了。第三类把中性叙述换成有态度的叙述。“这个方案的优点是配置简单”这个说法谁都能写换成“这个方案我最喜欢的一点是配置文件就十几行不用翻文档就能改”态度和细节都出来了。换的时候要注意一个平衡不能所有东西都换成具体的。一篇稿子里大概六七成的内容换到具体剩下三四成保持一定的抽象度因为有些内容确实没法具体化硬要具体反而显得刻意。4.3 第三个动作加加是三个动作里最容易被忽略的但它是“人味”的主要来源。加什么加四种东西。加限定和犹豫。“这个方法好用”——“这个方法我用了小半年到目前为止没出过问题但样本量不大你如果数据量特别大的话还是要自己试”。前一种说法是机器后一种是人因为人有边界意识知道自己的经验是局部的。加插叙。在讲一个正事的过程中突然插一句跟主线关系不大但真实存在的话比如“写这段的时候我又想起来当时为了省事还试过一个更偷懒的做法结果绕了更大的弯”。这种插叙机器基本不会写因为它不符合信息效率原则但它极其真实。加口语连接。“说实话”“我试过”“实测下来”“踩过的坑”“这玩意儿”“一开始我以为”。这些词组在正式文档里是要避免的但在个人分享里是必须的。注意用量一段里有一到两处就够多了就成了刻意卖萌。加具体场景。不写“在团队协作中容易出现沟通问题”写“三个人改同一个文件谁也不记得自己改的是哪一版最后靠时间戳对出来的”。场景是人的记忆形式抽象结论不是。举个完整的改造例子。改之前是机器写的内容生产效率的提升需要多方面的协同配合。首先需要建立标准化的流程。其次需要选择合适的工具。最后还需要团队成员的共同努力。只有这样才能真正实现效率的飞跃。改之后我现在这套流程是被逼出来的。最开始什么规范都没有三个人各自写各自的交上来格式全不一样光是统一格式就花了一整天。后来定了个特别土的规矩所有稿子先套同一个模板标题层级、字号、行距全部锁死谁不按模板来就打回去重写。工具倒是其次我用的就是最普通的那几个关键是模板锁死之后剩下的工夫才花在内容上。对比一下就能看出来改后的版本没有一句概括全是具体的事没有“首先其次最后”用了“特别土”“打回去重写”这种口语最后一句还否定了工具的重要性跟原文的排序完全反着来。这就是人味。5. 不同类型文本的差异化处理5.1 技术类内容的处理重点技术类是最难去痕迹的因为这类文本本身要求准确、结构清晰而“准确”和“结构清晰”恰好是机器最擅长的地方你去痕迹去过头了反而会牺牲可读性。我的处理原则是结构保留语言放开。也就是说章节层级、编号、参数表格这些该规整的地方照旧规整不用刻意打散但叙述性段落必须彻底人化。具体来说技术类我重点做四件事一是把每个操作步骤配上“为什么这么干”。机器写步骤只写“点击A然后选B”人写步骤会补一句“这里必须按B不能按A按A的话后面导出会丢图层”。这一句就是分水岭。二是保留试错过程。机器给出的方案总是最优解一次成功。真人的方案里一定有弯路。我会专门留一段写“我一开始用的是另一个办法跑了两次发现不行才换的现在这个”。三是参数要给计算过程。机器直接给结果人会给推导。“这个值我设的是128因为我的数据单条最大长度大概在一百上下留一点余量设大了显存扛不住设小了会被截断。”四是代码和配置要能直接跑。这一点机器做得其实不错但经常出现版本不匹配的问题我会补一句“这个写法在某某版本之后才支持老版本要改成……”。5.2 经验分享类内容的处理重点这类内容正好相反结构可以乱语言必须真。我处理这类稿子时反而会故意破坏结构的完整性把一个应该放在最后说的话提到开头或者在中间插一段明显偏题的回忆。