图源：公众号「有三思 U Sense」 做个测试。读一下这段话： “熊猫是最可爱的动物，它最爱吃竹子，样子最憨态可掬，是世界上最珍贵的宝藏。” 如果你笑了，或者皱了眉，很明显，你的“鉴AI雷达”已经觉醒。 近期把网友笑到打鸣的“豆包体”里，“最”是高频词汇。大家纷纷晒出自己使用、调教AI，结果内容啼笑皆非的截图。这场围绕AI味写作的调侃就此出圈。 ● 网友@也许像星星发布的AI味吐槽突破 微博AI味相关话题浏览阅读量不小，小红书相关笔记动辄近万点赞。豆瓣、抖音、微信公众号，都能搜到不少相关内容。能引发社交媒体的集体吐槽，说明“AI味”已经人人皆可感知，大家都不傻。同时这也意味着，在工作中需要写文章的你，暂时不用担心AI会把你完全替代掉了。 ● 微博超话AI味相关的讨论 与AI味相对的是“人味”。如果说AI的造词遣句，是在语料投喂和人工交互反馈下生成的，那人味给人一种随机波动的感觉。比如，使人动容或会心一笑的句子、意料之外的妥帖比喻、未曾熟识的新奇词组搭配、诙谐讽刺的暗喻留白，甚至不合语法或有失偏颇的表达。 这种对AI味和人味的敏锐捕捉，直接催生了社交媒体上的一场“李逵捉鬼”运动。 「鉴AI」，网友比检测软件更认真 2026年，打工人和学生面临着这样的窘境：人类急着证明自己不是机器，而机器正在拼命模仿人类的话语习惯。略显荒诞的是，“AI检测工具”作为裁判，本身也是个半盲。 误伤正每天发生。 现在的情况是：只要过于结构严谨化的写作，都会让人怀疑有AI参与了写作。这种无妄之灾、相互怀疑、甚至需要“自证没有吃凉粉”的场景增添了写作的成本。一些人莫 名陷入了自证的困境。比如自己手敲了一下午的文案，仅仅因为用了两个破折号，就被评论区追着问 ： “这是AI写的吧？” ● @levelsio发布的“拉黑”破折号的推文 社交平台的机器误判案例随处可见。网民唐某某发布了一条关于打工与学车的感悟，结果被平台算法误判为未标注的AI生成内容，遭禁言一天的处罚。 文科生的职场里也展开着相同闹剧。有从事编剧行业的网友说：手敲了一下午的剧本 被以为是AI 。亦有学者谈到： 引用的作者原话竟然被判定为AI。 到底什么是真，什么是假？为了不过多地食用“AI泔水”，不被判定为AI创作，在小红书等社交平台上，网友们已经自发分享“鉴AI”攻略。 ● 网友发布的“野生”鉴定攻略 ● 网友发布的“野生”鉴定攻略 不过，即使是AI味，也散发着不同的气质风格。 ● 目前市场上最具代表性的主流模型“文风”一览 是什么让你的文章有AI味？ AI味可能是一种感觉，当然也可以是一组可以被辨识和描述的语言指纹（linguistic fingerprinting）。 维基百科的编辑团队为了过滤AI生成内容，专门整理了一份AI写作迹象清单，涵盖语气、结构、格式和引用等多个维度。 原文较长，我们简单说一些 常见场景 ： 过度拔高。 习惯性使用“历史性/关键时刻”、“高光/决定性”等通用表述，夸大平凡事物。案例就是将普通小镇描述为韧性的象征，将次要事件拔高为分水岭时刻。 否定式煽情句式。 AI写作是这样的：这不仅仅是一双跑鞋，而是对自律生活方式的承诺。但其实原义是：这双跑鞋重210克，鞋底有缓震胶，后跟带反光条。 虚假范围 (False Ranges)。 惯常句型是“从X到Y”。 而实际上X和Y没有太大关联，或者直接是硬凑合。 比如：从解决问题的工具，到科学发现的艺术表达。 RLHF是导致AI味浓烈的“元凶”。 这个技术用词指基于人类反馈的强化学习。你可以认为它是一种让AI通过人类打分，来学习正确答案的训练方法。 大致流程是让人工标注员对AI的不同回答进行打分，AI会学习向高分回答的风格靠拢。那些充满人味的“犹豫、矛盾、没有节奏“的内容，会因风险高、不标准被淘汰。主模型为通过奖励模型，就会一直优化学习，更新自己的回答策略。 如此一来，被认可过的词汇、写作结构会扩散到整个语言模型的运行中。 高频词多，AI味越浓，就更容易被人抓包了。 《去“AI味”不完全手册》 ——本攻略涵盖整个生成流程，根据实际自身需求选择步骤即可。 [动作一：注入肉身] 第一步，是给AI投喂偏好或本人的写作文本，让它拆解总结出写作特色，从而生成相似的文风。 提供多样化参考标准 收集至少3-5篇能代表你风格的原创文本（总计超过1500字效果更佳），内容覆盖多个场景，含说明性段落、议论性句子、口语化短句及带修辞的长句。 收集完后，整合成一份文档投喂给AI，让AI学习你的用词习惯、句式节奏、 书面语气、修辞风格、行文逻辑，之后AI就能复刻你的写作风格。 （一般使用，到这里就够了，如果有更高标准需求的，可以继续往下看。） 标注关键风格锚点 人工标记能显著提升模型对隐性风格要素的识别精度，尤其针对易被忽略的微观特征。 在文本中用【】标出你偏爱的3类表达：【高频过渡词】、【标志性句式】、【惯用比喻结构】； 另起一行列出3个绝对避免项：比如你不希望出现的，可以写为【禁用被动语态】、【不用“不是..……而是……”句式】、【不出现超过两个连续顿号】； 对每处标注附加简短说明。用【】书写，给文本里你认为有特点的用词、句式、习惯表达做标注。可以在每条标注后面，都加一句简短解释，说明这个表达代表了什么说话习惯、语气偏好、行文风格。 分阶段提示词引导训练 通过结构化提示词序列，逐步强化模型对风格维度的响应权重，避免一次性输入导致特征稀释。 以下提示词次可直接复制改写。 ① 首轮输入： 请严格模仿以下文本的节奏与词汇密度，复述下段内容：[粘贴第一篇样本] ② 次轮输入： 保持上一轮输出的句长分布与连接词频率，重写新主题：[你的新主题描述]； ③ 第三轮输入： 检查当前输出是否含【禁用被动语态】，若存在，请替换为对应主动结构并保持原意。 分对比反馈微调法 对比反馈，主要指的是利用人类的直觉去判断差异点，将主观感受转化为可操作修正指令，形成闭环优化。 具体操作是要求AI对同一主题生成三版不同风格倾向的初稿（A/B/C），不指定方向； 比对各版与你样本的匹配度，比如可以用颜色标记：绿色=高度一致，黄色=局部偏离，红色=风格冲突； 针对所有红色标记句，向模型发送指令（你自己设定的写作风格）。例：将此句按【标志性句式】重构，主语前置，动词紧随，结尾不加修饰副词。 [动作二：活用提示词] 你可以通过提示词的书写将要求、主题角色和场景设置细节化。绝大多数人写的提示词都是简单的命令式指令。这种指令下，AI会调取它数据库中最常见的模板语言来回应， 所以AI味是超标的。我们可以通过控制否定式禁词、调整长短句节奏、口语化模拟等多种方法来进行调整。 C.R.E.A.T.E框架 CREATE框架主要是通过清晰的角色场景设定，来进行内容风格的调适和确立。 角色设定（Character） 角色设定是提示词设计的基础，直接影响模型输出的专业性和针对性。你可以通过以下三要素定义角色边界。 ① 专业领域： 明确模型扮演的行业角色，如“资深金融分析师”； ② 经验年限： 量化专业能力积累，如“10年医疗数据建模经验”； ③ 核心能力 ： 限定输出风格，如“擅长撰写具有转化率的营销文案”。 示例： 低效提示词：帮我写产品介绍。 高效提示词：作为拥有8年经验的消费电子评测专家，请用专业术语撰写iPhone 15 Pro的深度评测，需包含芯片性能、影像系统、散热设计等模块。 明确需求（Request） 需求描述需遵循SMART原则，通过结构化表达确保模型准确理解任务边界： ① 目标对象： 明确输出受众，如“面向35-45岁中产家庭用户”； ② 核心指标： 量化输出要求，如“点击率提升20%的广告标题”； ③ 风格约束： 限定表达方式，如“采用知乎体专业科普风格”。 也可以使用JSON格式定义复杂需求： ● JSON格式示例 示例引导（Examples） 当需求涉及特定风格或格式时，提供2-3个优质示例可显著提升输出质量。示例选择可参考： ① 领域匹配： 示例与目标任务属于相同垂直领域； ② 风格一致： 保持句式结构、修辞手法等特征统一； ③ 质量分级： 包含基础示例和进阶示例展示能力边界。 示例应用 场景： 生成特定风格的诗歌时，可提供不同韵脚的古诗范例； 编写技术文档时，附上符合企业规范的Markdown格式示例； 设计对话系统时，展示多轮对话的上下文衔接示例。 动态修正（Adjustments） 模型内容输出存在偏差的问题，是常见现象。这个时候需要你建立实时修正机制。推荐采用「三明治修正法」。 ① 肯定部分： 明确认可有效输出。如“第三段的市场分析很专业”； ② 修正指令： 具体指出改进方向，如“请将用户痛点部分增加数据支撑”； ③ 格式约束： 限定修改范围，如“仅调整第二段的语言风格”。 修正prompt设计技巧： 使用「否定+肯定」结构减少歧义：不要使用专业术语，改用通俗易懂的表达； 引入优先级标记：重点优化产品优势部分，其他部分保持现状； 量化修正标准：将文案长度压缩至原版本的60%。 