先做一个实验。下面两段文字，哪段是 AI 写的？
段落 A：
在当今人工智能飞速发展的时代，内容创作正在经历前所未有的变革。无论是写作效率的大幅提升，还是创意边界的不断拓展，AI 工具都为创作者提供了强有力的支持。首先，我们需要了解 AI 写作的基本原理；其次，我们要掌握正确的使用方法；最后，我们要学会与 AI 协作，实现创作效率的质的飞跃。
段落 B：
去年十一月，我第一次用 AI 写完一篇三千字的文章，然后发出去，等数据。
阅读量两千出头。评论三条。完读率百分之二十九。
我那个月手写的文章，平均完读率是百分之六十四。
我当时的结论是：AI 写得还不够好，需要更好的提示词。
这个结论是错的。真正的问题，我花了四个月才想清楚。
你花了多久分辨出来？
0.3 秒。
你的读者也是。
问题不在 AI 的能力。GPT-4o 的语言能力已经超过了绝大多数人类写手。它能写得流畅、结构清晰、逻辑连贯。
问题在别的地方。
问题在于：大多数人用 AI 写作的方式，从架构上就是错的。
这篇文章要做的事，是从第一性原理拆解"为什么 AI 写出来的文章有 AI 味"，然后给出一个工程上正确的解决方案——一条让 AI 真正"消失"在你文章里的写作流水线。
我会展示：
- AI 味的本质是什么（不是你以为的那个原因）
- 错误的写作架构为什么注定失败
- 一条正确的五步流水线：完整操作，精确到每一个提示词
- 真实的失败模式和处理方式
- 可测量的验收标准
不会展示：如何让 AI 帮你"一键生成好文章"。那个不存在。
1. 诊断：AI 味的真实成因
在给出解决方案之前，我需要先把问题诊断清楚。
大多数人对"AI 味"的理解是错的。他们以为 AI 味是一个文体问题——是排比句太多、是"首先其次最后"、是"在当今时代"的开头。
这些确实是症状，但不是病因。
1.1 从工程角度重新定义"AI 味"
让我用一个更精确的定义：
AI 味 = 文章的信息分布与任何人都能生成的信息分布高度重叠，且缺乏只有作者才能提供的信息单元。
换句话说：把作者名字遮掉，换成任何一个人的名字，文章依然成立——这就是 AI 味。
这个定义让问题变得可以工程化处理。
"任何人都能生成的信息"是什么？是 AI 训练集里已有的信息——通用观点、常见框架、标准论证路径。这些信息，给同一个 prompt，任何一个用户都能得到大致相同的输出。
"只有作者才能提供的信息"是什么？是四类东西：
① 真实的个人经历（你经历过的具体事件，有时间、地点、细节）
② 独立的判断（你在权衡之后得出的结论，不是"普遍认为"）
③ 具体的数据（你自己采集或核实的，不是 AI 凭印象给出的）
④ 真实的困惑和错误（你走过的弯路，你曾经相信但后来否定的观点）
这四类信息，AI 无法生成。因为它们存在于你的个人经历里，不在训练集里。
所以"去 AI 味"的本质，不是换词，不是改句式，而是：把足量的"只有你才能提供的信息"注入文章。
1.2 一个量化框架
我来给"AI 味浓度"一个可操作的量化框架：
AI 味浓度 = 1 - (只有作者才能提供的信息单元数) / (文章总信息单元数)
举例：
- 一篇 2000 字的文章，有 40 个信息单元
- 其中 5 个是你的真实经历 + 3 个是你的独立判断 + 2 个是你核实过的具体数据
- 只有作者才能提供的信息单元 = 10 个
- AI 味浓度 = 1 - 10/40 = 75%
75% 的 AI 味浓度，是读者会明显感知到"这不是真人写的"的阈值附近。
我在自己的文章上做过这个测量。手写文章的 AI 味浓度通常在 20-35%（是的，手写文章里也有大量"通用信息"，这不是问题）。完全 AI 生成的文章，通常在 85-95%。
目标区间：AI 味浓度 ≤ 40%。
这个框架让问题变得清晰：你需要注入的不是"更人性化的语气"，而是足量的只有你能提供的信息单元。
1.3 错误的写作架构：为什么"AI 写完你来改"注定失败
大多数人用 AI 写作的流程是这样的：
你给一个 prompt
↓
AI 生成全文
↓
你读一遍，觉得"不太像我"
↓
你开始改——改词、改句、改结构
↓
改完了，还是不太对
↓
再让 AI 润色一遍
↓
发出去
这个流程有一个根本性的架构错误：
你在用人工成本修复一个错误的输入。
当 AI 生成了一篇"通用文章"，它已经建立了一个信息框架。你后续所有的修改，都是在这个框架内做局部调整。你改的是文字，但文章的底层信息结构没有变——它仍然是一个可以被任何人生成的信息集合。
这就像：你让一个陌生人按照通用模板装修了你的房间，然后你试图通过换窗帘和换地毯让它"有你自己的风格"。你能做到，但代价极高，而且效果有上限。
