高效摸鱼，先学会祛除文章的机器味儿

本文来自微信公众号：波波夫同学，作者：波波夫，题图来自：AI生成

语言的衰落往往始于思维的懒惰。

乔治·奥威尔，在1946年发表的《政治与英文》（Politics and the English Language）一文中，提出这一警告。

如果奥威尔活在今天，试用哪怕五分钟的 Gemini 或者 ChatGPT，他大概会感到一种复杂的绝望：他的预言成真了。

当你要求目前最先进的人工智能，去写一段关于朋友圈配图文案时，你几乎注定会得到一篇充满了“至关重要”、“充满活力”以及“总而言之”的陈词滥调。这种被科技界称为“AI 腔”或者“机器翻译感”的现象，正在以惊人的速度污染着互联网的文本生态。

这不仅仅是审美问题，更是一个经济学问题：在信息边际成本趋近于零的时代，平庸文本的供给已经严重过剩，而具有人格化特征的文本的价值正在飙升。

如何去除这种AI腔，首先必须理解它的来源。大型语言模型本质上是玩概率的游戏。在经历了人类反馈强化学习的规训后，它们被训练成要安全、有用且无害。这种训练导致了一种向均值回归的语言风格，一种因为试图取悦所有人而最终无法打动任何人的企业公关文风。

但这并非无法克服，只需要一种从指令工程到风格指导的思维转变。要让AI说人话，你不能只把它当作工具，你必须学会像戏剧导演一样去调度它。

让AI学会角色扮演

大多数用户与 AI 的交互方式，就像是在对一个机器人下达命令：“写一封邮件。”这种缺乏语境的指令，自然只能换来最通用的回应。

AI 模型就像是一个拥有无限知识储备但没有自我意识的演员。如果你不给它剧本和角色，它就会默认扮演那个它最熟悉的角色：一个唯唯诺诺、试图用废话填满页面的客服专员。

去除 AI 腔的第一步，是打破这种默认设置。这并非简单的修辞调整，而是认知框架的重置。

在经济学中，我们讲究激励机制。在 Prompt 中，我们需要建立一种“伪装的激励”。不要告诉模型写得像个人，这是一个无效的模糊指令。相反，你需要为它构建一个极度具体的人格面具。

想象一下这种区别：

● 平庸的指令：“帮我写一篇批评某家餐厅的文章。”

● 高杠杆的指令：“你是一个拥有二十年经验、口味刁钻且性格尖刻的美食评论家，正如早期的安东尼·波登（Anthony Bourdain）。你极度厌恶那些用松露油掩盖食材原本味道的网红餐厅。请用一种嘲讽、辛辣但基于专业知识的语调，描述你在一家名为‘云端’的餐厅的糟糕体验。拒绝使用任何客套话。”

当你设定了如此具体的人设——包含了背景、偏见甚至性格缺陷——模型就被迫跳出了通用安全模式。为了符合尖刻评论家的设定，它必须放弃那些四平八稳的连接词，转而使用更具攻击性和色彩的词汇。在这个意义上，消除 AI 腔的本质，就是引入“偏见”。只有拥有偏见和立场，文字才拥有灵魂。

模仿博弈，照葫芦画瓢

如果说设定人设是给 AI 一个灵魂，那么给予样本提示，就是给它一本可以照葫芦画瓢的教科书。这是目前技术圈公认的、消除机器味最有效的手段。

大模型和人类思维截然不同，它的本质是预测下一个词。当你给它一段充满了平庸的提示词时，它注定只会给你平庸的回答。反之，如果你投喂给它一段海明威或鲁迅的文字，它会立刻调整其概率权重，试图模仿这种句式结构。

这就像是关税壁垒：如果你不引入外部的高质量样本，模型就会在其内部的低质量数据循环中自我强化。

一个精明的操作者会这样构建指令：“请仔细阅读以下这段文字的风格。注意它的短句使用、其对形容词的吝啬，以及那种冷硬的叙事节奏：[插入一段你喜欢的样文]。现在，请模仿这种风格，为我撰写关于[主题]的内容。”

这种方法的精妙之处在于，你无需懂得语言学术语（如“不仅要避免被动语态，还要增加词汇的突发性”），你只需要展示结果。通过提供范例，你实际上是在告诉模型：“不要做你训练数据平均值告诉你的事，要做这个具体样本告诉你的事。”

