ARTICLE · 1377272
让 AI 学你的文风,为什么越教越像模板?

你把几篇满意的文章交给 AI。它很快总结出一份指南:短句、口语、适度幽默、少说套话。照着写出来,句子似乎都合规,可通篇读下来,还是陌生。甚至那几个刻意加上的口头禅,比原来的长句更扎眼。
做公众号、写产品介绍的人,值得试着换个改法。先留住一份具体的改稿记录:哪句话别扭,为什么删,补了什么以后才讲清楚。再拿另一篇文章检验。只看风格指南写得多漂亮,很容易把一套描述,当成已经练成的本事。
一份像样的指南,也可能把人写成漫画
Every 的评测负责人 Mike Taylor,最近公开了自己的写作实验。原文 11 月 16 日发布,18 日更新。他从 2020 年起尝试让 AI 学自己,每换一个模型都会再试。
他遇到的麻烦很具体。同事拿着“他写的文章”来问,他却认不出里面的观点。后来他开始口述想法,给模型更完整的材料,也会从几份草稿里挑句子。出稿变快了,但那股不属于自己的语气,还是会冒出来。
让模型读旧稿、总结文风,也没解决好。
于是,他把这件事做成了对照。拿同样的内容材料,分别交给不同版本的写作指南,再比较生成结果。其中一种指南由 Claude 直接总结;另几种会根据比较结果反复修改。
在他报告的一组测试里,直接总结出的指南,面对另外三种方法,在八成到九成半的测试文章上落败。这些文章预先留出,不用于调整指南。有一个模型,干脆不带那份指南,反而更常获胜。这里比的是接近作者原文的程度,不能当成所有文章的质量排名。
翻看失败的指南,问题就好理解了。它抓住了 Mike 的几个显眼特征:自嘲、短段落、引导语。模型写新文章时,把这些特征一遍遍用上。原作者偶尔说一句的话,变成了每隔几段必须出现的动作。
他举过一处生成内容:文章凭空写他在咖啡机旁徘徊,盼着有人过来聊天。听着有画面,也有一点自嘲。但他没写过这件事。
用这种办法增加“人味”,连经历都可能一起编出来。熟悉作者的读者,未必觉得亲切,倒可能觉得这个人突然开始演自己了。
“别有 AI 味”,得改成能看懂的意见
写作者说“这一段不像我”,完全可能是准确的。但交给下一次写作,这句话还缺了一截:究竟哪里不像?
拿一句示意草稿看:“这款工具能显著提升效率。”只把“显著”删掉,信息依旧空。若材料写的是,它能把邮件附件归到指定文件夹,那就把这个动作写出来。没有计时记录,就不补“节省两小时”。
另一种别扭,藏在段落后半截。前面已经解释了工具要连接哪个账号,后面又跟一句“是否适合仍需结合实际情况判断”。读者没有因此多知道什么。删掉以后,若操作条件还清楚,这句就可以不回来。
但删句也会删过头。把所有解释都压成短句,文章可能像会议提纲:知道你列了哪些事,却不知道它们怎样接上。遇到这种情况,要补的是原因、动作或上下文。不能再补一段漂亮的总结,把缺口遮过去。
这几种改法,不该混记成一句“更口语”。它们修的是不同问题:空泛效果、重复提醒、解释断裂。留下原句和修改理由,下回碰到相似段落,才知道该动哪里。
Mike 后来采用的优化方式,也在利用这种差别。比较稿件后,评审会指出某处插话太用力,某个收尾太整齐。修改围绕这些失败展开,再回到文章里检查,看看毛病是否减少。
这比继续增加口头禅更费功夫。好处是,你能说清一次修改想解决什么。
别拿刚教过的文章,证明它已经学会
有了改稿记录,还要留几篇文章不参加修改。否则,把一份指南调到某篇旧稿上很容易:原文怎么开头、在哪里转折,反复提示几次,生成稿自然会越来越接近。
可下一个题材一换,就露馅了。
Mike 最初收集了 185 篇文章,留出其中 54 篇作为最后的检验。他后来发现,自己的文风随时间变化。换成更近期、同一刊物的文章,效果反而更好。普通创作者不必照搬这个规模,先把新闻、产品介绍和长文解读分开,就能少混进一些不相干的要求。
日报需要迅速交代发生了什么。产品介绍要讲安装、功能和使用条件。长文则要把一个疑问解释下去。让它们共用“每段都要有故事”这种规定,只会逼出不需要的故事。
比较两个版本时,材料也要尽量相同。把事实、来源、观点和必要引语写成内容简报,再交给不同版本的指南。别让一份稿拿到完整采访,另一份只拿到一个标题,最后却把差别都算在文风上。
这份简报只保留内容。原作者的笑话、开场措辞和句子节奏,要先拿掉。否则,新稿可能只是沿着原文换词,测试不出指南能否应付新文章。
看稿时可以把版本名藏起来。读完先记具体意见,再揭晓用了哪个版本。觉得甲稿更好,就写出它哪里解释得清楚;觉得乙稿僵硬,也要圈到句子。这样留下来的反馈,比“这次进步很多”更容易接着用。
找一个 AI 当裁判,还得检查裁判
稿件多了,人工逐篇比较很累。Mike 让另一个模型看作者原文和两份草稿,挑出更接近原文的一份,并说明差别。
他还交换两份草稿的顺序,再比一次。因为模型可能偏爱先看到的版本。原文报告,不同评审模型在交换顺序后,选择的一致程度相差很大。换句话说,评分数字很精确,裁判却可能自己改主意。
对个人账号,可以先用少量稿件检查这一点。同一对文章换个顺序,答案就变了,先把它当成争议样本,交回作者看。不要让这一次摇摆,立刻改掉整个账号的写作规则。
风格判断之外,还要单独核事实。一份稿可以更像作者,同时把日期写错,或把别人的演示写成自己的体验。评审说“更自然”,不能替这类错误放行。
这里也没有公众号传播结果。模型认为更像原文,测到的是相似程度。读者是否愿意读完、收藏或转发,仍要看发布后的真实数据。尚未发布时,留下“这个开头可能更容易读懂”的编辑判断就够了。
轮到写新稿,输入里要有你的东西
就算指南越来越合适,给模型一句“帮我写个爆款”,它也得自己补材料。缺观点,就补一个四平八稳的观点;缺现场,就找一段看起来像经历的情节。再套上熟悉的语气,错误反而更难看出来。
写一篇产品更新,可以先交代这次为什么做、谁提出过需求、具体改了哪一步。哪些功能还没完成,也一起放进去。让模型整理这些材料,比让它凭产品名猜用户故事更踏实。
写新闻解读,则把原始公告、前后变化和自己的疑问分开。哪一处值得追问,哪一项数字影响使用决定,都可以直接说。不必等 AI 先铺一遍背景,再从里面寻找自己的立场。
换模型时,也值得拿原来的几份材料重新比一次。同一句“少用总结”,有的模型会删掉废话,有的会把必要解释也删光。原来修好的毛病,可能以另一种形式回来。
Mike 写一篇关于“克隆同事”的文章时,交给模型一条引语、十条事情经过、测试过的邮件,以及口述记录。成稿后,他仍做了 44 处修改。他公开的这篇方法文章,开头也是自己重新写过的。
AI大模型API服务:pcore.ai,通过统一、标准的接口协议接入海量模型。承载 AI 应用,高效管理数字资产,连接未来。















































