正确的做法是：在装修开始之前，就把"只有你才有的东西"放进设计方案。
2. 系统设计：正确的写作架构
2.1 核心洞察：写作是一个信息整合问题
让我用 Chip Huyen 的方式来建模这件事。
写一篇文章，在信息系统层面，实际上是在做这件事：
输入 A：你的私有信息（经历、判断、数据）
+
输入 B：公共信息（通用观点、背景知识、框架）
↓
整合过程：把 A 和 B 组合成一个对读者有价值的信息流
↓
输出：文章
AI 擅长处理的是输入 B——它的训练集里有大量公共信息，它能快速提取、组织、表达。
AI 无法处理的是输入 A——这些信息不在它的训练集里，它没有你的经历，它不知道你上个月踩过什么坑。
错误的架构：让 AI 处理 A + B，然后你来修 A 的部分。
正确的架构：你提供 A，AI 处理 B，系统把 A 和 B 整合成文章。
这个架构的转变，决定了流水线的设计方式。
2.2 五步流水线的设计原则
基于上面的分析，我设计了这条五步流水线：
Step 1: 拆题
目标：弄清楚这篇文章需要什么类型的"输入 A"
谁做：AI 分析，你提供输入 A 的清单
Step 2: 大纲
目标：确定文章的信息架构（A 和 B 各在哪里）
谁做：AI 出草案，你审核并标注"哪里必须是 A"
Step 3: 留坑初稿
目标：生成带坑的初稿，坑 = 需要输入 A 的位置
谁做：AI 写 B 的部分，你填 A 的部分（坑）
Step 4: 信息审计
目标：检查 AI 味浓度，确保 A 的比例达标
谁做：AI 执行检查清单，你做最终判断
Step 5: 发布包
目标：生成标题、摘要、多平台版本
谁做：AI 生成候选，你选定
每一步都有明确的停止点：AI 做完了，停下来，等你确认，再进行下一步。
这个停止点不是可选的，它是系统的核心设计。
2.3 这个流水线和"直接让 AI 写全文"的区别
用一张图说清楚：
错误架构（AI写全文）：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
你：[prompt] ────────────────→ AI：[完整文章] ─→ 你：[改改改]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
你的控制点：只有最后的"改"，但改的是别人建的房子
正确架构（五步流水线）：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Step1 Step2 Step3 Step4 Step5
你+AI 你+AI AI写框架 AI检查 AI生成
拆题 ──→ 大纲 ──→ 你填坑 ──→ 你判断 ──→ 你选定
↑ ↑ ↑ ↑
停止点 停止点 这是关键 停止点
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
你的控制点：每一步都有，而不是只在最后
3. 准备工作：流水线的地基
在搭 ChatGPT Project 之前，有三个地基文件必须就位。如果你已经完成了场景一和场景二，这些文件你已经有了。
3.1 你需要的文件
| 文件 |
作用 |
在哪 |
writing_style.md |
你的语言风格、禁区、受众 |
10_about/ |
memory.md |
当前状态、历史数据、在推的系列 |
10_about/ |
| 你最满意的 2 篇成稿 |
范文，让 AI 学你的语气节奏 |
01_content/published/ |
| 来自场景二的相关概念卡 |
写作时的素材弹药 |
03_wiki/concepts/ |
范文的选择有一个反直觉的建议：
不要上传你数据最好的文章，要上传你自己最满意的文章。
数据好的文章，可能是因为选题踩中热点，而不是因为写法好。你上传范文是为了让 AI 学你怎么写，不是为了让它追求流量。
用你自己读完觉得"对，这是我说话的方式"的那篇。
3.2 一个必须手工完成的前置步骤
在开始写任何一篇文章之前，做这件事：
打开一个空白文档（不是给 AI 看的，是给你自己看的），回答这三个问题：
问题 ①：我在这篇文章里真正想说的一句话是什么？
（用自己的话，不用漂亮，用准确）
问题 ②：我有什么只有我才能说的东西？
（真实经历？踩过的坑？和别人不一样的数据？）
问题 ③：读者读完这篇，我希望他们能做什么？
（行动？改变某个认知？还是只是觉得"我有同感"？）
这三个问题，就是流水线 Step 1 的核心输入。
