a16z Crypto 作者 Steph Zinn 在一篇关于写作的长文中提出，人们谈论 AI 写作时，常会默认两件事：机器生成的文字可以靠一组固定「破绽」识别出来，而且只要带有这些特征，文字质量就一定差。她认为，这两条都站不住脚。
这篇文章的重点，不是教人「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有效表达，又该在什么场景下克制，什么场景下保留。
修辞问题：读起来顺，但可能没有实际含义
Zinn 先从修辞层面谈起。她写道，编辑工作里一种常见体验是，看到一句读起来还算顺的句子，却总觉得哪里不对。反复调整之后，才发现这句话从一开始就没有明确含义，最后只能删掉。
她引用了 Fable 一段关于标点风格的自我剖析：「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，这类句子常被人视为「绝不可能出自人类之手」，但事实并非如此。作为编辑、代笔作者和长期奇幻小说读者，她认为，人类在没有 AI 的情况下，也经常写出类似文字。
她区分了几种更难察觉的情况。与连续三句都写成清单、或频繁使用破折号这类较显眼的特征不同，一些问题句子表面上只是普通句子，甚至比周围文字更顺。例如「真正重要的事正在发生」「这事关重大」「其影响是深远的」。
她认为，AI 会批量生成这类短语，因为它们属于「看似合理但语义空洞」的衔接材料。在 AI 写作流行之前，这类平淡、缺乏指向性的表达，本来就常被归入「公司腔」。像「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」这类表达，看上去很有分量，实际往往缺少可被复述的具体内容。
Zinn 提到，有些编辑会把这种文字简单归为「懒惰」或「不用心」，她认为这种判断并不厚道。很多时候，这更像是写作中的初稿语言：脑海里最先浮现的，是那些最通用、最容易拿来就用的短语。问题不在于它们出现在初稿里，而在于作者不该停在这里。
她给出的处理方法与是否使用过 AI 无关：如果一句话让人觉得不对劲，或者使用了空泛句式、无法立刻理解其意思，或只是「气质不对」，就重新编排，换一种说法再试。若改写后更清楚，就保留更好的版本；如果它归根结底只是在说「有些东西存在」或「事情在变化」，那就删掉，看看文章是否仍然成立。
她列出的一组常见修辞破绽
- 天然风味的深刻：如「真正重要的事正在发生」「风险再高不过了」，听上去重要，实际只是填充。
- 空洞的对比：如「这不只是关于 X——而是关于 Y」，但 Y 比 X 更模糊。她建议在保留前先试着删掉前半句，看是否能更快进入重点。
- 回避性措辞：如「在很多方面」「在某种程度上」「可以说」。这些表达的作用，往往是让一句话尽量不出错。她也指出，在金融、医疗等行业，这类措辞有时出于合规需要，属于必要的软化表达。
- 过度对仗：项目符号和句式整齐到几乎镜像，语法形状和长度都一样。她认为这既是 AI 常见破绽，也会让文章很无聊。
- 总结式短语：如「说到底」「尘埃落定之后」，删掉往往不影响段落本身。
在这一部分的态度上，她给出的结论很直接：这类无意义空话，几乎总要编辑掉；几乎没有必要主动保留。她平时会反复使用两类提示来改稿，一类让文字更具体，一类让文字更直白。目标是减少多余术语，让信息密度更高，也更易读。如果 LLM 能帮助实现这一点，她认为没问题。
她还给出几条具体做法，包括制定一份粗略风格指南，用正反例定义什么是自己认可的好写作；用 AI 帮忙做「转述测试」，写出原句的「无聊版」；以及让 LLM 以六年级阅读水平改写，用来压缩散文中的填充语言。
嗓音问题：默认 AI 写作只用了很小一部分词汇
