← 返回案例列表
写作规则实验 · 2026-11-06

3.8 万字的规则,换来一篇几乎没改的稿子

这套规则反复调,稿子还是有股 AI 味。把带规则和不带规则的 AI 放一起比,才发现:规则越多,模型越在表演;而一篇人写的稿子丢进去,它 74% 的句子原样放回。

对照实验 推翻自己的判断 规则重构 真实论文试手
01

背景与任务

要理解这次改造,先得知道被改的是什么。

他有一套写作检查规则,用来判断一段文字哪里像 AI 写的,再逐条修。改造前是十二份文件、三万八千字:38 类问题,每类有判据和例子;论文、申报书、公文各有体裁护栏;末尾一道放行检查,过不了不让发。

问题是它改不动。一篇稿子过一遍,AI 味还在;再过一遍,还是那种感觉——话说得很满,每段收在一个金句上,读着像在表演。加规则、调判据、换着法子禁,都压不下去。

于是决定大改。动手之前先做了一件事:把带规则的 AI 和不带规则的 AI 放在一起,看差异到底出在哪。

他跟它说:

「为我设计几个任务:一个是使用我的 Agent 运行,另一个是使用我的 API 调用干净的大模型来运行。我想比较一下它们的语言风格。」

要比较的两边:

难点是变量不止一个。模型可能不同,规矩可能不同,带规矩的那边还能查资料、裸的不能。三个变量混着跑,结果出来也说不清是谁造成的。

02

它怎么接活

层实际加载起了什么作用
Agent通用执行 agent写脚本、跑对照、统计
Skill没加载没有现成技能可套,全部自建
知识文件个人状态、自我觉察、身份与声音锚、模型接口接入说明决定「带规矩的」那层设定长什么样;也提供了调用模型的现成做法
自写脚本4 个跑对照、数句式、跑改写测试、核数据是否丢失

它做的第一件事是把问题拆成两个。

问题一(归因):风格差异是那层规矩造成的,还是模型自带的?

问题二(实用):我这套配置和裸模型比,谁的产出更能用?

前者必须同模型、同工具,只差设定;后者允许模型不同。混着做,结论一定站不住。

用户选了归因版、同模型、由它来跑。

03

怎么提问(可照填)

我要比较 A 和 B 的差异。

先别动手,回答三件事:
1) 这个比较能回答哪几个不同的问题?
2) 每个问题分别要控制什么变量?
3) 给我 3–5 个任务,要求:
   - 不依赖外部信息(否则一边能查资料,一边不能,比的是信息不是风格)
   - 指令里不带风格要求(否则测的是"听不听话")
   - 覆盖不同长度和体裁

最后告诉我:跑一次大概几步、最可能错在哪。

任务一旦需要查资料,差异就来自「谁查得到」,风格比较当场作废。

04

怎么追问

用户原话结果可学的一招
「P12 的表述非常奇怪,不知道是怎么来的。你帮我好好研究一下。」 查出「真正让我……的是」在同一篇出现 3 次;六组对照里,带规矩的那组有 16 处这类句式,裸的只有 5 处 觉得「别扭」时先数一数。别扭通常有形状,数出来才好改
「我感觉裸模型反而显得更自然些。P01 明显好于 P06,P07 明显好于 P12。我说的是作为人类读者的语言感受。」 发现自己的评分表(具体感/结论前置/敢判断)恰好奖励了「姿态」,评反了;重写判据 评分维度本身也要被检验:它可能在奖励你想删掉的东西
「我越给他具体的要求,反而会让他变得更加不自然。如果加负面的约束,可能也会变成另一种逼良为娼。」 做了四组对照,证明「平实」这个形容词会被翻译成公文腔,只有可自检的判据有效 「要什么」和「不要什么」都会变形成配额;给动作,别给目标
「目前 Humanizer 在整体架构中的逻辑是否合理?它自己这个 Skill 还是需要凝练和瘦身吗?」 实测它把一篇人写的稿子 74% 的句子原样放回,随后重构成三层、主文件从 246 行瘦到 158 行 工具不好用时,先问它治的是什么病——可能你的病它根本没对症
05