有个手法我用得很多从最具体的一个瞬间开始写而不是从背景开始写。机器写东西一定是先交代背景再讲过程最后说结果。人讲故事经常是从中间某个画面切进去的。另外这类内容里负面经验比正面经验值钱。机器不太会主动写“我搞砸了”但真人分享里最抓人的往往就是搞砸的那部分。所以我会专门留出篇幅写失败的尝试而且要写具体花了多久、错在哪一步、当时什么反应。5.3 一个通用判断标准不管是哪类文本改完之后我会用同一个标准检验这段话如果发在一个熟人群里会不会有人觉得你在念稿子。念稿子的感觉来自哪里来自句子太完整、逻辑太顺、没有一句多余的话。真人说话一定有多余的部分会有重复会说到一半改口会在不重要的地方突然认真。这些“低效”恰恰是人味的来源。机器追求的是信息效率最大化而人写东西追求的是“像一个人在说话”。6. 常见问题速查与发布前自查6.1 症状对照表改稿改多了会发现问题就那么几种翻来覆去。我整理了一张对照表遇到卡壳的时候直接查症状根本原因处理动作读起来顺但记不住任何内容信息抽象度太高全是结论没有细节每个论点补一个具体场景或数字每段都差不多长结构由机器规划注意力未分配强制两段拉长、三段砍短句子都对但连起来像说明书缺少语气和态度全是中性陈述加入偏好表达和不确定表达改了词还是那股味只做了同义替换没动结构回到第3节重做结构改造结尾特别空保留了总结段和展望段整段删掉让最后一个要点自然结束通篇没有一个“我”视角是第三人称全知改成第一人称补入个人经历列举全是三条凑数习惯砍成两条或加到四条并让长度不均专业术语密度过高但没解释追求显得专业每个术语后面加一句大白话解释6.2 发布前的五分钟自查我不会每次都跑完整流程但发布前这五项一定会过一遍加起来不超过五分钟。第一读出声。这是最有效的一招没有之一。默读发现不了的问题一开口就露馅。你读到某句话觉得拗口、觉得不像自己会说的话那句话就是机器写的改掉。第二数段落。快速扫一眼每段长度如果有超过一半的段落长度接近回去做长度调整。第三搜关键词。用查找功能搜“首先、其次、最后、综上、值得注意、极大、显著、有效、进行、实现”搜到一个处理一个。第四看开头和结尾。开头是不是在交代背景结尾是不是在总结如果是这两处必须重写。开头换成具体场景或直接抛观点结尾直接删。第五问自己一个问题这篇东西里有没有一句只有我能写出来的话。如果一句都没有说明这篇稿子的内容换个人也能写那它就是没有个人痕迹的不管语言改得多口语。这一条其实是最狠的。语言层面的技巧再娴熟如果内容本身没有任何独属于你的经验、判断和偏好那股空的味道是压不住的。反过来说只要稿子里有两三处真正的个人经验——具体的时间、具体的失败、具体的偏好哪怕语言上还留了一点机器的规整读起来也是活的。我个人在实际操作中的体会是去痕迹这件事七分靠内容三分靠语言。很多人把力气全花在换词换句上改完还是觉得假问题往往出在内容本身就是空的。你让它写“如何提高效率”它只能给你正确的废话你让它写“我上个月为了赶一个急活试了三种批量处理的办法前两种都翻车了”它自然就有东西可写了。所以与其在润色环节死磕不如在给模型喂料的时候就把自己的真实经历、真实数据、真实判断塞进去。料是真的出来的东西才可能是真的。最后分享一个小技巧改完的稿子先放一晚上第二天早上起来读第一段。如果第一段你自己读着都觉得陌生、觉得不像自己写的那就对了说明你昨晚改的时候是带着“改稿”的心态在写而不是带着“说话”的心态。这时候再读一遍把不像自己说的那几句挑出来用自己的话重说一遍基本就成了。