在嗓音层面，Zinn 把一种常见 AI 文风称为「Alexa 嗓音」。她写道，英语大约有 100 万个单词，但默认 AI 写作听上去像只动用了其中约 400 个。她认为，比起盯着某个热词是不是 AI 标志，更有用的判断标准是「可替代性」：一句话能不能被原封不动地从你的文章里抽走，放进另一篇完全不同主题的文章中，而不被察觉。
她提到，此前研究者注意到，「delve」一词在 2022 年 ChatGPT 推出后于学术论文摘要中激增，之后又出现多轮禁用词清单，包括 tapestry、testament、underscore，以及较近一些的 load-bearing、scaffolding、broader。
她同时强调，讲究用词并不只是文学作者的事。对创办或经营公司的人来说，这同样重要，因为越来越多的营销依赖人格魅力。她举例称，人们很容易想象 Brian Armstrong、Vitalik Buterin 和 Chris Dixon 各自的写作风格：前者精悍、真诚、不反讽；后者技术性强、发散且密集；再者则更克制，也更偏哲理。
她的核心提醒是，不要在使用 LLM 时把个性一并交出去。作者自己的用词选择及其瑕疵，本身就构成了机器难以复制的质感。
至于怎么找到合适的词，她认为真正可操作的建议其实不多。很多时候，这更像一种氛围和情感上的精确，而不是技术层面的精确。她还提到，E.B. White 也承认，很难说清为什么有些词会点燃读者，有些则不会。
她给出的起点是，先列出自己喜欢的文字到底好在哪里，学习一个新词，或者把旧词放进新语境里；让用词与想要唤起的氛围匹配。她举例说，解释晦涩事物时，可以使用短小、简单的词；如果希望读者闻到麻烦的味道，可以选 scheme，而不是 plan。
她列出的常见嗓音破绽
- 泛泛的温情：如「好问题！」这类像客服留言一样的友好。
- 可循环套用的句式：如「一个有用的思考方式是」「核心观点是」「这可以理解为」，放到别的文章里也成立。
- 低摩擦词汇：每个词都过于妥帖，像是专门为了不冒风险而选。
- 抽象名词：如「效率」「复杂性」「社会」「沟通」「创新」等，容易陷入「说了等于没说」。
- 乏味的动感词：如「导航」「利用」「解锁」「培育」「塑造」「提升」「精简」等，表示动作，却没有真正的力量。
- 某物的灯塔：如「是……的明证」「是……的灯塔」「提醒我们……」。
- 含糊词：如「格局」「场域」「旅程」「生态」「挂毯」，指向事物附近，而不直接点名。
- 模糊的强化词：如「非常重要」「重大影响」「关键作用」，尤其在没有具体内容支撑时。
她的建议是，大多数情况下，这些问题都值得改。也有例外。比如当写作目标本来就是做成没有摩擦的标准文本时，例如支持文档、错误提示、服务条款、安全须知，或面向大量陌生人的正式道歉，个性本身可能就是阻碍，此时「Alexa 嗓音」反而是一种更稳妥的选择。
就工具使用来说，她更建议把 LLM 用在「检测」而非直接写作。她认为，模型很擅长找出行话、公司腔和其他常见于 AI 写作的词汇。作者可以让 AI 检测草稿中最通用的词和短语，再据此修改；也可以对一句话做「移植测试」，如果陌生人也能认领这句话，就考虑重写。
她举例说，「以太坊生态正在扩张」可以更具体地写成「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 帮忙落稿，这种方式的一个好处，是能保留说话者自身的一些习惯与怪癖，不过生成结果仍然必须编辑，不存在一次成稿。
结构问题：形式很满，不一定真的有用
在结构层面，Zinn 认为，AI 自由生成时往往会出现「结构过剩」：H2 太多、清单太多、段落断得很碎，像诗一样。但她也指出，这不完全是坏事，因为人类写作者本来也长期依赖一套熟悉且舒适的结构库存。