格式规范（Type of Output） 明确输出格式可提升后续处理效率，常见格式参考如下： ① 文档结构 ： 标题层级、段落分隔、列表格式等； ② 数据格式： CSV、JSON、XML等结构化数据； ③ 多媒体要求： 是否需要生成配套图表、代码块等。 格式控制示例： 请生成Markdown格式的技术白皮书，要求：包含# 标题、## 二级标题、### 三级标题，代码块使用```python语法高亮，每个技术点后附参考文献链接，最终输出字数控制在1500-2000字。 附加指令（Extras） 在原Prompt的基础上，用附加指令来精细化操作，可实现输出过程的深度控制。常用指令参考如下： ● 细化Prompt的附加指令一览表 高级指令组合示例： 在生成医疗建议时，请严格遵循WHO最新诊疗指南，对每条建议标注证据等级，使用通俗语言解释专业术语，最终输出需经医学专家审核确认。 Prompt弹药库 以下是部分通用类的Prompt，可以直接复制，也可以成为你训练AI的参考文本。 场景1：通用 · 口语化重写 提示词Prompt（可直接复制）： 帮我审核这段内容，用对话感强、友好又不随意的真人语气重写 全程用短句、简单词汇，删掉学术化表达、生硬过渡短语和企业官话 让内容读起来就像一个人在用自己的大白话和朋友聊天 保留核心观点，删掉所有多余的修饰。内容如下：[粘贴文本] 场景2：通用 · 人类痕迹（万能公式） 提示词Prompt（可直接复制）： 请按以下步骤重写文本： ①保留原文要点约60% ②加入至少1个口语化连接词 ③加入至少1个个人视角限定语 ④适当加入轻微冗余或倒装 场景3：通用 · 长句拆分+三明治结构 第一步：将以下文本中的长难句拆分为3-5个短句 第二步：用“三明治结构法”重组： 第一层大白话抛出观点 第二层硬核专业知识或数据，第三层个人视角批判分析。 原文：[粘贴原文] 场景4：学术论文 · 去套话+第一人称 重写以下论文段落，要求： 删除「随着…的发展」「近年来…」等套话开头，直接切入问题 用「本研究」「笔者发现」等第一人称限定语替代第三人称 在引用后加入个人分析短句（如“这一点在笔者实验中得到印证”） 原文：[粘贴原文] 场景5：学术论文 · 去除模糊表示 识别以下段落中的「相关研究表明」「有学者指出」「该技术能提高效率」等模糊表述 替换为具体的实验数据、年份、样本量、真实案例 无数据时标注「[需补充真实数据]」，不要编造 原文：[粘贴原文] [动作三：巧妙利用Skill] Skill可以理解为一个为AI准备的标准化作业程序。里面指令、脚本、资源、检查清单和异常处理机制都有。通常它是一个包含 skill.md等文件的文件夹。 可能你觉得反复调试、写作提示词很累，又或许你已经不满足于Prompt的书写，想要更精准或更强大的调整方式，那么你可以 调用起他人的智慧。毕竟众人拾柴火焰高。 这里存在一定的操作门槛，比较适合一些有更高要求的朋友，社交媒体很容易能找到部署安装方式。你可以去各大开源分享网站来获取Skill来强化AI。我们非常鼓励没有接触过的朋友们也尝试一下。 Skill挑选来源 官方Skill市场 (Directory)：在Claude网页版的Customize-skills页面，可以浏览和安装官方及社区精选的Skill。 社区工具网站：skills.sh网站是配合vercel-labs/skills工具使用的一个技能目录，你可以在这里按流行度、趋势来搜索和筛选。 GitHub 代码仓库：这是最主要的Skill来源。比如，Anthropic官方就开源了包含16个实用工具的Skills 库（如PDF处理、Skill创建器等）； 微软官方也提供了playwright-cli（极低token消耗的命令行工具）这样的专业Skill。很多个人开发者也会在GitHub上分享自己的作品。 Skill弹药库 Claude Code Skill GitHub用户blader把维基百科的24条规律做成了一个skill，装上之后，你只要说一句“humanize这段文字”，它就会自动扫描所有24种模式，然后帮你重写。 项目地址：https://github.com/blader/humanizer Humanize AI text 功能包括AI文本检测和文本人性化改写，通过识别并修正 AI 写作的典型特征（如机械话术、格式痕迹、引用漏洞等），让生成式AI文本具备人类写作的自然性，从而规避各类 AI 检测器的识别。 