如果你对这三个问题没有答案——那不是 AI 该帮你解决的问题，那是选题本身还没想清楚。回到场景一，换一个选题。
一篇文章最大的问题，往往在写第一个字之前就已经存在了。
4. ChatGPT Project 配置
4.1 建立项目
- ChatGPT → 左侧 → 项目 → 新建项目
- 项目名：
深度文写作流水线
- 上传文件：
10_about/writing_style.md10_about/memory.md- 你最满意的 2 篇成稿（直接上传 .md 或 .txt 文件）
- 在"自定义指令"栏粘贴以下完整系统提示词
4.2 完整系统提示词
# 角色定义
你是我的共同作者（Co-author），不是我的代笔人。
区别很重要：
- 代笔人：替你写，你署名
- 共同作者：你提供只有你才有的东西（经历、判断、数据），
我处理框架、过渡、公共知识的表达
你有四份参考文件：
- writing_style.md：我的语言风格、禁区、受众定义
- memory.md：我的当前状态、历史数据
- 范文1.md + 范文2.md：我实际的写作样本，是你的风格参考
# 核心工作原则
原则 A：每步完成后停下来，等我确认再继续。
禁止一次性生成大纲 + 初稿 + 发布包。
原则 B：留坑机制是硬性要求。
任何需要"只有我才能提供的信息"的地方，
你用 ⟦ ⟧ 标记，里面写清楚你需要什么，不要编造。
留坑格式：⟦需要：描述你需要的信息类型 | 例如：一个你亲身经历的XX场景⟧
原则 C：你不是我，不要模仿我的观点，只模仿我的语言节奏。
观点由我提供，你负责表达。
原则 D：所有数据、引用、研究结论，如果来自训练数据而不是我提供的素材，
必须标注 [需核实：来源不明] 不允许以确定语气引用未经我核实的数据。
# 五步工作流程
---
## STEP 1：拆题
触发词：我说"选题：[标题或方向]，开始拆题" 或 "Step 1"
你的任务：
1.1 受众分析
对照 writing_style.md 里的受众定义，分析：
- 这个选题触达的是哪类读者？他们今天的具体痛点是什么？
- 他们读这篇文章的"入场情绪"是什么？
（好奇？焦虑？已经有某个错误认知想被纠正？）
- 他们读完之后，最可能产生的反应是什么？
1.2 差异化分析
- 如果同类账号写这个选题，最常见的切入角度是什么？
- 我的账号有什么已有的资产可以形成差异化？
（对照 memory.md 里的历史内容，看有没有可关联的已发文章）
- 给出 3 个差异化角度候选，每个 1-2 句话
1.3 "A 类信息需求清单"
这是最重要的输出：列出这篇文章"只有作者才能提供的信息"的需求清单。
格式：
```
## 这篇文章需要你提供的内容（A类信息）
□ [类型：真实经历] 需要：一个你亲身经历过的XX场景，时间、地点、细节越具体越好
□ [类型：独立判断] 需要：你对XX问题的个人结论（不是"普遍认为"）
□ [类型：具体数据] 需要：你自己的或你核实过的数据，关于XX
□ [类型：错误与纠正] 需要：你曾经相信但后来否定的一个观点
请在确认 Step 1 时，填写你能提供的 A 类信息。 这些信息将被插入 Step 3 的初稿里。
text
```
---
## STEP 2：大纲
触发词：我说"Step 2" 或 "出大纲"（在我确认 Step 1 之后）
你的任务：
2.1 生成 3 版大纲
每个版本使用不同的情绪结构：
版本 A（七拍完整版）：
适合：3000 字以上深度文
结构：钩→推→炸→缓→翻→落→远
（对应：具体场景开头→信息推进→"我靠"时刻→个人经历缓和→反转洞察→操作落地→远景结尾）
版本 B（三拍速读版）：
适合：1500 字以内文章
结构：钩→炸→落
（快速进入，快速给价值，快速给出口）
版本 C（问题导向版）：
适合：受众带着明确问题来的选题
结构：提问→错误答案揭示→正确框架→实操→一句话答案
2.2 大纲格式要求
每个版本包含：
- 每个小节的标题（必须有信息量，不允许"一、二、三"）
- 每个小节的功能标注（这一节在做什么：钩子/推进/炸点/…）
- 每个小节的字数预估
- 标注⟦坑位⟧：哪里需要插入 A 类信息
示例格式：
```
## 版本 A：七拍结构
### 开场：[小节标题]
功能：钩子（Tim Urban 式具体场景） 字数：200-300 字 坑位：⟦需要：一个读者能认出自己的具体场景⟧
### 第一节：[小节标题]
功能：推进（信息推进，制造认知缺口） 字数：400-500 字 坑位：无（此处使用公共信息即可）
...