她提到，人们习惯把想法拆成三点，因为「三」让人感觉完整；也常加上「第一」「换言之」这类路标，让读者立刻知道自己读到哪里；还会建出整齐的小分类，因为它们更容易扫读。
她回顾了很多人在学生时代接受过的「汉堡」写作训练：先告诉读者要说什么，再分几块讲清楚，最后复述一遍作结。她认为，这套方法在构建论证时确实有价值，因为它逼着作者明确论点、补足证据、把思路排成可读的形状。
问题在于，预设结构有时会反过来压迫作者，把想法硬塞进并不适合的容器。她把结构定义为一组决策：用什么容器，哪些信息最重要，哪些该放在一起，又该如何命名。正确与否，要看文本想完成什么工作。比如叙事散文需要发现感和张力来推动读者，产品发布公告要极度高效，科普文章则更适合按认知阶梯逐步累加概念。
她建议作者在写作任何阶段都可以追问，最好是一开始就问：「对我这个想法而言，最好的格式是什么？」随后借鉴已经有效的写法。如果是议论文，就去研究其他作者如何组织评论；如果是技术科普，就选一篇自己读过的优秀科普，拆开看它如何组织信息。有了模板，再把它套用到自己的内容上。
她列出的常见结构破绽
- 过度组织：子标题、项目符号、编号段落或迷你框架过多。
- 总是凑三点：三分法本身没有错，问题在于为凑三点而扭曲内容，或硬补第三项。
- 熟悉的文章形状：宽泛引言、解释、例子、提醒、结论，整篇文章像套模板。
- 套路式开头：如「在当今快速变化的世界里……」。
- 过多路标：如「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：如「要理解为什么这很重要，我们先得看……」。
- 章节预告：如「有三个关键原因……」。
- 项目符号清单：她指出，AI 检测器常常不公平地标记清单，但清单本身很有用；更典型的动作，是用加粗引导语带出项目符号。
- 短促碎片：常见于一些戏剧化的 LinkedIn 帖子。短。用力。往往三连。
- 以复述收尾：结论只是把全文换一种方式再说一遍。
- 说教式结尾：最后用一句关于进步、未来或「我们能学到什么」的模糊话作收束。
她认为，不适合当前文体的小标题通常都应删掉，尤其是评论、个人叙事，以及依赖嗓音和节奏推进的文章；当章节本身不够独立，或结构改变了原意，也应该调整。对于那种「三个原因」「以下几点」这类不言自明的结构路标，她建议删掉那些只是用来占位的部分。
但她并不反对结构本身。她认为，在评论、清单体、科普、操作指南，以及读者原本就期待有标题与子标题的体裁中，清晰结构仍然有用。想法确实天然分成三点时，三分法也没问题。她还指出，面向 LLM 和搜索引擎优化时，结构良好的信息通常会得到奖励；而文档、指南、FAQ 等会被反复查阅的内容，本来也更适合让读者浏览和扫描。
如果确实要借助模型改善组织，她建议先告诉 LLM，你希望结构替读者完成什么工作，是制造悬念，还是提高可扫读性；或者给它一篇同体裁、自己喜欢的文章，让它先分析论证是如何运作的，再来重构自己的稿子。还可以把一篇已发表文章交给 LLM，让它做「逆向大纲」，逐段描述各自承担的作用，再以此作为骨架起草。
标点问题：破折号未必要为“像 AI”让路
在标点部分，Zinn 把破折号称为如今最典型的 AI 破绽之一，但她并不认同因此就该回避它。她提到，Strunk 与 White 总体建议克制使用破折号，只有在更常见的标点不够用时才启用；但破折号本身带有一种轻松、接近对话的语感，这是其他标点很难替代的。
她承认，破折号常被视为高效写作的敌人，因为在句子中插入整段补充信息，确实会打断推进。但一旦它被贴上低质量写作标志，问题就变成了作者为了避嫌而机械不用。
