一眼 AI：中文文案为什么总爱强行深刻

提示：本文由 GPT-5.6-sol 整理正文，GPT-5.6-luna 负责资料检索。文章里说的这些毛病，它们两个也都犯。

最近用不同的模型写博客，有个感觉越来越明显：换了模型，答案水平确实有差别；一到成文环节，句式又像同一个编辑部发出来的。

它们特别喜欢把一句很普通的话拆成正反两半，先否定一个没人主张过的东西，再宣布后半句才是真相。接着补上“本质”、“底层逻辑”、“时代浪潮”，最后用一句“这条路或许漫长，但方向已经明确”收尾。一篇文章看下来很完整，也很像那么回事，仔细回头找内容，却发现它说的还是开头那几句。

我现在看到这种文字，第一反应就是：又开始强行深刻了。

最扎眼的“不是 A，而是 B”#

先说最明显的一组：

真正的 X，从来不是 A，而是 B。
真正重要的，不是 A，而是 B。
X 的本质，不在于 A，而在于 B。
问题的关键，不是 A，而是 B。
与其说这是 A，不如说这是 B。
表面上看是 A，实际上却是 B。
A 只是表象，B 才是核心。
最可怕的不是 A，而是 B。
这不是一次普通的 A，而是一场关于 B 的重新思考。
它早已不再只是 A，而成为了 B。

再随便套个电脑评测：

真正决定一台电脑价值的，从来不是纸面参数，而是它能否融入你的工作流。

翻译成人话，就是买电脑要看自己的用途。原本一句话能讲完，AI 偏要先竖起一个“只看参数”的稻草人，再郑重宣布自己看到了更高一层。后半句未必错，可它也没有比普通说法多出任何信息。

另一种升级版是：

我们需要的不是 A，不是 B，而是 C。

前两个东西经常没人说不需要，C 也未必和 A、B 冲突。模型只是觉得三个位置都填满以后，句子更像演讲稿。

这种写法偶尔用一次当然没什么。问题在于模型太爱用，一篇文章里连续来上几轮，任何小事都被处理成“表象与真相”的对决。普通判断被包得像刚从哲学系地下室挖出来，读者反而看不见作者到底观察到了什么。

本质、底层、核心，轮流揭露真相#

和上面那套句式一起出现的，通常还有这些话：

归根结底，这是一场关于 X 的较量。
说到底，X 拼的还是 Y。
其底层逻辑在于……
这背后的核心逻辑是……
更深层的问题在于……
这背后折射出的，是……
如果把视角拉长，就会发现……
当我们拨开表象，会发现……
答案或许就藏在这里。
一个残酷的事实是……

有时候后面确实会接一个重要判断。更多时候，后面只是把前文换成更大的抽象名词再说一次。

比如“这个软件按钮太多，第一次使用不好找功能”，到了 AI 手里，很容易变成“其底层逻辑在于功能丰富度与认知成本之间的结构性矛盾”。字数翻倍，信息没有增加，读者还得把它重新翻译回“按钮太多”。

“本质”、“核心”、“底层”这些词当然可以用。真讲到了因果结构就应该用。可如果删掉它们以后句子一点没变浅，那就是包装纸。

三段式有了，内容还没有#

AI 很喜欢整齐。只要题目稍微大一点，它就会自动切成三份：

对个人而言……对企业而言……对社会而言……
在技术层面……在商业层面……在社会层面……
从效率、体验和价值三个维度来看……

有些问题确实需要分层讨论。但模型常常只是把同一个结论复制三次，分别换上“个人”、“企业”和“社会”的主语。形式上覆盖全面，实际上每层只有一句正确但没用的废话。

三段式后面通常还跟着一段光明结尾：

未来已经到来。
这场变革才刚刚开始。
这条路或许漫长，但方向已经明确。
让我们拭目以待。

前文没有给出路线，结尾却知道方向已经明确。到底往哪里走，谁在走，要走多久，一概不说。模型只是觉得文章该结束了，于是摆出一个结束的姿势。

高频词凑齐以后，腔调自己就出来了#

这一项我现在反而排得很靠前。单看某个词都正常，十几个词挤在一篇文章里，味道立刻出来。

偏“思想”的一组：

本质、底层逻辑、核心价值、深层原因、时代命题、价值共振、长期主义、认知升级、精神内核

偏商业宣传的一组：

赋能、助力、抓手、破局、入局、出圈、落地、闭环、生态、矩阵、深度融合、协同发展

偏宏大叙事的一组：

时代浪潮、全新范式、未来图景、重新定义、重塑边界、无限可能、新的想象空间

偏抒情的一组：

温度、初心、双向奔赴、照亮前路、静待花开、与时代同行

这些词的问题不在词典释义，而在使用密度。它们很适合填空，不要求模型知道具体发生了什么。“产品减少了一步操作”要有事实；“产品重新定义了体验边界”不需要。后者更安全，也更像宣传稿，所以模型特别爱写。