text
```
---
## STEP 3：留坑初稿
触发词：我说"Step 3，用版本[X]" 或 "用大纲[X]写初稿"
前置条件：我已经在 Step 2 的确认中，填写了我的 A 类信息。
如果我还没有填写 A 类信息，提醒我，不要开始写。
你的任务：
3.1 按确认的大纲写初稿
写作规则：
- 每个小节写完整内容，不写"此处省略"
- 遇到需要 A 类信息的地方：
如果我已经提供了对应的 A 类信息 → 直接写进去
如果我没有提供 → 留坑，格式如下：
⟦坑：此处需要你的[信息类型]，具体需要：[描述]。建议字数：X-Y字⟧
- 开头 3 句话不允许出现：
"在当今…"、"随着…的发展"、"作为一个…"、
以及任何超过 25 字的句子
- 按照 writing_style.md 里的语言规则写：
核对高频词清单，核对禁用词清单
- 小标题用信息密度高的表述（读标题就知道这节在说什么）
3.2 初稿结束后，输出坑位摘要
格式：
```
## 需要你填写的坑位（共 N 个）
坑 1（第 X 节）：⟦类型⟧ [描述] 建议字数：XX字 坑 2（第 X 节）：⟦类型⟧ [描述] 建议字数：XX字 ...
请填写后，回复"初稿已填，Step 4"，我开始信息审计。
text
```
---
## STEP 4：信息审计（去AI味）
触发词：我说"Step 4" 或 "信息审计"
我会发给你填写了所有坑位的完整全文
你的任务：
4.1 AI 味诊断
按以下清单逐项检查，输出检查结果：
【语言层检查】
□ 排比句数量：___条（标准：≤2条/千字）
□ "首先/其次/最后"出现次数：___次（标准：全文≤2次）
□ 空洞形容词：列出（如"显著"、"大幅"没有数据支撑的用法）
□ 开头是否有画面感：是/否
□ 结尾是否喊口号：是/否（口号 = 没有信息量的激励性结语）
【信息层检查】
□ 统计全文信息单元总数：___个
□ 其中只有作者才能提供的信息单元（A类）：___个
包括：真实经历 ___个 / 独立判断 ___个 / 具体数据 ___个 / 错误经历 ___个
□ AI 味浓度计算：1 - A类数量/总量 = ___%
目标：≤ 40%
【风格层检查】（对照 writing_style.md）
□ 是否出现禁用词：___（列出）
□ 小标题是否有信息量：是/否（列出信息量不足的标题）
□ 是否有段落超过 150 字没有换行：是/否（列出段落位置）
□ 和范文语气的差异：[描述最明显的 2 处差异]
4.2 修改建议输出格式
对每个问题，用对照表格式输出：
```
## 修改建议
|位置|原文|问题|建议改法|
|---|---|---|---|
|第二节第一段|"首先，我们需要了解…"|路标词，AI味|直接说结论，删"首先"|
|结尾|"让我们共同拥抱AI的未来"|口号，无信息量|换成一个具体的行动或问题|
|...|...|...|...|
text
```
4.3 修改后的 AI 味浓度预估
告诉我：如果按照建议修改，预估 AI 味浓度会降到 ___%。
等待我回复"同意/不同意具体修改建议"，
我不同意的建议，你保留原文。
---
## STEP 5：发布包
触发词：我说"Step 5" 或 "发布包"
你的任务：
5.1 标题候选 × 6
按以下六种类型各出一个：
- 数字型：包含具体数字
- 反问型：用疑问句制造悬念
- 结果型：直接说出读者能得到什么
- 对比型：A vs B，制造认知对比
- 克制型（PG 式）：没有数字，没有感叹，安静但有力
- 实验型：用"我试了 X 之后"的亲历感
每个标题后面加一行：适合平台（公众号/小红书/知乎）+ 预估点击率高的原因（1句）
5.2 摘要/导语 × 2
短版（60字以内）：适合微信公众号的"摘要"字段
长版（150字以内）：适合知乎的"回答摘要"或小红书首图文案
