"9/29·AIGC｜照着做已解决，做得好成了新缝"——这句话我在好几个 AIGC 社群里都看到了，第一反应是"这标题起得真准"。AIGC 这个词从火起来到现在，早就过了"没见过"的阶段，真正的问题是"怎么做"。翻开任何一个教程，你都能照着生成文本、图片、剧情脚本，基础需求确实被解决了；但一旦你想把它做得更好，比如让 AI 写的论文段落真正融入自己的思路、用 AI 设计一个有灵魂的原创角色（oc）、在 AIGC 产品经理面试中说出有深度的答案，就会撞上新的"墙"：知网 AIGC 检测 3.0 算法上线了，查重和 AI 检测分成了两套系统，内容平台对 AI 生成内容的判断越来越严，生成的图千篇一律，面试官还会追问"你如何评估生成质量"。这篇博文不是又一个提示词大全，而是一个从业者对"从照做到做好"的完整复盘，适合内容创作者、设计爱好者，以及正在准备 AIGC 产品岗面试的朋友。

1. 先拆开"照着做已解决"这句话：AIGC 的基础红利与边界

1.1 为什么"照着做"就能出活

AIGC 的核心价值，是把过去需要几小时甚至几天去完成的内容生产，压缩到几分钟。只要会写简单指令，就能快速拿到一段文案初稿、一个分镜脚本、一套视觉概念图。这背后依赖的是大模型在训练阶段见过的海量通用模式——它擅长输出"平均"内容，也就是符合大多数人预期的结果。

很多人觉得"已解决"，是因为很多需求原本就不是高难度的。给公众号配摘要、完成一份会议纪要、给活动海报出几个风格的底图，"可用"的阈值并没有那么高。照着教程套用现成的提示词库，确实能得到及格的结果。这就像做菜：照着菜谱来，大概率能入口，不太会翻车，但也谈不上惊艳。所以"照着做已解决"在当下是成立的，尤其对"从 0 到 1"的冷启动，AIGC 几乎是作弊器级别的存在。

1.2 "已解决"的真正含义：解决的是流程，不是结果

我自己用过一段时间的 AI 工具之后，最大的感受是：它解决的是"开工难"。以前憋一篇方案，打开文档前要先做半小时心理建设；现在不一样，先让 AI 出一个粗糙的骨架，不管质量如何，至少不是空白页了。这个价值被很多人低估了——它让创作冲动和成品之间不再隔着漫长的畏难情绪。

但我要说句不太好听的话：如果只看流程，AIGC 确实解决了大部分问题；可如果对结果负责，工具只是替你完成了打字和排版，真正决定内容价值的，还是使用工具的人。说得再直接一点，"照着做"的本质是照搬一套经过验证的输入输出模式，它的收益稳定，但天花板很低。你要的是及格分，照着做就够了；你要的是比平均水平高出一截的东西，就必须往"照做"之外再加东西。

这张对比表，其实就是我对"照着做已解决，做得好成了新缝"的直观理解：照做只用到流程红利；想做好，就要面对流程之外的评估和约束，那些东西才是真正的门槛。

1.3 及格与优秀的分水岭：有没有"自己的问题"

我见过很多人在同一个提示词模板上反复横跳：换关键词、换模型参数、换随机种子，结果依然是"大众脸"。原因不在于技巧不够，而在于他们没有提出"自己的问题"。AI 生成的东西像一张网，你给的问题有多大、多具体，网住的鱼才有多准。

举个例子，"帮我写一份竞品分析"和"帮我分析三个协作工具在百人以上研发团队中的落地成本，重点是接入成本和员工抵触情绪"是完全不同的两个任务。前者得到的是通识范文，后者才可能得到能直接放进周报的材料。所以"做得好"的第一步，不是优化提示词，而是先明确你到底要解决什么问题、成果给谁看、看完要做什么决定。这三个问题，AI 不会替你想，但 AI 的全部价值，都取决于你怎么回答它们。

2. "做得好"的新缝到底缝在哪：检测、产品、原创性三个切面

2.1 第一道缝：AIGC 检测升维，查重与 AI 检测“分家”

最近不少人在讨论知网 AIGC 检测 3.0 算法，这背后的逻辑其实挺值得掰扯。它已经不是早期那样简单看"是否出现某些高频词"，而是综合文本的困惑度、句子复杂度、逻辑跳跃度、风格统计分布这些特征，估计一段文字"由 AI 生成"的概率。

