a16z Crypto 作者 Steph Zinn 认为，讨论 AI 写作时，人们常默认两件事：机器生成的文字可以靠一组固定破绽识别，而且只要带有这些破绽，文字就一定写得差。她的判断是，这两点都站不住脚。比起追着「AI 味」跑，更直接的问题是：一篇文字到底有没有完成它的工作。
这篇文章由 TechFlow 编译发布，重点不在「如何揪出 AI」，而是帮助创始人和写作者判断，哪些写作习惯会妨碍表达，哪些场景里又不必为了避嫌而一概删掉。
修辞问题：句子看起来像句子，却可能没有实际含义
Zinn 把一种常见现象描述为，编辑时会遇到某些读起来还不错、却总觉得哪里不对劲的句子。反复调整后才发现，问题不在用词顺序，而在它从一开始就没有明确含义。这类文字往往很顺，甚至比周围句子更像「成品」，但并不推动论述。
她引用了 Fable 一段关于标点风格的自我剖析作为现成例子：「人类的标点是有身体的，它会坐立不安；我的标点则一律刻意，而刻意的整齐本身就是节奏。」在她看来，这类腔调很容易让人下意识认定「不可能是人写的」。但她同时强调，身为编辑、代笔作者和长期奇幻小说读者，她很清楚，人类在没有 AI 的情况下也经常会写出类似句子。
更难处理的是那些并不夸张、也不奇怪的空洞表达。比如「真正重要的事正在发生」「这事关重大」「其影响是深远的」。这些短语看起来没有语病，却很难转述成更具体的信息。Zinn 认为，AI 会大量生成这种内容，是因为它们是「看似合理但语义空洞」的衔接材料。
在 AI 写作大规模出现之前，这类表达就已经有名字，叫「公司腔」。她列举的例子包括「我们很高兴地宣布……」「我们正处于拐点」「这是我们旅程的下一章」。这些措辞听起来郑重，但经常没有经得起复述的具体指向。
她不同意把这种文字简单归类为「懒惰」或「不用心」。在她看来，更多时候这是初稿语言：那些最先浮到脑海表面的现成短语、惯用句式，本来就最容易写下来。问题不在于初稿里出现它们，而在于最后停在这里不再往前改。
她给出的处理办法与是否使用过 AI 无关：如果一个句子让人感觉不对，出现了常见套语、读完仍难立刻明白意思，或者只是整体气质不对，那就重排、改写，试着换一种更清楚的说法。如果改写后更清楚，就保留新版本；如果这句话归根结底只是在说「某种东西存在」或「事情在变化」，那就删掉，再看文章能否成立。
她点出的修辞破绽
- 天然风味的深刻。 比如「真正重要的事正在发生」「风险再高不过了」，听上去分量很重，实际更像填充物。
- 空洞的对比。 「这不只是关于 X——而是关于 Y」，但 Y 比 X 还模糊。只有在对比非常清楚时，这种句式才偶尔有用。
- 回避性措辞。 比如「在很多方面」「在某种程度上」「可以说」。这些表述让句子更不容易出错。她也指出，在金融或医疗等行业，有些回避措辞是合规所需的「承重」部件。
- 过度对仗。 项目符号和句式镜像得过于整齐，每一条都同样长、同样的语法形状。这是常见 AI 破绽，也会让文章很无聊。
- 总结式短语。 比如「说到底」「尘埃落定之后」。删掉后，段落往往并不会失去任何实际内容。
她对这类问题的态度很明确：几乎总该编辑掉。因为无意义、含混的套话，是最优先该清理的写作陷阱。至于 LLM 能做什么，她的使用方向主要有两类提示词：一类让文字更具体，另一类让文字更直白。她的目标是减少技术行话，提高信息密度和可读性，如果模型有助于做到这一点，就值得用。
她还给出几种进一步清除填充语言的方法，包括：为自己制定一份粗略风格指南，用正反例定义什么是好写作；让 AI 帮忙做「转述测试」，把原文改写成「无聊版」来暴露空泛表达；或者直接要求 LLM 用六年级水平重写，用这种笨办法压低散文里的装饰成分。
嗓音问题：默认 AI 写作只动用了几百个词
Zinn 认为，比起死盯某个热词是不是 AI 标志，更有效的标准是「可替代性」：一句话能不能原封不动从你的文章里抽走，放进另一篇完全不同主题的文章里，而没人察觉。如果可以，这句子大概率不够属于你。
