你点开一篇博客，第一段还没读完，就知道它出自AI之手——那种近乎完美的语法、永远不选边站的结论、以及“在当今快节奏的世界”这类开场白，几乎成了某种数字气味。这不是偏见。大语言模型在数十亿份文档上训练，它的默认输出，就是所有文本的“平均值”。而一个平均值叠加一百万个平均值，得到的恰恰是没有声音的声音。
过去几年，我在Keploy、Devbytes等多家初创公司写过技术文章，从2023年起就在Hashnode上持续发博。当我把“用我的风格写”这句简单提示丢给AI时，结果次次相同：结构工整，语法无懈可击，但读起来完全不是我。问题出在，语调不是形容词“友好、对话式”能定义的——它是一种语法操作习惯，是那些只有你自己才会做的断句、起头、收尾的方式。
于是我换了一个思路：不再描述自己的文风，而是把它拆解成可执行的规则，交给一个智能体工具。这个工具由三部分组成：一份从七篇真实写作样本中提取的“声音档案”、一张禁用短语清单，以及一个能把我每次手动修改自动固化成新规则的反馈回路。而你现在读到的这篇文章，就是这个系统输出的第一篇成品。
声音档案的建立不是让AI读两篇文章然后概括几个形容词。我给它的七份样本里，涵盖了两篇旅途体、一篇教程、一篇观点文、一篇对比评测、三篇冷启动式开头，外加一份关于个人偏好的短问卷。其中三篇是系统主动从我的历史作品中精选的，另外四篇则来自Fable 5指派的话题，目的是让它更立体地捕捉我的表达习惯。系统提炼出的是一套机械性规则，而非模糊印象：我的句子常用“And”“But”“So”“Now”起头（连你刚读到的这一段也是如此）；我的文章推进方式是不断替读者问出下一个问题，再立刻回答；每一个大的主张都必须配上一个能亲眼验证的个人收据，最好带数字，而不是“许多开发者反映”；全篇感叹号最多只能用两次，系统会真的去数。还有一条优先级设定：新样本永远覆盖旧样本。2023年的写作里有些习惯我早就扔掉了，当新旧冲突时，当前的声音自动胜出。
第二部分是“禁用清单”。这并非简单的黑名单，而是针对AI生成文本中最常见的滑向无个性的短语。哪些“看似中立、实则抹掉一切棱角”的表述，全部被拉入禁区。比如“在当今快节奏的世界”“不可否认”“这不仅关乎……更关乎……”这类永远正确的填充句，以及那些把一切微妙结论都中和掉的完美平衡句式。清单由我手动汇编，但每次系统生成内容后，如果我忍不住动手改掉某句话，反馈回路就会分析我的改动模式，把新的禁用项自动补进清单。换句话说，这份清单是活的，它会学着变得更像我厌烦的东西。
反馈回路是整个机制中最关键的环节，没有它，档案和清单只是静态的截图。每一次我编辑输出内容，系统不只是接受修正，而是把修正过程当作一条新的规则来源。比如当我反复把“提升生产力”改成“让你少加班”，系统就会意识到，我喜欢把抽象概念掰成具体的、带着痛点的日常场景。久而久之，它甚至开始在我还没开口前就预判某些用词倾向。这种不断靠拢的效果，靠的不是更多的数据，而是更严格的约束集。
这件事真正有趣的地方在于，它否定了“让AI写得更像人”这个模糊目标。真正有效的路径，是把“像人”拆成无数个微小的、可审计的决定：这句话的转折词要不要砍掉？这里能不能用一个具体的数字替代泛指？这个结论的力度，敢不敢不找补一句“当然这也因人而异”？这些问题都没有标准答案，但正是每个人对这些问题的不同选择，构成了所谓的文风。当一个智能体被训练去执行这些选择时，它输出的是你的决策痕迹，而不只是你的词汇库。
这个系统也让我重新审视“作者”这个角色。在AI辅助下，作者的核心动作从“写出每一个字”转变为“定义一套约束和反馈机制”。写作者不再是文字的直接生产者，而更像是一个规则的设计者，在不断校对和取舍中，把一种极其个人化的审美体系灌输给模型。这或许意味着，未来的个人内容护城河，不在于写作速度，而在于你是不是拥有一个足够鲜明的、规则化的自我表达体系。
热门跟贴