干这行年头久了，经常有人拿着一段稿子来问我“你看这段像不像AI写的”。说实话，大多数时候我扫两眼就能给答案，靠的不是什么检测工具，而是那些痕迹实在太规整了，规整得不像人。人写字是有毛边的：会重复、会突然插一句废话、会在某个细节上啰嗦半天然后草草收尾、会前后详略严重失衡。机器不这样，机器永远端着，永远知道自己在写第几段，永远记得给每段配一个中心句。

这篇东西讲的就是怎么把这种“端着”卸下来。从提示词怎么写、结构怎么掰弯、逐句怎么下手删改，到不同类型文本的差异化处理，一整套流程我都拆开讲。适合两类人看：一类是靠写字吃饭、但被要求“别让人看出是AI写的”的内容从业者；另一类是明明只是想省点力气，结果生成的东西自己都读不下去、只能硬着头皮改的普通用户。不管你是零基础还是已经改过几百篇稿子，下面这些手法都能直接抄。

需要先说明一点：我这里谈的“去痕迹”，指的是让文字重新具备人的思维节奏和真实感，不是教你怎么糊弄查重。这两件事的目标不一样，手段也完全不同，后面会细说。

1. 先搞清楚“AI味”到底是什么味道

1.1 五个一眼就能认出来的特征

我把这些年见过的“机器味”总结成五条，基本覆盖了九成情况。你可以拿自己写的东西对照着看，中三条以上就说明问题已经比较明显了。

第一条，段落长度过于均匀。打开一看，每段都是四到五行，视觉上整齐得像打印出来的表格。人的注意力不是这样分配的，讲到兴奋的地方一段能写半页，讲到没意思的地方两句话就带过去了。机器没有情绪起伏，所以它按平均分配。

第二条，每段开头必有一句概括。这是最致命的特征。比如写“工具选型”这个主题，机器写出来的段落一定是“工具选型是整个项目中非常关键的一环。”然后才开始讲具体工具。人写作很少这么干，人会直接说“我一开始用的是A，用了两周发现导出格式对不上，换成了B。”

第三条，连接词密度异常。“首先、其次、然后、最后”“值得注意的是”“总的来说”“与此同时”，这类词在机器文本里的出现频率大概是真人写作的三到五倍。它们的作用是填缝，而人写字靠的是意思本身的咬合，不需要那么多胶水。

第四条，形容词空转。“极大地提升了效率”“显著改善了体验”“具有重要的意义”，读完一遍你发现什么信息都没得到。真人提到效率，通常会给个数：“原来导一次图要等四十秒，现在七八秒。”

第五条，结尾一定要收拢。机器几乎不会让文章“悬着”结束，它一定要在最后一段把前面说的东西再概括一遍，还要展望一下未来。而真人写完最后一个要点，经常就直接撂笔了。

1.2 为什么“降重”这条路走不通

市面上有不少工具号称能把AI文本“改写”成人类风格，原理基本是同义词替换加句式打乱。我试过一批，效果很有限，原因是方向错了。

机器味的根源不在词汇，而在思维的均匀性和信息的抽象度。你把“提升”换成“改善”，把“首先”换成“第一点”，读起来还是那股味道，因为底层结构没动。就像一个走路姿势僵硬的人，你给他换身衣服，走路还是僵的。

真正管用的做法是从两个层面同时下手：生成阶段用提示词把它的默认习惯按住，生成后用人工把残留的均匀性打散。单靠任何一头，都会留下明显的破绽。我见过只做后处理的稿子，句子读起来是活的，但整篇骨架还是三段的对称结构，老手一看就知道底子是机器出的。

所以下面我按“提示词—结构—句子—分类—排查”的顺序讲，这是一条完整的流水线，跳步会出问题。

2. 提示词阶段：源头别给它端着的空间

2.1 人设要具体到“有过什么经历”