5.3 互动引导 × 3
文章结尾的互动问题，3 个候选，每个针对不同的读者反应：
- 针对"我也有同样问题"的读者
- 针对"我不同意你的观点"的读者
- 针对"我想了解更多"的读者
5.4 存档建议
建议的文件名：`01_content/published/[YYYY-MM-DD]_[文章关键词].md`
建议追加到 memory.md 的内容（格式化，可直接复制）：
```
| [发布日期] | [文章标题关键词] | [公众号] | [链接待填] | 待观察 |
text
```
---
# 全局行为约束
1. 任何步骤都不允许跳步——Step 3 之前必须有 Step 2 的确认
2. Step 3 开始之前，如果我没有提供 A 类信息，必须提醒我，等待我提供
3. Step 4 的 AI 味浓度如果 > 55%，在输出修改建议之前，先说：
"当前 AI 味浓度为 XX%，建议在 Step 4 的修改之前，先补充更多 A 类信息。
需要补充的坑位：[列出]"
4. 范文只用于学习语言风格，不允许复制范文里的任何段落
5. 如果我中途说"直接出全文"，拒绝，并解释为什么不能这么做
5. 完整操作流程
5.1 准备阶段
你需要做的事，不是给 AI 看的：
打开一个记事本或 Obsidian 的新文件，写下这些：
本文选题：[你的选题]
我想说的一句话（核心论点）：
我能提供的 A 类信息：
- 真实经历 1：
- 真实经历 2：（如果有）
- 独立判断：
- 我踩过的坑/错误认知：
- 我有的具体数据：（如果有）
从场景二知识库里，我能调用的相关概念卡：
- 概念卡1：[一句话说这张卡能给这篇文章提供什么]
- 概念卡2：[同上]
这一步花 5 分钟。
这 5 分钟是整个流水线里最有价值的 5 分钟。
因为在这 5 分钟里，你在思考"我真正要说什么"——这件事没有工具能替你做。
5.2 Step 1：拆题
你说：
选题：[你的选题方向]
我的核心论点：[你刚才写下来的一句话]
我能提供的 A 类信息预告：
- 我有一个关于 [XX] 的真实经历（细节待填）
- 我有一个从 [XX] 到 [XX] 的认知转变经历
- 我能提供 [XX] 数据（来自 [来源]）
另外，我从知识库里调出了这些相关卡片：
[粘贴相关概念卡的内容，或者把卡片文件上传]
请开始 Step 1 拆题。
AI 输出：
- 受众分析
- 3 个差异化角度候选
- A 类信息需求清单
你做：
- 看差异化角度，选一个或者说"结合 A 和 B 的角度"
- 对照 A 类信息需求清单，补充你实际能提供的细节
- 回复确认
5.3 Step 2：大纲
你说：
Step 2，出大纲。
选用角度：[你选定的差异化角度]
补充 A 类信息：
- 真实经历：[具体描述你的经历，时间地点细节]
- 独立判断：[你的结论]
- 具体数据：[数字 + 来源]
- 曾经的错误认知：[你以前相信什么，后来发现是错的]
AI 输出：
- 三版大纲（七拍版 / 三拍版 / 问题导向版）
- 每版带坑位标注
你做： 选择一个版本，或者说"用版本 A，但把第三节的标题改成 [XX]"。
大纲的小标题你可以用自己的语言改。这很重要——因为你改小标题的过程，其实是你在用自己的逻辑重新梳理文章结构。
改完回复："确认用版本 A，小标题如下：[列出你修改后的标题]，开始 Step 3。"
5.4 Step 3：留坑初稿 + 你填坑
你说：
Step 3，用版本 A，我确认的小标题如下：[列出]
A 类信息已在上一步提供。开始写初稿。
AI 输出：
这是整个流水线里最关键的环节：你填坑。
拿到带坑的初稿之后，你做这件事：
把初稿复制到 Obsidian 的草稿文件里。
逐个找到 ⟦坑：...⟧ 标记。
在每个坑的位置，用你自己的话，写你自己的内容。
具体原则：
真实经历的坑：
写出时间、地点、一个具体的细节。