说得通俗点：真人写作会残留个人语气、偶尔的口语化表达、逻辑断点和不规则分布；大模型生成的内容却天然倾向于平滑、完整、平均，句子之间衔接得太顺，反而成了破绽。你越是追求"像人写的那样稳妥漂亮"的 AI 文本，可能越容易被识别出那种"工整感"。这就是"做得好成了新缝"最典型的场景——你费尽心思把文本打磨得无懈可击，结果无懈可击本身就是特征。

至于"知网的查重和 AIGC 检测不能一起查吗？要付两次钱吗？"，底层原因是两套系统的技术原理完全不同：查重比对的是文本间相似片段，需要庞大的已有语料库；AIGC 检测分析的是单篇文本自身的统计特征，基于生成模型的反向概率判断。两者既不走同一套数据库，也不共用同一套判定逻辑，自然没办法在一次检测里同时完成，付费分开也就在情理之中。理解了这一点，你就不会再纠结"是不是平台故意收两次钱"，而是会想清楚另一件事：评估内容的价值，本来就不该只有一个维度。

这条"缝"真正想提醒我们的是：好内容不能只靠"生成"，还要做事实核验、观点加工和表达修剪。合规的"做好"，是减少对 AI 生成文本的盲从，在需要的时候明确标注 AI 参与程度，保留人工修改痕迹，而不是想方设法躲过检测。因为检测规则只会越来越细，那条"不被识破"的路，注定越走越窄。

2.2 第二道缝：AIGC 产品经理的面试，开始考底层认知

热搜里的"aigc 产品经理真题面试"我特意去翻了翻，现在的题目跟两年前完全不是一个量级。过去可能只要会聊"大模型很厉害"就能过，现在面试官会直接问：

• 如何评估一款 AIGC 产品的生成质量？
• 生成内容出现虚假信息，你怎么设计治理方案？
• 多模态 AIGC 产品如何拆解用户任务？
• 怎么平衡生成自由与内容安全？

这些问题的共同点，是不再问"你会不会用 AI"，而是问"你理不理解生成式 AI 的本质"。如果只在产品层面打转，很容易答成功能清单；但真正让面试官眼前一亮的，是你对三个底层的理解：生成式 AI 是概率性的，同样的输入可能得到不同输出；它是不可完全可控的，幻觉天然存在；它是高成本的，每一次生成的背后都有实打实的算力消耗。任何 AIGC 产品决策，本质上都是在接受这三个前提之后，去设计用户价值和商业路径。

这类面试题没有标准答案，但有一个相对通用的答题框架：先定义问题边界，再拆用户价值，接着评估成本与风险，最后给可量化的指标。比如问"如何评估生成质量"，你不能只答"好不好看、顺不顺"，而要拆成相关性、准确性、安全性、多样性、可追溯性这几个维度，分别给出评测方式和护栏指标。这个框架后面在第四章还会展开，我会给一套可以直接套用的思路。

2.3 第三道缝：用 AIGC 设计 oc，关键词给得再细也还是“大众脸”

另一个热搜词是"aigc 设计 oc 关键词"。oc 是 original character 的缩写，也就是原创角色，在插画、小说、动漫创作圈里非常流行。很多人的玩法是照着教程输入"黑发少年、银眸、风衣、冷峻"，生成的图确实不差，但看完就忘，没有任何记忆点。

问题出在哪？外在关键词是"平均审美"的拼装。你给到模型的每一个特征，都是它见过的常见组合，拼出来的自然是一个漂亮的平均值。真正让一个角色活起来的，从来不是发色和瞳孔，而是他的世界观、目标、恐惧和人际关系。

我自己设计 oc 时，会把提示词分成几层：世界观（角色所处的时代与规则）、目标（他最想得到什么）、缺陷（他最害怕或最逃避的事）、关系（他和谁冲突、和谁羁绊）、外在标识（只保留一到两个最具辨识度的特征）。例如不是写"冷峻的少年"，而是写"在废墟城市里靠修补旧机器人维生的少年，害怕被抛弃，却总在最后关头救下相识不到三天的伙伴，左臂有一道灼烧后愈合的疤"。同样的模型，生成结果立刻会出现"有故事的脸"。这个方法不仅适用于 oc，也适用于概念设定、视觉开发、小说世界观设计——想做好，就得先输入"人味儿"。