很多人写提示词就一句“你是一个专业的内容创作者”，这句话基本等于没说。模型对“专业”的理解就是四平八稳、面面俱到、不带个人情绪，正好是我们要躲的那一套。

有效的做法是把人设写到“有具体经历”的程度。不是“你是资深编辑”，而是“你是一个改了八年稿子的编辑，见过太多写得漂亮但没一句实话的稿子，说话偏直接，不喜欢用形容词”。差别在哪？前者给的是身份标签，后者给的是行为倾向。模型是照着行为倾向写的，你给它什么倾向，它就往哪个方向走。

我常用的写法大概是这个结构：

你的角色：一个做了[具体年限][具体工作]的人，平时说话[语气特征]， 对[某个细分话题]有[具体态度/偏好]。 你的读者：一群[具体画像]，他们已经知道[基础知识]，最烦[具体反感的东西]。 你要做的：写一篇关于[主题]的东西，重点是[最想传达的1-2个点]。

注意最后一行，只让它重点讲一到两个点。模型的默认行为是求全，你让它写“AI写作痕迹”，它能从原理讲到工具再讲到伦理，每个都是浅尝辄止。你限定只要两个点，它反而会往深里挖。

2.2 负面清单比正面要求管用

这一条是我踩了很多坑才总结出来的。你告诉模型“请写得口语化一点”，它理解的口语化可能是加几个“其实”“那么”；你告诉它“不要用书面语”，效果反而更好。

所以提示词里负面清单的权重要高于正面要求。我常用的一份清单，你可以直接拿去改：

禁止：使用“首先/其次/最后”作为段落开头；使用“综上所述”“总而言之”“值得注意的是”这类收束词；给每一段配一句概括性的开头；把并列项凑成三的倍数；在结尾写总结段或展望段；使用“极大地”“显著地”“有效地”这类副词；使用破折号解释；每一段的长度接近。

允许甚至鼓励：段落长度差异很大，有的长有的只有一句话；用不完整句；出现口语词和语气词；插入与主线关系不大的个人经历；对某些内容表现出明显偏好，比如明确说某个方法不好用。

这份清单不是背下来的，是每次改稿时发现新毛病就往上加。现在我的清单已经有一页半了。

2.3 给样例，比给一百个形容词管用

风格这件事，描述起来极其费劲，示范起来极其简单。你写十句“请用真实、具体、带个人视角的语言”，不如直接贴一段你自己以前写的东西进去，然后说“照这个语感写”。

这背后的道理不复杂：模型是模仿机器，你给它一个可模仿的对象，它就能精准对齐；你只给它形容词，它只能去猜，猜出来的必然是那个“平均值”——也就是最没特色的表达。

样例的挑选有讲究。不要挑你写得最漂亮的那篇，要挑最像你日常说话的那篇。很多人拿自己精心打磨的正式稿当样例，结果生成出来的东西虽然质量高，但依然板正。

2.4 拆开写，别一口气要三千字

这是我个人认为最有效的一条技巧，但它经常被忽略。

你让模型一次性输出三千字，它会本能地做两件事：一是把内容摊薄，二是不断回到“总结一下刚才说的”这种自我确认的句式上。篇幅越长，这种滑向平均的倾向越明显。我做过对比，同样的话题，一次生成两千字和分四次生成五百字，后者的信息密度和句子活力明显更好。

具体操作是：先让它出一个粗提纲（只要五六个标题，不要展开），你看一眼，把不满意的标题改掉，然后一段一段地要。每要下一段的时候，把前面已经写好的段落贴回去当上下文，告诉它“接着这段往下写，注意别重复前面的意思，也别给这一段加总结句”。

代价是多几轮对话，但省下来的润色时间远远超过这点成本。一段一段写还有个附带好处：段落之间的过渡会自然很多，因为模型每次都是真的在“接着说”，而不是一次性规划好所有过渡。