其他常见零件#

除了上面几组主力，还有一些零件经常成套出现：

开头先来“在当今快速变化的时代”或者“随着技术不断发展”，不交代到底哪一年发生了什么。
反复使用“值得注意的是”、“不难发现”、“不可忽视的是”，替读者决定什么值得注意。
一遇到争议就写“一方面……另一方面……”，最后宣布“机遇与挑战并存”，两边谁也不得罪。
把普通事物叫作“镜子”、“缩影”、“注脚”、“桥梁”、“窗口”或者“钥匙”，但不解释这个比喻增加了什么。
每段先放一个小标题，再用第一句话复述标题，第二句话才开始说事。
喜欢三个短句连发：“这不是偶然。这也不是终点。一切才刚刚开始。”像短视频配音。
用“业内普遍认为”、“有研究指出”、“越来越多的人开始意识到”代替具体来源。
粗体很多，冒号很多，项目符号很多。每个项目符号又以一个加粗小标题开头，生怕读者错过任何一块“重点”。
教程开头说“接下来让我们逐一拆解”，结尾说“希望本文能为你提供有价值的参考”。正文已经在眼前，不需要主持人报幕。
一篇明明只是介绍功能的文章，非要补一个“挑战与未来展望”，否则好像不够完整。

以上任何一项单独出现，都不能证明文章由 AI 生成。人也会说套话，也会写三段式，也会滥用“底层逻辑”。判断时要看它们是否成群出现，还要看文章有没有具体经历、数字、来源和作者自己的取舍。单凭一句“值得注意的是”就抓 AI，和单凭一个口头禅抓凶手差不多。

为什么不同模型写得越来越像#

中文互联网的内容长期相对封闭，海外厂商想完整、持续地抓取中文资料，并不像抓取英文网页那么容易。论中文语料的覆盖和整理，中文模型通常做得更充分。海外模型想得到或者补全中文内容，最省事的办法之一，就是借助中文模型生成、筛选和蒸馏中文数据，而不是自己从头重建一套中文语料。

蒸馏会把教师模型的句式、解释结构和安全话术一起传下去。DeepSeek-R1 就公开过用 R1 生成的约 80 万条样本蒸馏 Qwen 和 Llama 系列模型。再加上各家预训练本来就吃了大量重叠的网页、百科、新闻、营销文案和机器翻译文本，最后写出相似的高频搭配和翻译腔，一点也不奇怪。

指令微调、RLHF 和安全对齐还在继续把文风往同一个方向推。礼貌、完整、分点、主动总结、避免绝对化，这些特征很容易被当成“合格回答”奖励。InstructGPT 和 Constitutional AI 的训练方法并不相同，结果却都会把偏好的回答方式写进模型行为。

奖励模型和 LLM 评审也可能偏爱更长、更规整、更有标题和总结的答案。已有研究专门讨论过冗长偏差和格式偏差。大家用相似的材料训练，再用相似的标准挑选答案，最后一起变得工整、周全、没有脾气，这个结果并不意外。

当然，一句套话仍然不能当成 AI 指纹。人也会受这些文风影响，也会学会“底层逻辑”和“时代命题”。Wikipedia 的 AI 写作特征整理提醒的是看特征组合，这一点仍然有用。

Humanizer 为什么没有想象中好用#

我自己就有一个叫 humanizer 的 skill。里面列的规则并不差：删掉空洞修辞，减少破折号、粗体、三段式和广告词，保留事实，匹配作者样文。实际用起来只能说有帮助，但没有想象中好用。

问题很简单。写出 AI 腔的是这个模型，负责“去 AI 腔”的还是这个模型。它把“值得注意的是”换成“需要指出的是”，把“这不仅是工具，更是伙伴”改成“它的价值已经超出工具本身”，表面上避开了黑名单，骨架一点没动。

另一个问题是，原稿里如果没有作者自己的东西，Humanizer 也变不出来。没有具体经历，没有奇怪但真实的细节，没有明确的喜欢和讨厌，只有一组资料和“写得自然一点”的要求，模型最后只能生成一篇更口语化的通用文章。

整篇无痕重写还有风险。数字、时间、型号、限定范围和个人判断，可能在“润色”时被偷偷改掉。原文写“我这台机器遇到了”，改完变成“这类机器普遍存在”，语句顺了，事实却扩大了。

