AI 写作的特征：读者会注意到什么，每一种怎么改

开始之前

这一课里的特征，来自维基百科的AI 写作特征指南。这份指南是该网站的志愿编辑写的，用来找出维基百科上没有声明的 AI 文字。本课在 2026 年 11 月 6 日读过它。本课挑了八种放到别的文字里也适用的特征。它们不是指南自己列出的、截至 2026 年 10 月维基百科上最常见的特征，那份清单里有 Markdown 标记、AI 编辑摘要和关于来源的含糊免责声明等。

指南的作者划了三条边界。有些特征离开维基百科可能不适用。带有这些特征的文字，并不都是 AI 生成的，因为模型本来就是从人写的文字里学来的。这份清单是描述性的，意思是它记录编辑们观察到的现象，并没有为怎么写作定规矩。

你需要一份在 AI 帮助下写出的草稿，比如前两课里做出来的那份，再加一个聊天应用。目的是像编辑那样读自己的文字，然后把句子漏掉的事实补回去。

AI 的文字为什么听起来都差不多

语言模型，也就是 ChatGPT 背后的那类程序，是根据大量训练文本来猜下一个词该是什么。指南说，结果往往会向平均值回归，意思是它落在最可能的说法上，也就是适用场合最多的那种说法。之后还有一轮根据人类反馈做的训练，把输出调向大多数读者觉得顺耳的文字。

这种效果体现在事实上。模型学到的网络文字里，名人总是得到正面的、听起来很重要的赞美，所以它们会丢掉罕见的具体事实，换成笼统的赞美。指南举的例子，是“inventor of the first train-coupling device”（第一种列车车钩装置的发明者）这样的说法，可能变成 a revolutionary titan of industry（一位开创时代的工业巨头）。

八种特征，各有一个改法

下面的特征取自指南，改法都很平实。只有一种特征，说明不了什么。一段文字里反复出现好几种，才会让读者起疑。

中间一列里的措辞，是指南自己举的、需要留意的例子，放在代码标记里，方便你在草稿里搜索。

一个实例：保留事实，去掉“意义”

humanizer 技能是一套开源的指令，教聊天应用去掉这些特征，里面有一组改写前后的对照。它的第一段文字，是对维基百科“加泰罗尼亚统计研究所”条目 2024 年 9 月一次修订的缩写，指南把这次修订当作“被拔高的意义”的样本展示过。

Before:
The Statistical Institute of Catalonia was officially established in 1989, marking a pivotal moment in the evolution of regional statistics in Spain. This initiative was part of a broader movement across Spain to decentralize administrative functions and enhance regional governance.

After:
The Statistical Institute of Catalonia was established in 1989, part of a wider decentralization of administrative functions in Spain.

• 年份和研究所保留，因为它们是事实。技能对这种特征的规则是“Keep the fact and drop the significance”，即保留事实，去掉意义。
• 说这次成立标志着一个 pivotal 时刻的那句话删掉了，officially 也删掉了。
• part of a broader movement 变成了 part of a wider decentralization，说清了那个运动是什么。
• 最后一个分句讲的是提升地区治理，也删掉了。它说的是一种期望，而文字里并没有提到支撑它的事件。
• 技能的下一组对照，对一个套路化的小节做了同样的处理。关于 Korattur 这个地方的两句话，以 Despite these challenges 为骨架，被改成了 Korattur has recurring traffic congestion and water shortages.

用四步改自己的草稿

这个技能分四步：标出特征，起草改写，检查草稿，写出终稿。它对改写的规则是，保留每一个有依据的说法，并且不添加任何不是来自原文或来自你的事实、名字、数字、日期、引文或出处。

下面的提示词涵盖前两步。它是我们自己写的，建立在技能的步骤之上，其中样本那一行用的是技能的规则：写作样本要先读，并且优先于它的那些特征清单。

第一步。请标出下面的文字里符合这些特征的每一处：成堆的套话、拔高意义的说法、用 "serves as" 代替 "is"、句尾挂着的 -ing 评论、含糊的权威、"不只是……而是……"的对子、结尾的“挑战”段落、聊天里遗留的话。每一处都列出它所在的句子。先不要改写。

第二步。等我回复之后再改写。文字里有依据的每一个说法都要保留。不要添加任何事实、名字、数字、日期、引文或出处。如果一个句子去掉空话之后什么事实也没剩，就删掉它。句子长度、用词和标点，请照我的样本来。

我的样本：[粘贴三段你没用 AI 写的文字]
待改文字：[粘贴你的草稿]

1. 运行第一步，读一遍清单。你想保留的措辞就划掉，因为这些写法，人都可能是故意用的。
2. 回复你要改写的那几条的编号，再运行第二步。
3. 把改写稿和你的草稿对照。凡是新冒出来的事实、名字、数字或日期，都当作错误，就像技能对待没有依据的添加那样。
4. 把终稿大声读一遍，如果每句话长度都差不多，就调整出长短变化。