3. 结构层改造：把“总—分—总”掰弯

3.1 长度故意做成不均匀

拿到一篇机器生成的初稿，我第一件事不是读句子，是看段落的形状。如果每段的字数都差不多，那这篇东西的骨架就是机器的，改句子没用。

我的做法是强制做长度分配：把其中一段扩到原来的两倍（往里面塞具体数字、场景、对话），把另外两段砍到原来的一半甚至更短（只留结论，删掉铺垫）。一篇三千字的稿子，理想的段落长度分布大概是这样的：有两三段在两百五十字以上，有四五段在一百字以内，还有一两段只有一两句话。

这种不均匀不是随便弄的，它对应的是真实写作时的注意力分配。你写到最有体会的地方话就多，写到例行公事的地方话就少。机器恰恰相反，它对所有内容的兴趣是均等的，所以输出也是均等的。

顺带一提，短段落还有个好处：它天然打断阅读节奏。读者在一段长文字之后突然遇到一句短话，注意力会被重新抓回来。这个效果机器文本里完全没有，因为机器不会“突然”。

3.2 干掉每段开头的概括句

这一条改起来最费劲，但收益最大。具体做法是：读每一段的第一句，问自己“这句话删掉，后面的内容还成立吗”。如果成立，删。

举个例子。机器写出来是这样：

工具的选择在整个流程中起着关键作用。我最初尝试了几款常见的编辑器，发现它们在处理长文档时都存在卡顿问题。后来又试了另一款轻量级的，情况有所好转，但在导出环节又出了新问题。

删掉第一句之后：

我最初尝试了几款常见的编辑器，发现它们在处理长文档时都存在卡顿。后来又换了一款轻量级的，情况好一些，但导出环节又出了新问题。

后一个版本的节奏明显更紧，因为它直接进入了具体的事。而且删掉概括句之后，读者反而更想知道“所以你最后用了什么”，信息张力就出来了。

我把这个动作叫“拆脚手架”。机器的每一段都搭了脚手架——先告诉你这段要说什么，再开始说。人写作是不搭的，直接开始盖。

3.3 破坏并列与排比

机器有个顽固习惯：凑三。你让它列好处，它给你三条；列原因，它给你三条；连举例子都是三个。这个习惯在中文写作里尤其明显，因为三段式在我们的教育里被强化过很多年。

处理方法很简单：要么砍成两条，要么加到四条并让其中一条明显比其他三条长得多。前者破坏了对称，后者破坏了节奏。

排比同理。看到“既能……又能……还能……”这种句子，我一般会保留前两个，把第三个拆成一个独立的短句，或者干脆换个说法把它变成一句反问。排比在演讲稿里好用，在个人分享里用得多了就很假，因为真人说话不会那么工整。

还有一个小细节：机器特别喜欢用破折号做补充解释，而且位置很规律。我一般会把一半的破折号改成逗号、括号，或者直接拆成两句。

4. 逐句润色：三个动作解决八成问题

结构改完，进入句子层面。我自己的流程是固定的三个动作：删、换、加。顺序不能反，先删再换最后加，因为删完之后你会发现问题少了一半。

4.1 第一个动作：删

删的目标是那些“看起来很重要但删了不影响理解”的成分。我做了一张常用清单，基本覆盖了大部分情况：

这张表看着简单，实际操作时你会发现能删掉的东西比你想象的多。我做过一次统计，一篇两千字的机器初稿，光是删这个动作就能删掉三百字左右，删完之后读起来明显顺畅。

删的时候有个判断标准：这句话删掉之后，读者会不会产生疑问。不会产生疑问的，就删。“极大地提升了工作效率”删掉，读者不会问“提升了多少”，因为这句话本身就没给人任何信息。“原来导一次图要等四十秒，现在七八秒”删掉，读者就会问“那现在多快”，所以这句要留。

4.2 第二个动作：换

换的核心是把抽象的换成具体的。这是整个流程里最花心思的一步，也是最出效果的一步。

换什么？主要是三类东西。

第一类，把程度描述换成数字或时间。不写“处理速度明显加快”，写“同样一批两百张图，原来要跑十六分钟，现在五分钟出头”。数字不需要特别精确，甚至可以带点模糊——“大概”“差不多”“四十来分钟”，这种模糊本身就是人味。机器给数字给得太准，反而假。