项目地址：https://pan.quark.cn/s/8f5ad062b58e#/list/share [动作四：人工检验] 为了掩盖机械感，AI会大量堆砌形容词和副词，导致文字看起来用力过猛。所以当看到过度华丽、对仗的段落文字时，就要注意，这些是否属于AI的手笔。此外，要警惕AI的推理论证。因为即使没有证据链，它也会杜撰。所以需要考虑，它给的论证思辨是正确的吗？具体事实案例符合规律吗？能否溯源查证？ 人工验证须知 以下三类内容无论看起来多么可信，在涉及到内容真实的时候，都必须逐条人工查证。 具体数据与统计：AI 极擅长编造看似合理的数字。如果没有在搜索结果中找到权威来源的原文佐证，应视为可疑。 引语与人物：模型可能让某人在从未发生过的场合说出从未说过的话。如2025年11月“治安违法记录封存争议”事件中，AI甚至显示一名人大代表之子有吸毒经历，经核实完全为虚构。 文献与引用：AI辅助科研中，参考文献出现错误的情况相当普遍，AI检索工具往往会“找出”与研究主题并无关系的论文 借用多种核实溯源手段 任何关键事实断言，都应在至少两个独立、可信的来源中得到佐证。这是新闻行业事实核查的铁律，同样适用于AI内容检验。 如果觉得太费心力，可以直接让AI进行二次查证。 这里要注意的是，AI可能生成虚假网站来“自证清白”。所以需要你谨慎地思考和求证。你可以使用多个AI来交叉验证，也可以使用很“old school”的方法，将AI生成的整个段落，特别是其中的核心数据或非常独特的描述，放进Google、百度等自然搜索，核对是否有相同的原文。 要求AI提供URL 在处理关键信息时，可以在初次提问时要求AI在引用处附上可直接访问的URL。输出后逐个点开链接验证内容是否与正在引用的部分一致。 对于有学术严谨性要求的朋友，面对一个看起来无可挑剔的高质量引用，尤其带DOI的文章时，可以先复制它的DOI码在doi.org上验证。 通过对话多轮追问AI 在你与它的对话中直接操作。 你可以反向提问寻求佐证，比如直接要求它提供三个反对理由，来检验论点。或者要求它为结论寻找更多来源支持，看看不同来源的说法是否一致。你也可以直接问它，针对[某条信息]，你的依据是来自训练数据还是实时联网检索？ 二次验证工具弹药库 以下提供工具网站来帮助你进行二次验证核查。 图源：公众号「有三思 U Sense」 最后，我们还是想多说一句：AI的定位是人类的工具，它对个人的最大意义，就是能够在检索和处理信息上提供高效能和高便利性，让你的注意力资源能集中在更有创造力的事情上。 驱使它，释放想法，不被AI生成内容淹没表达的自由和创意……在这场有关AI味的“无间道”识别战中，这才是最重要的行事原则。 参考文章： 1. Hamsa Bastani (University of Pennsylvania): “Unpacking the Unintended Consequences of AI in Education” 2. Your Brain on ChatGPT： Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task 3. Perspective Chapter: Toward a Quantitative Framework for Evaluating AI-Generated Creativity – A Linguistic and Computational Analysis of Language Model Outputs 4. Mediahuis suspends former Irish boss Peter Vandermeersch over use of AI 5. Baringa study explores shifting US consumer preferences around the consumption of AI-generated content 6. Common AI writing footprints that trigger detectors — and how to remove them 7. 融社区管理：去除AI痕迹，只需要这6步 8. Diverse and high-quality text generation assisted by large language models 9. CSDN：大模型效率提升指南：Prompt工程全攻略与15+框架应用 本文来自微信公众号“有三思 U Sense”，作者：蒋雨恬，36氪经授权发布。