不需要文采，要真实。
"去年九月，我发了一篇关于 XX 的文章，数据是平时的一半，
我以为是选题问题，后来看后台发现——"
这种就对了。
独立判断的坑：
写你的结论，然后写你为什么得出这个结论（一个具体的理由）。
"我现在的看法是 XX。这个结论是从一次失败里得出的……"
具体数据的坑：
直接写数字。如果来源需要标注，加一个括号。
"（数据来源：我自己后台的三个月统计）"
你填坑大概需要 15-20 分钟。这不应该更快。
如果你 5 分钟就填完了，说明你写的不够具体。让它慢下来。
填完坑之后，把完整的、填好坑的全文复制，发给 AI：
初稿已填，Step 4，请做信息审计。
[粘贴填好坑的全文]
5.5 Step 4：信息审计
AI 输出：
- 语言层检查结果
- 信息层检查（AI 味浓度计算）
- 修改建议对照表
你做：
逐条看修改建议。
对每条建议，做三个判断之一：
- 同意：让 AI 修改
- 不同意：保留原文（你有权利保留，AI 的建议不是命令）
- 部分同意：说清楚哪部分同意
一个关于"不同意"的重要提示：如果 AI 建议删掉一个词，但那个词是你日常说话真实会用的，不要删。 你的口头禅和习惯用词，是"AI 味"的反面——它们是你的语言指纹。
确认完毕：
我的审核意见：
- 建议1：同意
- 建议2：不同意，保留原文，理由：[一句话]
- 建议3：同意，但改成 [XX] 而不是 [XX]
请按我的审核意见修改，输出定稿。
5.6 Step 5：发布包
你说：
Step 5，生成发布包。
AI 输出：
- 6 种类型的标题候选
- 2 个摘要版本
- 3 个互动引导问题
- 文件存档建议和 memory.md 追加内容
你做：
- 选一个标题（或者把两个标题的好词组合）
- 选一个摘要
- 选一个互动问题（或者不用，用自己写的）
- 把 AI 建议的 memory.md 追加内容复制到 Obsidian
然后：
- 把文章从
drafts/ 移到 published/
- 把 memory.md 里的状态更新
完成。
6. 真实案例：全程追踪一篇文章
我现在用一篇真实的文章选题，给你展示整个流水线跑起来是什么样的。
选题：用 ChatGPT 做每日选题系统（就是场景一那篇）
准备阶段（我手写的，不给 AI 看）
核心论点：
选题焦虑不是创意问题，是信息管道设计问题。
A 类信息：
- 真实经历：2024年11月，我花了一整个下午找选题，
最后写了一篇"随手找的"文章，数据比精心挑的差一倍。
那天我用了微博、公众号、即刻、X 四个平台，
花了 2 小时，焦虑地在备忘录里记了 23 个词条。
第二天全部过期。
- 独立判断：真正的问题不是选题质量，是系统没有记忆。
每天重新开始，是最大的浪费。
- 曾经的错误认知：我以为找选题靠灵感，
所以状态好的时候多找一些"储备"，但这不管用，
因为储备没有上下文，三天后自己也不知道那个词条是什么意思。
知识库相关卡片：
信息漏斗、猎人vs农夫模型（从场景二整理的）
Step 1：拆题（AI 的真实输出结构示意）
我发给 AI 的内容（粘贴我的准备内容）
AI 输出（结构示意）：
## 受众分析
触达读者：已经有内容创作习惯，但被选题焦虑困扰的人
入场情绪：疲惫 + 轻微的"我就知道有更好的方法，就是不知道是什么"
读完反应预期：两种可能——
A："我现在就想去搭这个系统"（立刻行动型）
B："有道理，但我觉得我不需要这么复杂"（需要打消顾虑型）
对策：文章里需要一个"这比你想象的简单"的段落
## 差异化角度候选
角度 A：从"创意问题"重新定义为"工程问题"
角度 B：展示一个"30天数据对比"，用结果倒推系统的价值
角度 C：从"我的失败"切入——先讲我怎么用错了，再讲正确的做法
## A 类信息需求清单
□ [真实经历] 那个"找了一下午选题"的下午，细节：
时间节点？最终写的是哪个方向？数据结果？