她提到，过去一段时间，人们确实会跟踪一些被认为带有 AI 痕迹的低摩擦词汇。研究者注意到，「delve」一词在 2022 年 ChatGPT 推出后，在学术论文摘要里显著增多，随后出现过一批禁用词清单，例如 tapestry、testament、underscore，后来又有 load-bearing、scaffolding、broader 等。
不过她关心的重点不只是识别，而是写作者为什么该在意用词。她写道，对创办或经营公司的人来说，这尤其重要，因为越来越多营销依赖人格魅力。最好的创始人写作通常是个人化、可辨认且有表达欲的。她举例说，人们很容易想象 Brian Armstrong 的文风是精悍、真诚、不反讽，Vitalik Buterin 的文风是技术化、发散、密集，Chris Dixon 的文风则偏克制和哲理。
她因此提醒，使用 LLM 时，不要把个性直接交给模型。个人的词汇选择，连同其中并不完美的部分，都会形成一种机器无法复制的质感。
她也承认，关于如何找到恰当词语，真正可操作的建议并不多。很多时候，这不是技术上的精确，而更像对氛围和情感的校准。她提到，连 E.B. White 也承认，没人真能完整解释，为什么有些词会点燃读者，有些不会。
她的建议是，从梳理「你喜欢的文字到底好在哪里」开始。学一个新词，或者在新语境里使用旧词；让用词服务于你想唤起的氛围。她举例说，解释晦涩事物时，可以选更短、更简单的词；如果想让读者嗅到麻烦，用 scheme 就比用 plan 更贴切。
她点出的嗓音破绽
- 泛泛的温情。 例如「好问题！」这种像客服留言一样的友善语气。
- 可循环套用的句式。 比如「一个有用的思考方式是」「核心观点是」「这可以理解为」，低风险、可移植，放哪篇文章都不突兀。
- 低摩擦词汇。 所有词都显得刚刚好，却好得过于标准化。
- 抽象名词堆积。 如「效率」「复杂性」「社会」「沟通」「创新」这类词，属于远早于 ChatGPT 就存在的含混写法。
- 乏味的动感词。 如「导航」「利用」「解锁」「培育」「塑造」「提升」「精简」等，像在描述动作，实际常常没有具体落点。
- 某物的灯塔。 例如「是……的明证」「是……的灯塔」「提醒我们……」。
- 含糊指代。 如「格局」「场域」「旅程」「生态」「挂毯」，指向对象附近，却不直接点名。
- 模糊强化词。 比如「非常重要」「重大影响」「关键作用」，如果没有具体内容支撑，就容易发空。
她对这类问题的处理并非绝对。大多数时候应当编辑，但也有场景适合保留「Alexa 嗓音」。她列出的场景包括支持文档、错误提示、服务条款、安全须知，以及面向大量陌生人的公开道歉。在这些地方，个性本身会制造摩擦，标准化和去人格化反而是一种效率。
她给出的实操建议主要围绕检测而不是代写：可以用 AI 检测器或任意 LLM 标出草稿中过于通用的词和短语，再据此修改；也可以对任何一句话做「移植测试」，如果陌生人也能认领它，就考虑改写。她还举了一个例子：把「以太坊生态正在扩张」改得更具体，可以写成「开发者正在以太坊周边构建更多钱包、交易所和借贷市场」。
她还提到，越来越多人把语音笔记喂给 LLM，把想法落到纸面。她认为，这种方式被低估的一点是，它能暴露出个人嗓音里的怪癖和特征。不过她也强调，生成结果必须编辑，不存在一杆进洞。
结构问题：形式很多，但不一定真的服务内容
在 Zinn 看来，让 AI 自行发挥时，常见结果是「结构过剩」：H2 太多、清单太多、段落切得很碎，几乎像诗歌一样一行一断。但她并不把这一点视为全然负面，因为人类本来也在长期借用熟悉、顺手、容易阅读的结构模板。