第二类，把通用名词换成具体的东西。“某款编辑器”换成“一款开了十年、界面还停留在五年前的老牌编辑器”，虽然没点名，但具体感出来了。这里要注意，具体不等于必须点名，你可以用特征来指代，读者能脑补出画面就够了。

第三类，把中性叙述换成有态度的叙述。“这个方案的优点是配置简单”，这个说法谁都能写；换成“这个方案我最喜欢的一点是配置文件就十几行，不用翻文档就能改”，态度和细节都出来了。

换的时候要注意一个平衡：不能所有东西都换成具体的。一篇稿子里大概六七成的内容换到具体，剩下三四成保持一定的抽象度，因为有些内容确实没法具体化，硬要具体反而显得刻意。

4.3 第三个动作：加

加是三个动作里最容易被忽略的，但它是“人味”的主要来源。加什么？加四种东西。

加限定和犹豫。“这个方法好用”——“这个方法我用了小半年，到目前为止没出过问题，但样本量不大，你如果数据量特别大的话还是要自己试”。前一种说法是机器，后一种是人，因为人有边界意识，知道自己的经验是局部的。

加插叙。在讲一个正事的过程中，突然插一句跟主线关系不大但真实存在的话，比如“写这段的时候我又想起来，当时为了省事还试过一个更偷懒的做法，结果绕了更大的弯”。这种插叙机器基本不会写，因为它不符合信息效率原则，但它极其真实。

加口语连接。“说实话”“我试过”“实测下来”“踩过的坑”“这玩意儿”“一开始我以为”。这些词组在正式文档里是要避免的，但在个人分享里是必须的。注意用量，一段里有一到两处就够，多了就成了刻意卖萌。

加具体场景。不写“在团队协作中容易出现沟通问题”，写“三个人改同一个文件，谁也不记得自己改的是哪一版，最后靠时间戳对出来的”。场景是人的记忆形式，抽象结论不是。

举个完整的改造例子。改之前是机器写的：

内容生产效率的提升需要多方面的协同配合。首先，需要建立标准化的流程。其次，需要选择合适的工具。最后，还需要团队成员的共同努力。只有这样才能真正实现效率的飞跃。

改之后：

我现在这套流程是被逼出来的。最开始什么规范都没有，三个人各自写各自的，交上来格式全不一样，光是统一格式就花了一整天。后来定了个特别土的规矩：所有稿子先套同一个模板，标题层级、字号、行距全部锁死，谁不按模板来就打回去重写。工具倒是其次，我用的就是最普通的那几个，关键是模板锁死之后，剩下的工夫才花在内容上。

对比一下就能看出来：改后的版本没有一句概括，全是具体的事；没有“首先其次最后”；用了“特别土”“打回去重写”这种口语；最后一句还否定了工具的重要性，跟原文的排序完全反着来。这就是人味。

5. 不同类型文本的差异化处理

5.1 技术类内容的处理重点

技术类是最难去痕迹的，因为这类文本本身要求准确、结构清晰，而“准确”和“结构清晰”恰好是机器最擅长的地方，你去痕迹去过头了，反而会牺牲可读性。

我的处理原则是：结构保留，语言放开。也就是说，章节层级、编号、参数表格这些该规整的地方照旧规整，不用刻意打散；但叙述性段落必须彻底人化。

具体来说，技术类我重点做四件事：

一是把每个操作步骤配上“为什么这么干”。机器写步骤只写“点击A，然后选B”，人写步骤会补一句“这里必须按B不能按A，按A的话后面导出会丢图层”。这一句就是分水岭。

二是保留试错过程。机器给出的方案总是最优解，一次成功。真人的方案里一定有弯路。我会专门留一段写“我一开始用的是另一个办法，跑了两次发现不行，才换的现在这个”。

三是参数要给计算过程。机器直接给结果，人会给推导。“这个值我设的是128，因为我的数据单条最大长度大概在一百上下，留一点余量，设大了显存扛不住，设小了会被截断。”