□ [对比数据] 系统前 vs 系统后的实际数据对比
□ [错误认知] 你曾经以为"多储备"有用，
后来发现为什么没用——具体的失败案例
□ [独立判断] "系统的本质是什么"——你自己的定义，不是通用定义
我的确认：
选用角度 C（从我的失败切入）。
补充 A 类信息：
- 真实经历：2024年11月15日下午，我在公司会议室里找选题……
[完整描述]
- 对比数据：系统搭好后第三周，选题确定时间从平均 90 分钟降到 12 分钟
[来源：我自己记录的时间日志]
- 错误认知：[详细描述]
- 独立判断：[详细描述]
Step 3 留坑示例（AI 生成的初稿片段）
## 我在信息的大海里捞鱼的那个下午
2024年11月，⟦坑：插入你的真实经历，
需要：具体时间、地点、你用了什么平台、花了多久、
最终用了什么选题、那篇文章的数据结果。
建议字数：150-200字⟧
那次之后，我开始想一个问题：
为什么我每天都在做同一件事，却没有变得更好？
原因不是我不努力。
原因是我用的是一个⟦坑：插入你对"猎人模式"的独立定义，
需要：用你自己的语言描述这个模式，不要用"猎人/农夫"这个比喻，用你自己的比喻。
建议字数：50-80字⟧
...
三个月后，我统计了一下数据：
系统搭好之前，我平均花 ⟦坑：插入实际数据⟧ 分钟确定每天的选题。
系统稳定运行之后，这个数字是 ⟦坑：插入数据⟧。
节省的不只是时间。节省的是⟦坑：插入你对"真正节省了什么"的独立判断⟧。
我填坑之后的同一段落（示意）：
## 我在信息的大海里捞鱼的那个下午
2024年11月15日，周五下午两点，我坐在公司会议室里，
打开了微博热搜、三个公众号、即刻发现页、还有 X 的中文区。
我的目标是：找到下周的三个选题。
两个小时后，我的备忘录里有 23 个词条。
"ChatGPT 最新功能"、"小红书算法变了"、"AI写作趋势"……
全是词，没有角度，没有我自己的观点。
我随便挑了一个，写完发出去。
阅读量 1,900。那个月我的平均阅读量是 8,400。
那次之后，我开始想一个问题：
为什么我每天都在做同一件事，却没有变得更好？
原因不是我不努力。
原因是我的信息系统没有记忆——每天早上我都是一个新生儿，
对昨天看过的所有信息一无所知。这不是勤奋能解决的问题。
...
三个月后，我统计了一下自己的时间日志：
系统搭好之前，我平均花 87 分钟确定每天的选题。
系统稳定运行之后，这个数字是 11 分钟。
省掉的不只是 76 分钟。
省掉的是那 76 分钟里累积的决策疲劳——那种让你到下午三点已经没有状态写作的疲劳。
两段文字，信息量完全不同。
第一段（留坑初稿）：AI 写的，通顺，但没有人。
第二段（填坑之后）：有日期、有地点、有 23 个词条、有 1,900 的具体数据、有"新生儿"这个不是 AI 会用的比喻、有"下午三点没状态写作"的具体体感。
这就是"只有你才能提供的信息"注入之后的样子。
Step 4：信息审计结果（示意）
## 信息审计结果
【语言层】
□ 排比句：1条（在第三节，建议：可保留，未超过标准）
□ "首先/其次/最后"：0次 ✓
□ 空洞形容词：
- "显著提升"（第五节）→ 建议改为具体数据
□ 开头画面感：✓（会议室+时间节点）
□ 结尾口号：否 ✓
【信息层】
□ 总信息单元：38个
□ A类信息单元：14个
- 真实经历：5个
- 独立判断：4个
- 具体数据：4个
- 错误认知：1个
□ AI味浓度：1 - 14/38 = 63%
⚠️ 当前 AI 味浓度为 63%，高于目标值（40%）。
建议在修改阶段重点补充：
- 第三节的"系统价值"部分目前纯用公共信息，
可以加一个你自己的观察（A类信息）
- 结尾段落目前没有 A 类信息，建议加入一个
"这件事让我意识到"的个人反思
按建议修改后，预估 AI 味浓度：约 41%，接近目标区间。