建立负面清单，少即是多

在自由市场中，监管往往通过“负面清单”来发挥作用——规定什么不能做，剩下的即为允许。同样的逻辑也适用于驯服 Gemini。

AI 模型有着根深蒂固的坏习惯。它们喜欢用“首先、其次、最后”来构建虚假的逻辑感；它们喜欢用“让我们深入探讨”作为开场白；它们倾向于在文章结尾强行升华主题，赋予平庸的事物以不必要的道德高度。

要剥离这些算法的套路，你需要制定严格的语言禁令。

有效的 Prompt 应当包含明确的约束条件：

● “禁止使用任何连接词（如‘因此’、‘然而’、‘综上所述’）。依靠逻辑本身的流动来连接句子。”

● “禁止使用‘赋能’、‘抓手’、‘生态’等抽象名词。如果不能用这一画面描述出来，就不要写。”

● “不要试图在结尾总结或升华。讲完故事就立刻停笔。”

这听起来似乎有悖常理——剥夺AI的词汇量。但正如现代主义建筑大师米斯·凡·德·罗所言：少即是多。

通过限制 AI 使用那些它最顺手的填充词，你迫使它去挖掘更精准的动词和更具体的名词。当原本流畅的套路通道被堵死后，模型只能被迫寻找一条更像人类表达的路径。

让机器学习人话的参差之美

人类语言之所以迷人，往往在于其不可预测性。

在这个领域，有一个衡量指标叫做困惑度。AI 生成的文本通常具有较低的困惑度——句子结构均匀，节奏平缓，读起来像是老登们的往事回首。

而人类的文本则是参差不齐的：一个极长的复杂从句之后，可能紧跟一个单词的短句。这种节奏上的“爆发”，是人类情感波动的生理特征。现代典雅通顺的中文，其实都是短句子居多。不知道短句子为何物的，可以读读刘震云的《一句顶一万句》，几乎没有一句话超过十个字。

虽然普通用户无法调整模型的后台温度参数，但可以通过自然语言模拟这一过程。

你需要向 AI 发出关于句法多样性的指令：“请确保句子的长短错落有致。不要让所有句子都保持相似的长度。要像爵士乐一样，有切分音。在解释复杂概念时使用长句，在表达观点时使用短句。要允许语法的适度松散，模拟人类口语中的停顿和跳跃。”

此外，引入类比和隐喻是打破算法逻辑感的另一利器。

算法擅长归纳，但不擅长通感。当你要求它“像给一个12岁孩子讲故事那样解释量子力学”或者“用酿酒的比喻来描述当前的经济周期”时，你迫使它调动其训练数据中那些更具文学性、而非说明性的部分。这一点DeepSeek其实比Gemini要做得好得多。只是DeepSeek的文采又常常文过饰非。

生活是由细节构成的，语言也是

指望通过一个完美的 Prompt， 就得到完美的文章，是一种懒惰，注定也是一种奢望。

和人类协作需要反复修改一样，机器写作也是如此。在使用 Gemini 时，最被低估的功能是追问。当它生成了一段充满 AI 腔的文字后，不要急着点击“重新生成”，可以尝试着让他对扮演的角色进行修正。

比如，你可以提示它：“这段文字太像公关稿了。把第三段删掉，把所有形容词去掉，只保留动词。把‘充满了机遇与挑战’这种废话换成具体的例子。”

这种迭代过程不仅仅是在修正当前的文本，更是在微调模型在这个特定会话中的权重。你是在建立一种临时的契约：在这个聊天窗口里，我们不说套话。

Gemini 和它的同类们默认提供的是一种标准化的平庸，一种类似于某些餐厅的预制菜体验，快速、卫生，但毫无风味，缺乏营养。

想要去除 AI 腔，核心心法可以总结为回归具体。AI喜欢抽象，因为它涵盖面广且不易出错；人类喜欢具体，因为生活是由细节构成的。

但是，所有上面我说的，让AI设定极度具体的人设、提供模仿的样本、实施严格的负面清单，以及追求句法的参差，实际上是在强迫机器违背其统计学本能，要求它不再做那个试图取悦所有人而磨平锋利，而是成为一个有偏见、有性格的高仿人类。

这不仅仅是为了让文章更好读，而是我们在这个自动化时代，保持思维独立的最后一道防线。毕竟，如果连语言都变成了自动补全的产物，那么人类的思想又还剩下多少属于自己？

本文来自微信公众号：波波夫同学，作者：波波夫