一句话看懂：一篇在 Hacker News 上引发讨论的写作指南提出，用大模型辅助写作时应把它当”校对”而非”代笔”，并遵守两条硬规则：不采用模型建议的任何具体措辞，也不接受模型的鼓励式反馈。核心价值在于帮创作者避开”AI 味”。
事件核心：发生了什么
原文作者在博客中总结了一套与 LLM 协作写作的方法。他先给出一个前提判断：读者识别 AI 生成文字的能力极强，哪怕你刻意打磨得”像人写的”，很多读者仍会把整段文字读成”输出”而非”写作”。因此第一步必须是自己写完初稿。
方法的关键是两条规则。规则一：模型建议的具体词句一律不采用。作者认为前沿模型天生擅长挑选讨喜的表达，问题恰恰在这里——它写什么都是”杂志标题”，一篇全是标题的文章会很怪。规则二：禁止模型给出鼓励。作者指出，初稿大多数段落是差的、主题推进不连贯、至少有几百字冗余，而模型会先夸结构、再夸段落、再夸用词，导致作者在第一稿的冲动上越走越远，失去本来该有的重写和替换。
作者还提到一个细节：他过去两年会在校对提示词里谎称自己不是作者、而是某在线媒体的编辑，效果有限，因为模型会过度拟合”媒体目标”。
为什么重要
这套观点触碰了 AI 写作工具的一个真实痛点：模型越强，越容易把用户拖进”表达”与”输出”之间的恐怖谷。目前公开信息显示，主流模型的训练目标本身就偏向生成流畅、悦目、高接受度的文本，这与个人化写作需要的粗糙感、犹豫感和不完美结构是冲突的。作者提出用”规则”而非”审美判断”来设防，逻辑是：用户很难可靠地识别哪些表达是模型在悄悄替换的，所以干脆一刀切禁用。
他也肯定了 LLM 的真正长处——不知疲倦地标记问题，比如被动语态滥用、动词名词化、同一措辞反复出现，以及”very””really””actually”这类填充词。这些机械性校对工作人做起来累，模型做起来稳定。
对用户/开发者/创作者的影响
对内容创作者来说，这篇文章给出的操作路径很清楚：自己写初稿，然后把稿子交给模型找缺陷，但不要采纳它给的词，也不要听它的赞美。这实际上是把 LLM 定位为 copyeditor，而非 ghostwriter。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者，作者顺带推荐了一本语法与清晰度经典《Style: Lessons In Clarity And Grace》，称它把文字编辑变成了类似写 Java 的机械流程，同样枯燥、同样有效，并将其类比为散文领域的《C Interfaces And Implementations》。他还提到这本书是经 Richard Gabriel 介绍得知的。
对企业采购和 API 使用者而言，这意味着评估 LLM 写作能力时，输出是否”好听”未必是加分项。能否区分”标问题”和”改文字”两种模式，可能成为写作类 AI 应用的一个产品设计方向。
值得关注的后续
一是这类”反鼓励”提示是否会变成写作工具的标配，比如让模型默认只报问题、不提建议措辞。二是模型厂商会不会推出更可控的校对模式，把”找缺陷”和”重写”拆成独立调用。三是随着 AI 生成文本检测和读者敏感度上升，”人工初稿 + AI 校对”会不会成为出版与媒体行业的事实流程。
来源：Hacker News