她的看法是，标点本来就依赖具体规则和风格指南。AI 是否偏爱破折号并不重要，因为有些场景下，本来就该用它。至少在隔开较长插入信息，或者表现思路、情绪突然转向时，破折号仍然是合适选择。她还提到，恐怖作家 R.L. Stine 也高度推崇这种用法。
她直接表态，自己不会因为当下这股「AI 写作风气」而放弃破折号。既然所有风气都会变化，作者不该为了避免看起来像机器辅助，就把原本适合文章的标点丢掉。她甚至调侃说，如今人们拼命避开破折号，AI 自己却开始改用冒号，那是不是接下来还要靠「疑叹号」来证明自己像人类。
在她看来，判断哪种标点最适合一篇文章，简短标准就是：最正确、最不打扰读者。至于更细的规则，比如牛津逗号与否，会因品味和风格而不同，未必要追求绝对统一，关键是让标点支撑意思，而不是惹恼读者。
她同时提醒，另一个需要注意的标点问题是「千篇一律」。如果所有句子看上去、听上去都一样，也会暴露机械感。她举例说，LLM 常写出连续以冒号起头的清单句式，读多了会让人疲惫；多个被破折号打断的句子，无论出自谁手，也会分散重点。她建议做一个简单测试：把文章读出声，把标点当作舞台提示。凡是听上去不自然的地方，读者大概率也会察觉。
她列出的常见标点破绽
- 冒号密集的句式：如「问题是：」「结果是：」「关键点是：」，尤其是后面接一长串杂货清单。
- 破折号扎堆：问题不在破折号本身，而在密度，尤其与清单和插话连用时。她写道，一句话里并没有硬性数量上限，但不要超过两个。
- 不严肃的括号：如带有自我觉察或玩笑语气的括注，而整篇文章其实并不适合这种语域。
- 表演性的分号：她提到 Kurt Vonnegut 对分号的刻薄评价，但也承认分号有正当用途，只是现实中这些场景并不常见。
她在这一部分的建议是，不必过度担心某个标点会不会让你显得像 AI。真正应该修改的，是那些重复、分心，或者通不过朗读测试的地方。如果必须借助模型处理标点，她不建议直接要求「删掉所有破折号」，因为模型往往只是换别的符号，却保留同样的底层句式。更好的做法，是要求它默认使用句号和逗号，只在语法要求时才调用「特殊」标点；同时，用自己的文字或欣赏的样本文字，帮助 LLM 建立一套更接近作者本人的「标点指纹」。
与其追问是否机器生成，不如看文字是否完成任务
文章最后，Zinn 把讨论重新拉回一个更基础的问题：随着越来越多人使用这些工具，不断追问一篇文字是否由机器生成，正在变得越来越没有意义。她写道，答案几乎总会是「在某种程度上」。
她也承认，恶劣的 AI 写作案例仍然需要被揭露，无论是依据人的判断，还是借助「人格证明」（Proof of Person）技术。她给出的场景包括：当披露是被要求的；当署名者本人就是全部意义所在；或者当一个人伪装成一千个人时。
除此之外，在更多情况下，她认为更值得问的问题一直没变：这篇文字有没有完成它应做的工作。
她认为，AI 让一些原本不会被写下和发布的想法，获得了表达机会；它也能节省组织和研究所需时间，甚至可能帮助人们成为更好的作者。把「表达能力的扩大」简单贬为「尴尬」或「低质」，在她看来并不公平。如果一篇文章确实起到了预期作用，那么过程中哪一部分看起来像 AI，是否真的那么重要，值得继续追问。
她最后提出一个反问：为什么人们会对 LLM 产生这种近乎敬畏的态度，以至于愿意放弃整整一种标点，只为了不显得自己得到过机器帮助。她认为，这是一种荒谬的让步，尤其是在这些工具已经被频繁使用、未来也仍将继续被频繁使用的情况下。
文末，作者感谢 a16z crypto 编辑团队 Tim Sullivan、Robert Hackett 和 Sonal Chokshi 对文章提出反馈，并提到这篇文章也受到了多年来无数次编辑与讨论的影响。