执行路径

  1. 先拆问题:把「比较风格」拆成归因和实用两个问题,选一个开跑。
  2. 只改一个变量:同一模型、同一参数、同一批任务,唯一的差别是那层设定。六类任务各跑三遍,共 36 次。
  3. 先数词,数不出来再数结构:一开始数「值得注意的是」「总的来说」这类词,两边几乎都是 0;改数段落、清单、表格、句长,差异出来了。
  4. 拿真稿验证:新方法先在公众号稿上跑通,再拿一篇真实论文试手,发现学术稿的病是另一种,回头补分支。

词表法用了很多年,一直没人怀疑它,因为以前确实管用。这一次它全线失效,才逼着换尺子。

06

妙处时刻

一、把「帮我设计任务」变成「先分问题」

用户要的是任务,它先给了一个判断:这两边的差别不止一个变量,混着比,跑完也说不清是谁造成的。于是拆成「归因」和「实用」两问,只做前者。

同模型、同参数、只差一层设定,差异就能归到设定头上。

你可以怎么用:任何人让你「比较两个东西」,先问一句:这个比较想回答哪个问题?不同的问题,要控制的变量完全不一样。

二、词全数完是 0,病在结构层

第一版统计数的是「AI 腔词」:值得注意的是、总的来说、不仅……而且、赋能、闭环。两边的差值全部小于 0.3,多数是 0。

换结构指标后,差异出来了。

同题「这个研究想法值不值得做」裸的带规矩的
汉字8171,078
清单行113.3
加粗标记14.710
自然段614.7
有没有下判断没有:「值得做,但要注意……」有:「现在这个问法不值得做」

你可以怎么用:一个指标测不出差异,先怀疑指标,别急着下「没差别」的结论。词表测不出,就换段落、换句长、换有没有结论。

三、用户一句「我感觉裸的更自然」,推翻了评分表

第一轮它评的是带规矩的更好:更具体、结论更靠前、更敢下判断。用户是读文字的人,说反了:裸的那两篇明显更自然。

问题在评分表本身:「具体感/结论前置/敢判断」这三项,恰好是表演型写作得分最高的三项。用一把奖励姿态的尺子去量姿态型文本,当然量出高分。

两种写法摆在一起:

带规矩的:真正让我想动手查的,是书里那句「大脑只用了 10%」。
          那天下午我翻了几本教材……我盯着那一页看了很久。

裸 的:书上讲,成功者都早起。我坚持了三个月,
        成绩没变,上午第一节课全在犯困。

你可以怎么用:让别人评价你的产出时,别只问「好不好」,问「哪里让你觉得假」。

四、74% 的句子没动

把规则里最核心的三份文件(3.5 万字符)塞给它,让它改同一篇公众号稿。结果如下。

版本与原文句重合字符相似度
整套规则74%96.7% / 98.0%
四行判据31%86.4%

它不动,是因为那套规则是给 AI 写的文本设计的。这篇是人写的,它一看「这是人的声音」,判断不用动。可这篇的毛病,恰恰是那种表演腔——话说得太满,每段收在金句上。人也会这么写,模型学得更像。

用去 AI 味的工具,治表演性的人味,靶向是错的。

你可以怎么用:工具不好使时,先问它治的是什么病。它可能很称职,只是你的病不在它的科室。

07

原始材料

材料能核到什么
36 次对照的原始记录每次输出的字数、耗时、用量,六类任务 × 两组 × 三遍
四组改写测试形容词版 / 判据版 / 工序版 / 无要求版,同一篇稿的输出对照
平实判据的机制与实测为什么形容词会失效,四组条件的具体数字
执行用的判据删句测试、禁清单、学术分支
重构后的写作规范三层结构、两条路径、主文件从 246 行降到 158 行;之后按写作期与终检期拆成两个技能,剩下九份文件、两万九千字
真实论文试手前 2,285 字,改后 1,612 字,14 处引用与 2 处脚注全部保留

论文那一步改了 29.5% 的字,元话语报幕从 5 处降到 1 处。原始文件可向作者索取。

08

实用启示

一、先问「这个比较能回答什么」

两边差别不止一个时,先拆问题、再控制变量。否则跑得再认真,也只是把三个原因搅成一杯。

二、指标失效时,先换尺子

数完是 0,不等于没差异。可能是旧尺子量不了新东西。2026 年的模型已经不说「值得注意的是」了。

三、规则要给动作,不要给形容词

「写得平实一点」会被翻译成公文腔;「删掉这句,读者损失什么」每句都能自答。形容词没有落点,判据有。

记录于 2026-11-07 | 数字取自当日实验记录,未经修饰 | 对话原话来自会话存档