所以 Humanizer 更适合当检查表，不适合当洗衣机。把文章扔进去按一个按钮，出来的未必是人话，也可能只是另一种 AI 腔。

我现在觉得比较可行的办法#

给样文，别只给形容词#

“自然一点”、“有温度”、“像真人”全是空要求。模型并不知道你是哪种真人。

最好给它三到八篇自己认可的文章，再明确指出可以学什么：先说经历还是先说结论，句子长短，第一人称比例，事实和判断怎么分，是否保留口语，哪些词绝对不会说。

我这个博客已经放了八篇样文给 AI 参考。效果仍然不可能完全一致，但至少比一句“模仿我的文风”有用。

先整理事实，再单独编辑#

第一轮只让模型整理事实、时间、数字、引用和个人判断，不追求文采。第二轮换一个新会话，最好换一个模型，让它以编辑身份删空话、查扩大结论和套话。不要让同一个会话从资料整理、起草、润色一路自我肯定到结尾。

编辑提示可以写得很直白：

1
你是编辑，不是代笔作者。
2

3
删除空洞修辞、重复结论和没有信息的过渡句。
4
保留事实、数字、时间、型号、引用和作者已经表达的判断。
5
不要新增材料，不要替作者平衡观点，也不要拔高主题。
6
把抽象判断改成原文已有的事实、动作或例子。
7
不确定是否该删时，标出来，不要偷偷重写。

黑名单后面要跟替代动作#

只说“不要用值得注意的是”没有多大用，模型会找个同义词。每条规则后面要说明怎么改：

发现的句式	处理办法
“值得一提的是”	直接删除；后面的事实如果重要，就让事实自己开头
“带来全新体验”	写清楚快了多少、少了哪一步、哪里更难用
“这不仅……更……”	拆成事实和判断两句话
“从某种意义上说”	说明是哪种意义，说明不了就删
“个人、企业、社会”三段式	检查三段是否真有不同信息，没有就合并
“方向已经明确”	写出方向、行动者和下一步，否则删除

用规则扫描，不要让模型凭感觉自检#

自己的高频雷区完全可以做成正则：

1
真正的.{0,40}(从来)?不是.{0,40}而是
2
(本质|底层逻辑|核心逻辑|更深层的问题)
3
我们需要的不是.{0,50}不是.{0,50}而是
4
对个人而言.{0,150}对企业而言.{0,150}对社会而言
5
这条路或许漫长.{0,30}方向已经明确

正则只负责把句子标出来，不能机械删除。技术文章里的“底层逻辑”有时真在讲底层逻辑，保留与否还得看后面有没有内容。

这个博客已经把扫描脚本做成了实际命令：

1
pnpm review:ai-style -- src/content/posts/文章路径.md

项目规则要求 AI 每次生成或大幅改写文章后主动运行，不用等我提醒。它不是文件监听器，也不挂在 build 上，只在文章写完后执行。

审核结果也不该只扔在终端里。更方便人工处理的办法，是把标记直接写在可疑段落下面，用 HTML 注释说明命中了哪条规则、为什么可疑、建议怎么处理：

1
真正决定一台电脑价值的，从来不是纸面参数，而是它能否融入你的工作流。
2

3
<!-- AI 文风审核
4
- 命中：强行制造“不是 A，而是 B”的对立
5
- 原因：后半句只是“买电脑要看用途”的扩写，没有增加具体信息
6
- 建议：直接写实际用途和取舍；如果没有更多事实，就缩成一句
7
-->

命令默认直接改文件。同一段命中多条规则，就在一条注释里全部列出来；重复运行也不会继续叠加。要只看报告、不写文件，可以加 --check。审核只负责插入注释，不直接改正文。作者看完以后决定保留、改写还是删除，再把处理完的注释清掉。代码块、引用示例和文章里故意展示的 AI 套话不应标记。

现成工具里，llmlint专门扫描中文 LLM 输出的常见问题；textlint可以给 Markdown 配自定义规则。zhlint 和 AutoCorrect 更适合处理中文排版、空格和标点，它们能把版面弄干净，不能负责救活文章。

最后一遍必须由人决定#

人工终审其实只用问几件事：这句话有没有具体信息？这是我真会说的话吗？有没有把个人经历扩大成普遍结论？删掉以后是否损失信息？

AI 很适合查资料、归类、找重复、整理一堆散乱笔记。作者还得负责决定自己究竟想说什么。遇到一段满是“真正”、“本质”、“核心”和“时代”的文字，先把这些包装拆掉。拆完以后什么都没剩，那一段本来就不用修，直接删掉。