随笔 2026.08.10

一种去除文章 AI 味的新思路

本文目录

最近AI写的文章，AI味越来越浓了，让人不堪卒读。于是一直在研究去AI味的方法。很早之前其实就有这样的skills了，如humanizer、humanizer-zh……这些去 AI 味的工具的做法差不多都是：把 AI 味的特征列成清单，写进提示词，让 AI 避开这些默认写法。

可就算用了这些工具，效果也不甚满意。想研究怎么去 AI 味，得先弄明白：AI 味到底是什么？

所谓 AI 味，就是 AI 在空白处的”最大概率填充”

从原理上讲，AI 写文章时，总有一些角落是提示词没有管到的。在这些空白处，AI 会用训练数据里概率最大的写法来填充。

所谓 AI 味，就是这些填充物。它的毛病在于太”可预测”——读起来全是意料之中的转折、似曾相识的排比、正确而无用的总结。

旧方法正是顺着这条思路来的：找到 AI 味的特征，再用提示词改变 AI 在这些空白处的默认值。这就是”特征清单法”。

可惜这条路越走越窄。特征清单是人工总结的，追不上 AI 的迭代速度，也很难覆盖全面。最近想了试了多种方案，效果都不佳。

就在刚才突然想到了降噪耳机的工作原理：它先用麦克风采集环境噪声，然后生成一列波形正好相反的声波。两列声波叠加，恰好相互抵消，噪声就听不见了。

关键是，降噪耳机根本不列”噪声特征清单”，而是现场采样，生成反相波，当场抵消。

那去 AI 味，是不是也可以不先识别它，让 AI 自己暴露”它默认会怎么写”，再把这个默认倾向抵消掉。

照着这个想法，我做了一个 skill来验证猜想。

第一步，把原文浓缩成一张“任务卡”：只保留主题、读者、写作目的、必须保留的事实，其余修辞、结构、语气全部剥离。

第二步，让 AI 只看这张任务卡，独立写四篇盲写稿。四篇稿子互相看不见，也看不见原文，并且要求从不同角度切入：一个按普通方式写，一个从某个具体问题或后果进入，一个从疑问和反例进入，一个先写最短结论再补理由。

为什么要这样？因为我想找一种东西——“共模”。同一个任务，无论从哪个角度构思，AI 都绕不开的那些写作动作和表达方式，就是共模。它们不是事实需要的，也不是任务必需的，纯粹是 AI 的默认倾向。就像环境噪声：不挑场合，总是出现。

第三步，把原文和四篇盲写稿的结构指纹放在一起比对。所谓结构指纹，就是每段在做什么、文章如何从一个判断走到下一个判断。重点看两类痕迹：换掉主题依然成立的可移植表达，以及删掉也不损失信息的填充段落。

第四步，对找出来的共模做减法处理。能删就删，能合并就合并，必须保留的判断把话写完整，谁做的、在什么条件下成立、影响哪些范围。注意，不是找一个”更像人”的同义句替换，那只是换一种噪声，治标不治本。

一番操作下来，典型常见的 AI 味，去掉了七七八八。那些读起来“哪儿都对、但什么都没说”的段落，删掉也不心疼；两段说着同一件事的，并成一段反而更有简洁。

最大的好处是，它不再需要先人工识别 AI 味、列成清单、再告诉 AI“不要这样不要那样”。它不预设任何清单，所以对新一代模型依然成立，这正是特征清单法最头疼的地方。

首先，它不可能完全去除 AI 味。共模检测抓的是“AI 的默认倾向”，但有些顽固的个体习惯它抵消不了，比如滥用破折号、中文里混用英文引号。这些后续可以和特征清单结合：用特征清单识别共模够不着的漏网之鱼，两条腿走路。

其次，没有 AI 味，不代表这是一篇表达优秀的好文章。降噪只是把噪声抹平，并不会让音乐更好听。去掉 AI 味的文章，可能只是一篇平淡的、合格的、甚至平庸的文章。它加不上独属于你的表达特征。

最后，还有一个悖论：当第一层默认值被去除干净之后，补位上来的第二层默认值，会不会成为新的 AI 味？

这个问题我暂时没有答案。