四是代码和配置要能直接跑。这一点机器做得其实不错，但经常出现版本不匹配的问题，我会补一句“这个写法在某某版本之后才支持，老版本要改成……”。

5.2 经验分享类内容的处理重点

这类内容正好相反，结构可以乱，语言必须真。我处理这类稿子时反而会故意破坏结构的完整性：把一个应该放在最后说的话提到开头，或者在中间插一段明显偏题的回忆。

有个手法我用得很多：从最具体的一个瞬间开始写，而不是从背景开始写。机器写东西一定是先交代背景，再讲过程，最后说结果。人讲故事经常是从中间某个画面切进去的。

另外这类内容里，负面经验比正面经验值钱。机器不太会主动写“我搞砸了”，但真人分享里最抓人的往往就是搞砸的那部分。所以我会专门留出篇幅写失败的尝试，而且要写具体：花了多久、错在哪一步、当时什么反应。

5.3 一个通用判断标准

不管是哪类文本，改完之后我会用同一个标准检验：这段话如果发在一个熟人群里，会不会有人觉得你在念稿子。

念稿子的感觉来自哪里？来自句子太完整、逻辑太顺、没有一句多余的话。真人说话一定有多余的部分，会有重复，会说到一半改口，会在不重要的地方突然认真。这些“低效”恰恰是人味的来源。机器追求的是信息效率最大化，而人写东西追求的是“像一个人在说话”。

6. 常见问题速查与发布前自查

6.1 症状对照表

改稿改多了会发现，问题就那么几种，翻来覆去。我整理了一张对照表，遇到卡壳的时候直接查：

6.2 发布前的五分钟自查

我不会每次都跑完整流程，但发布前这五项一定会过一遍，加起来不超过五分钟。

第一，读出声。这是最有效的一招，没有之一。默读发现不了的问题，一开口就露馅。你读到某句话觉得拗口、觉得不像自己会说的话，那句话就是机器写的，改掉。

第二，数段落。快速扫一眼每段长度，如果有超过一半的段落长度接近，回去做长度调整。

第三，搜关键词。用查找功能搜“首先、其次、最后、综上、值得注意、极大、显著、有效、进行、实现”，搜到一个处理一个。

第四，看开头和结尾。开头是不是在交代背景？结尾是不是在总结？如果是，这两处必须重写。开头换成具体场景或直接抛观点，结尾直接删。

第五，问自己一个问题：这篇东西里有没有一句只有我能写出来的话。如果一句都没有，说明这篇稿子的内容换个人也能写，那它就是没有个人痕迹的，不管语言改得多口语。

这一条其实是最狠的。语言层面的技巧再娴熟，如果内容本身没有任何独属于你的经验、判断和偏好，那股空的味道是压不住的。反过来说，只要稿子里有两三处真正的个人经验——具体的时间、具体的失败、具体的偏好，哪怕语言上还留了一点机器的规整，读起来也是活的。

我个人在实际操作中的体会是，去痕迹这件事，七分靠内容，三分靠语言。很多人把力气全花在换词换句上，改完还是觉得假，问题往往出在内容本身就是空的。你让它写“如何提高效率”，它只能给你正确的废话；你让它写“我上个月为了赶一个急活，试了三种批量处理的办法，前两种都翻车了”，它自然就有东西可写了。所以与其在润色环节死磕，不如在给模型喂料的时候就把自己的真实经历、真实数据、真实判断塞进去。料是真的，出来的东西才可能是真的。

最后分享一个小技巧：改完的稿子先放一晚上，第二天早上起来读第一段。如果第一段你自己读着都觉得陌生、觉得不像自己写的，那就对了，说明你昨晚改的时候是带着“改稿”的心态在写，而不是带着“说话”的心态。这时候再读一遍，把不像自己说的那几句挑出来，用自己的话重说一遍，基本就成了。