她提到，人们习惯把想法分成三点，因为「三」给人完整感；也会加入「第一」「换言之」之类路标，帮助读者快速定位；还会做出小而整齐的分类，方便浏览。很多人从学生时代就学过一种类似「汉堡」的逻辑：先告诉读者要讲什么，再分块证明，最后复述一次收尾。这套方法在组织论证时确实有用，因为它逼着作者澄清论点、搜集证据、把思路排成可读的形状。
问题出在，默认结构有时会反过来挤压内容，把本来不该这么讲的想法硬塞进固定格式。她把结构定义为一组决策：选什么容器、哪些信息最重要、哪些内容该放在一起、章节名称怎么定。这些决策是否正确，要看文章究竟要完成什么工作。
她给出几种不同文本对应的需求：叙事散文需要「发现」和「张力」带着读者往前走；产品发布需要极高效率，在读者滑动页面时抓住注意力；科普文章则需要一种层层递进、在已学概念上继续叠加的顺序。
她建议，最好在开写前就问自己：对于这个想法，什么格式最合适。然后去借鉴已经奏效的同类文章。如果写议论文，就研究其他作者怎么组织评论；如果写技术科普，就拆解一篇自己读过的优秀科普，看看作者如何安排信息。有了模板，再把它移植到自己的内容里。
她点出的结构破绽
- 过度组织。 子标题、项目符号、编号段落和各种迷你框架堆得太多。
- 总是凑三点。 她并不反对三分法，但反对为了三而硬凑第三项。
- 熟悉到发旧的文章形状。 宽泛引言、解释、例子、提醒、结论，像默认模板一样机械展开。
- 套路式开头。 例如「在当今快速变化的世界里……」。
- 过多路标。 「第一」「接下来」「最后」「总之」「下面是拆解」「我们来拆解这个」。
- 生硬转折。 比如「要理解为什么这很重要，我们先得看……」。
- 章节预告。 例如「有三个关键原因……」。
- 项目符号清单本身。 她指出，AI 检测器经常不公平地标记清单，但清单确实有用；只是一种很典型的写法，是先用加粗引导语再带出项目符号。
- 短促碎片句。 常见于戏剧化的 LinkedIn 帖子。短。强。经常三连。
- 以复述收尾。 结尾只是把前文换句话再讲一遍，没有延伸。
- 说教式结尾。 用一句关于进步、未来或「我们能学到什么」的模糊话收束。
她认为，不适合特定文体的小标题通常该删，尤其是评论、个人叙事，以及依赖嗓音和节奏推进的文章。如果章节本身不够扎实，或者结构稀释、改变了原意，也应当调整。她还特别提到那种「不言自明的结构」路标，比如「三个原因」，很多时候只是凑字数。
不过，结构当然也有适合拥抱的时候。比如评论文章本来就有相对清晰的论证轨道；清单体、科普、操作指南这类文本，本来就期待标题和子标题；当一个想法确实天然分成三点时，三分法照样有效。她还指出，为 LLM 和搜索引擎做优化时，结构清晰的信息会得到奖励。对于文档、指南、FAQ 这类供人反复查阅的参考内容，以及面向扫读型读者的内容，标题也能像目录一样，帮助读者在极短时间内决定留还是走。
在具体操作上，她建议，如果你确实想要更多组织，可以直接让模型帮助重组；如果不想要默认那套结构，就要明确告诉 LLM，你的结构是为了制造悬念、还是为了方便扫读。也可以给它一篇同体裁、你喜欢的文章，让它先分析那篇论证如何运作，再据此重构你的稿子。另一种办法是，贴一篇已发表的同类文章，让模型先做一个「逆向大纲」，描述每个段落在起什么作用，然后拿这个骨架起草。
即便最后模型没给出可直接采用的结果，她认为，仅仅为了「组织和呈现一个想法」而多走这一步思考，通常也会有回报。
标点问题：破折号并不是原罪
文章最后一部分聚焦标点，尤其是近来频繁被视作 AI 破绽的破折号。Zinn 写道，破折号一直都颇具争议。Strunk 与 White 总体上主张克制使用，只在更常见的标点不够用时再上破折号。但她也指出，破折号有一种轻松、对话式的语感，这是别的标点不容易替代的。
她承认，破折号会打断句子，把另一层信息塞进中间，这确实可能分散注意力，所以常被视为高效写作的敌人。可一旦它被贴上低质写作标签，又会迅速变成最容易被禁掉的目标。