3. 实操复盘：一套把 AIGC 从“照做”推到“做好”的创作流程

3.1 先解决"为什么做"：从生成任务到问题定义

我现在的习惯是，在把任务丢给 AI 之前，先写一句话回答"我为什么要做这件事"。这个步骤看似多余，实际是整条流水线的总开关。

以写一份学习笔记为例。如果你对 AI 说"帮我写一篇关于知识管理的学习笔记"，它会给你一篇结构工整、内容正确的泛泛之作，因为任务太宽了。但如果你先写下"我要把这周的三个疑问记录清楚，方便下个月回看时能快速唤起记忆"，你要的就是一张带问题索引和回看提示的备忘，而不是一篇教科书。AI 擅长针对"任务"平均用力，但只有针对"问题"才有可能给出有洞察力的答案。

实操小技巧：把"为什么做"直接写进提示词的第一行，不让 AI 猜。例如："我在准备一次面向公司新人的分享，需要一段通俗解释 AIGC 检测原理的内容，请不要用术语堆砌。" 它生成出来的东西，通常比直接问"什么是 AIGC 检测"要精准得多。这就是"自己的问题"在起作用。

3.2 一个我常用的指令框架

既然说到了提示词，我干脆把我自己用得最顺手的框架写出来。它不复杂，但坚持用之后，生成质量有明显提升。

角色设定：你是一位有十年经验的XX领域专家。 任务目标：请根据以下需求输出内容。 约束条件：目标受众为XX；字数控制在XX；语气保持XX；不要使用XX套话。 输出格式：按以下结构分节：1. 核心结论；2. 分步说明；3. 常见误区；4. 下一步行动建议。 反例排除：不要写空泛的套话，不要用"赋能""抓手"这类词，不要假设我具备XX基础。 附加素材：以下是我整理的真实数据和案例，请基于它们分析：……

这套框架的关键不在字数多少，而在"约束条件"和"反例排除"这两行。约束条件是给 AI 划定泳道，告诉它边界在哪；反例排除是专门堵住那些"正确但无用"的废话。比如让它写一段"面向刚入职的运营新人"的内容，我还会加上"每条建议必须包含一个可执行的下一步动作"，这样生成的内容就不再是通稿，而是一份能直接照着做的清单。

3.3 多轮打磨：AI 负责“量”，你负责“质”

一次生成就收工，那是"照做"；做得好，至少需要三轮打磨。

第一轮：生成大框架，然后不急着改措辞，先看结构。有没有遗漏关键维度？有没有把不重要的点写了很多？这一轮的目标是"结构正确"。

第二轮：挑出最弱的两个部分，单独追问。比如你让它写"AIGC 产品经理的岗位职责"，它可能把"数据分析"写得很泛，你就追问"数据分析具体看哪几个指标，如何和生成质量关联起来？"得到补充材料后，再做杀伐决断，把有用的合并进原文，把没用的删掉。这一轮的目标是"内容有肉"。

第三轮：加入你的个人素材。你自己的案例、你踩过的坑、你观察到的规律，加进去之后，这篇文章才真正变成了"你的"。我经常说，AI 是效率很高的初稿助手，但它不是决定人。你喂给它的信息越多，它生成的初稿越接近你的水平；到了第二轮和第三轮，主导权必须回到你手里。

3.4 用"可核查"做最终自检

我给自己定了一个自检清单，你可以直接抄走：

• 每一个数字、案例、引用，能不能找到出处？
• 有没有一句话放在任何主题下都成立？有就删掉。
• 有没有出现"平稳到失真"的平均腔调？如果有，尝试加入一处第一人称经验和一处具体场景。
• 如果读者问"这个结论怎么来的"，你能答上来吗？答不上来说明该补素材了。

这条清单的核心不是"查重"，而是"可核查"。AIGC 时代，真正稀缺的不是信息，而是可信。一个结论如果能被读者顺着索引查回去，它就有了比原始 AI 输出更高一层的价值。这就是"做人味"最实在的落地方式。

4. 为什么“想做得好”反而成了新的风险源

4.1 质量悖论：越追求“零 AI 味”，越容易被判定为 AI

这个悖论，是我今年感受最深的一件事。很多人理解的"做得好"，是让 AI 写出来的东西读起来完全不像 AI 写的——句子顺滑、逻辑严密、毫无破绽。可是按照现在很多 AIGC 检测算法的逻辑，越是这样"平均的好"，越容易被判定为 AI 参与度高的内容。

真实的写作，本来就有语气波动、有未完成的句子、有个人偏好，甚至有情绪。这不是说我们得故意写烂，而是说"做得好"的标准，不该是"伪装成真人"，而应该是"让内容的可信度与独特性经得起推敲"。同样是分析一个行业问题，一段完全顺畅的 500 字可能不如一段带有个人经历佐证和明确立场的文字，后者的真实感是天然的。