用词会随每个模型而变

指南把套话词汇按时期分了段，并且说这些不是硬性的分界，只是让人大致了解早期和后期的输出读起来有什么不同。它说 delve 在 2023 年和 2024 年初被出了名地滥用，2024 年晚些时候用得少了，到 2025 年骤然减少。humanizer 技能从中得出一个实用的结论：每出一个新模型，用词习惯就变一次，而结构上的习惯一直都在，所以先改结构，再去追单个词。

标点也在变。指南把滥用破折号归在“历史性指标”里，说这类指标在新模型里出现得少多了。它说这个特征和其他迹象放在一起才最有用，单独看不行，并且提到有些 AI 公司已经尝试让新的聊天机器人少用它，最明显的是 OpenAI 的 GPT-5.1。它还补充说，最新的模型（2026 年 9 月起）越来越多地被发现完全不用破折号。

读者并不擅长判断

指南说，人类在区分人写和 AI 写的文字上“notoriously bad”，也就是出了名地差。它引用了一项 2025 年的研究，发现人的判断能力并不比随机猜测好。另一项 2025 年的研究针对德国的毕业论文，发现读者认出了 57% 的 AI 文本和 64% 的人写文本。在一份 2025 年的预印本里，一组专家标注员做得好一些，而很少使用语言模型的参与者，只比随机猜测稍好一点。

哪些不算特征

指南列出了一些它认为无效的指标，因为它们在人写的文字里也会出现。改稿时不要去动这些，也不要拿它们去指责别的作者。

• 语法完美。指南说，很多编辑本来就是熟练的写作者，或者有专业写作的背景。
• 正式或华丽的文字。指南说，规律在于具体的词和短语，并不延伸到所有正式的文字。
• 口语和书面语混用。这可能是技术领域的人、年轻的写作者，或者同一页上有好几位作者。
• 单独出现的过渡词。已知被过度使用的只有少数几个，写文章的人也会用。
• 取自指南讲“人写文字的迹象”的部分：简短的 there is a、it has a 句子，以及 wrote 这样的平实动词（而不是 authored），在人写的维基百科条目里比在 AI 文字里更常见。AI 想把它们改得更顺滑的时候，请保留。

既改特征，也改病根

指南告诉它自己的读者，这些特征只是问题的潜在迹象，不是问题本身，要处理的是更深一层的问题。放到你的文字上，更深一层的问题，是一个没有任何事实的句子，或者一个你没核对过的事实。

有两项检查超出了措辞。把每一个名字、日期和数字，都和你的笔记对一遍，因为一句顺滑的话也可能是错的。另外，读者需要知道的时候，要说明 AI 在哪里帮了忙。Anthropic 的 AI Fluency 速查表把“透明尽责”（Transparency Diligence）定义为“Being honest about AI's role in your work with everyone who needs to know”。意思是对所有需要知道的人，如实说明 AI 在你的工作中起了什么作用。它又把“部署尽责”（Deployment Diligence）定义为“Taking responsibility for verifying and vouching for the outputs you use or share”，也就是对你使用或分享的成果，负责核实并为它担保。

常见错误

• 只换单个词，句子原样不动。它仍然什么也没说，读者看到的还是那个空洞的句子。
• 把一个特征当成证据。指南说，连破折号也最好和其他迹象放在一起看。
• 凭这些特征去指责同事或学生。指南警告说，对使用 AI 的不实指责，可能把新编辑赶走，并造成互相猜疑的气氛。
• 把特征磨平就收手。一段没有这些特征的文字，仍然可能包含没人核实过的说法。
• 只改去年清单上的那些词。每个模型的用词习惯都不同，而结构上的习惯一直都在。

自己试一试

• 拿第一课或第二课里的一份草稿，运行提示词的第一步。先不要改写。
• 数一数有多少句话里带有名字、日期或数字，再标出一个都没有的那些句子。
• 从标出的句子里挑五句，手工改写，每句配上笔记里的一个事实，没有事实可加的就删掉。
• 带上你自己的写作样本运行第二步，把结果和你手工改的那份对照，留下读起来像你的那一份。

下一课：AI 检测器有用吗

凭肉眼找特征是一回事，检测程序是另一回事。AI 检测器有用吗？讲 OpenAI 撤下的分类器、关于误判的研究，以及水印。

常见问题

资料来源

1. Wikipedia: Signs of AI writing (2026年11月6日 查阅)https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing
2. GitHub: the humanizer skill (blader/humanizer) (2026年11月6日 查阅)https://github.com/blader/humanizer/blob/main/SKILL.md
3. Anthropic: AI Fluency key terminology cheat sheet (2026年11月6日 查阅)https://www-cdn.anthropic.com/4396730ed190e691a3712cf2fd6bfe35509deca2.pdf