她的立场是，AI 是否偏爱破折号，并不重要。因为在某些场景里，本来就该用它。至少在隔开较长插入信息，或者表现思绪与情绪突然转向时，破折号可能就是最合适的选择。她甚至提到，恐怖小说作家 R.L. Stine 也很推崇这一点。
她写得很直白：Shift + Option + 破折号（macOS）是人类那种麻烦、走神、容易跑题的孩子，她不会抛弃它。有时候没有别的标点比破折号更合适，所以不该让当下的「AI 写作风气」左右标点选择，尤其因为任何风气都会变。
她还指出，眼下人们忙着躲避破折号，AI 自己则开始用冒号绕开它们。既然没有哪个标点绝对安全，不如就用最适合自己写作的那个。她给出的短答案是：最正确、最不打扰读者的那个。至于牛津逗号要不要保留这类争论，本来就常常和风格偏好纠缠在一起，与其追求完美，不如确保标点能支撑意思，不惹怒读者。
另一类要警惕的问题不是某个符号本身，而是单一化。她提醒，如果所有句子看起来和听起来都一样，也会很累。LLM 常生成一串由冒号引出的连续清单；同样，若多句都被破折号频繁打断，不论谁写，都会把重点冲散。
她提供的一个判断方法很简单：把文字读出声，把标点当成舞台提示。凡是听起来不自然的地方，读者大概率也会察觉。
她点出的标点破绽
- 冒号密集句式。 比如「问题是：」「结果是：」「关键点是：」，尤其当冒号后面跟着杂货清单式内容时。
- 破折号扎堆。 问题不在破折号本身，而在密度，尤其是与清单和插话叠在一起时。她写道，一句话里并没有硬性的数量上限，但最好不要超过两个。
- 不严肃的括号。 例如「像这个」，通常带有自我觉察或玩笑语气，而破折号承载的则是限制性语域。
- 表演性的分号。 她引用 Kurt Vonnegut 对分号的尖锐评价，同时也承认分号有正当用法，只是这类场景并不常见。
她的编辑标准依旧落在功能上：当标点重复、分散注意力，或者通不过朗读测试时，就该改；当它们真正奏效时，就用。标点的目标是语法正确，而且在读者眼里尽可能接近隐形。
她也提醒，不要执着于「某个标点会不会让你显得像 AI」。如果必须用破折号、冒号，或者任何出现在禁用清单上的符号，那就用。相比让模型粗暴删除全部破折号，更好的办法是要求它默认使用句号和逗号，只在语法需要时才使用「特殊」标点。她还建议，把自己的写作样本或者自己欣赏的作品喂给 LLM，以建立一种「标点指纹」，估算某个符号在你文本中的使用频率。
与其抓 AI，不如看文章是否完成任务
Zinn 在文章结尾说，随着更多人使用这些工具，持续追问「某个文本是不是机器生成」这件事，正变得越来越没有意义。答案几乎总会是「在某种程度上是」。她同时强调，恶劣的 AI 写作案例仍然需要被揭露，无论是按照人类自己的标准，还是借助「人格证明」（Proof of Person）这类技术。她举出的场景包括：要求披露时、署名者本人就是作品意义的一部分时，或者一个人假装成一千个人时。
但对几乎其余所有文本，她建议把问题换回那个一直都在的问题：这篇文字有没有完成它的工作。
在她看来，AI 帮助人们把原本不会被写下的想法表达并发布出来，也能节省组织和研究的时间，甚至可能帮助人变成更好的作者。把「表达自己的能力」一概贬成「尴尬」或「低质」，并不公平。只要文章按预期发挥作用，过程中有哪一部分显出机器辅助痕迹，未必真的那么重要。
她最后又追问了一层：当人们焦虑自己的写作会不会被看出有 AI 辅助时，为什么会对 LLM 产生这种程度的敬畏，甚至愿意放弃整整一种标点——一种从印刷术早期就已经存在的发明——只为了不显得自己受过机器帮助。她认为，这是一种荒谬的让步，尤其是在这些工具已经被高频使用、而且还会继续被频繁使用的情况下。
文章致谢部分提到，a16z crypto 编辑团队 Tim Sullivan、Robert Hackett、Sonal Chokshi 为本文提供了反馈；同时，多年来无数次编辑与讨论也共同塑造了这篇文章。