换句话说，与其花精力研究怎么躲过检测，不如调整一下自己对"好"的定义。高质量不等于无痕，精彩不等于平滑。一个由"真人判断 + AI 素材 + 清晰标注"共同完成的内容，哪怕明明白白写着"用了 AI 辅助"，它也比一条试图伪造人类写作风格的合成文本更有长期价值。

4.2 负责任的 AIGC 产品，不会追求“隐藏 AI”

站在产品设计角度看，这个逻辑就更清楚了。真正好用的 AIGC 产品，目标不是让用户分不清人和机器，而是让用户放心地说"这里用了 AI，这里是我的理解"。

所以内容平台在产品里设计 AI 生成内容标注，不是在做道德评判，而是在做信息秩序管理。做生产工具的人，会把"生成链路回放"做成功能，让你看得到某段文字是哪一轮提示词、哪一次改写之后产生的；做编辑器的人，会把人工修改记录保留下来，让你回溯版本。这些设计不是对创作者的冒犯，而是一种信任基础设施。

如果你在面试 AIGC 产品经理岗位，聊到这个话题时能举出这类设计细节，面试官会意识到你是真做过产品的人，而不是只会聊大模型概念的观众。产品设计的本质，从来不是炫技，而是在约束条件下做选择。

4.3 给 AIGC 产品经理面试者的一套答题框架

前面提到过"目标分层、质量定义、风险控制、指标落地"这个框架，这里我把它展开，供你直接参考：

1. 目标分层：先把指标分成效率、质量、留存、成本四个层级。效率看单位时间产出，质量看内容可用率，留存看用户是否持续使用，成本看单次调用的算力和资源开销。
2. 质量定义：用多维评分。相关性、准确性、安全性、多样性、可追溯性，每一项单独打分比一个总分更有指导意义。
3. 风险控制：不要等出事再补救。把虚假信息识别、侵权内容过滤、敏感内容拦截做成产品功能的一部分，而不是客服事后处理的工单。
4. 指标落地：选一个北极星指标，同时配几个护栏指标。北极星指标是"用户的满意生成率"，护栏指标就是"安全违规次数"和"内容撤回率"，缺一不可。

面试官想听的，不是你把所有风险都躲开，而是你有能力在"生成越自由，风险越高"的矛盾中，找到一条可落地的平衡路径。这比背一百个 AI 术语有用得多。

5. 避坑速查表与独家经验：那些“新缝”怎么填

5.1 常见问题速查表

我整理了一份自己实际遇到的问题和排查思路，你可以把它当作一份现场手册：

这张表不是标准答案，但它能帮你快速定位问题出在"输入"还是"评估"。很多"新缝"看起来是工具的问题，往前追几步，其实是定义问题的方式还不够到位。

5.2 几条沉淀下来最实用的心得

如果只允许我留三句话给后来的人，我会留这三句：

第一，给"做得好"重新下定义：可核查、有立场、有独特性。不要把"做得好"等同于"像人写的"。

第二，做好生成日志。你用了什么工具、怎么提示的、改了哪几个版本，都记录下来。这不是形式主义，在需要向别人解释内容产生过程时，这是无法被质疑的原始凭证。

第三，建立你的"人味素材库"。你自己的真实案例、失败经历、口语表达、观点倾向，每一条都是对抗"平均味"的武器。AI 很难主动替你积累这些，但它可以帮你把素材组织得更清楚。

5.3 填缝最有效的办法：先承认缝的存在

最后说点心态层面的东西。我见过不少人因为"新缝"而焦虑，觉得 AIGC 让创作变难了——其实没有，AIGC 只是把过去藏在桌子底下的问题摆到了台面上：你是否真的理解自己写的内容?你的表达有没有可追溯的来源？你的内容里有没有属于你的判断？

如果一开始就把透明度当作创作流程的一部分，在文章开头注明哪些环节用了 AI 辅助，在角色设定文档里记录 AI 生成与人工加工的轨迹，在面试方案里主动讲清楚如何应对"幻觉"和"内容安全"，那些"新缝"就不再是漏洞，反而会变成你专业度的证明。对照着做，能解决你眼前的问题；把自己真正放进去，才能绕开新的裂缝。

最后再分享一个小技巧：我每次拿到 AI 初稿，都会强迫自己删掉三分之一。不是因为它写得不好，而是因为"删掉再读"能逼我重新理解内容的主线。你留下的部分越少，信息密度越高，人的判断体现得越明显。这个过程多做几次，你就能慢慢找到那个"用 AI 但不被 AI 吃掉"的平衡点。