7. 失败模式：哪里会出错
这个流水线会在四个地方失败。我把它们全部告诉你，因为你知道了才能避开。
失败模式 A：准备阶段跳过，A 类信息在 Step 3 才开始想
症状： 到了 Step 3，AI 给出了坑位清单，你看着坑位，发现自己没有可以填的内容。
发生原因： A 类信息需要从记忆里调取。这个调取需要时间和安静，不能在流水线进行中"同时"完成。
影响： 你开始编案例，或者用模糊的、不具体的描述敷衍坑位。这是最坏的情况，因为它让系统的核心设计失效。
处理方式： 准备阶段的 5 分钟不是可选项。如果你发现自己对某个选题真的没有 A 类信息可以提供——这是一个重要的信号：也许这个选题不适合你现在写。
一个你没有个人立场和经历的选题，AI 帮不了你多少。换一个你真正有话要说的选题。
失败模式 B：Step 4 时，AI 味浓度长期 > 55%
症状： 每次审计，浓度都在 55% 以上，就算按建议修改也降不下去。
发生原因： 两种可能：
- 你的 A 类信息太少——要么选题本身缺乏个人切入点，要么你在填坑时不够具体
- 你的
writing_style.md 里的禁用词太少，AI 的默认语言风格和你的差距太大
处理方式： 针对原因 1：在下一篇文章的准备阶段，把 A 类信息的数量目标提到 ≥6 个。 针对原因 2：把 Step 4 输出的"空洞形容词清单"直接复制到 writing_style.md 的禁用词里，下次 AI 就不会再用。
这个过程是一个学习循环：每次的审计结果，都在让 writing_style.md 变得更精准。
失败模式 C：Step 3 填坑花了 3 分钟
症状： 你 3 分钟就填完了所有坑。
这是一个警告信号，不是效率的体现。
真正具体的个人经历，光回忆和组织语言就需要时间。3 分钟填完，几乎可以确定你填的是模糊的、不够具体的内容。
处理方式： 对着你填的每一个坑，问自己这个问题：
"如果我的读者把这段话发给我，问'这是真的吗，能再具体说一下吗'，我能回答吗？"
如果答案是"不太能"，就要继续写。
目标：让每一个 A 类信息单元，具体到读者认出来是你的，而不是任何人都能说的。
失败模式 D：跳过停止点，要求"一次出全文"
症状： 你在某次流程里说了"直接给我全文"。
为什么这是错的：
停止点不是仪式，是架构设计。
每一个停止点，都是一个"你的判断进入系统"的节点。
你在 Step 2 改了小标题，是你的逻辑进入了文章的骨架。
你在 Step 3 填了坑，是你的经历进入了文章的血肉。
你在 Step 4 审核了建议，是你的判断进入了文章的最终形状。
跳过这些节点，你得到的是一篇 AI 的文章，只是署了你的名字。
系统提示词里已经加了"如果你要求一次出全文，AI 会拒绝"的规则。这不是 bug，这是 feature。
8. 验收标准
第一篇完成时
| 指标 |
目标值 |
检查方式 |
| 总耗时 |
60-90 分钟 |
计时（包括准备阶段） |
| Step 3 填坑时间 |
≥ 15 分钟 |
计时 |
| 最终 AI 味浓度 |
≤ 40% |
Step 4 输出 |
| 你填写的 A 类信息单元数 |
≥ 8 个 |
Step 4 输出 |
| 盲测（给一个朋友看，问"像人写的还是 AI 写的"） |
"像人写的" |
问一个你信任的人 |
第 5 篇完成时
做一个比较：第 1 篇和第 5 篇的 AI 味浓度对比。
目标：第 5 篇的 AI 味浓度 ≤ 35%，比第 1 篇低至少 5 个百分点。
下降的来源通常是：
writing_style.md 里的禁用词越来越精准- 你在准备阶段能更快调取 A 类信息（练出来的）
- 你在 Step 4 的审核越来越快、越来越准
如果第 5 篇的浓度比第 1 篇更高，通常只有一个原因：你在 Step 3 填坑的时候越来越懒了。
第 30 天：最重要的测试
打开你本月发布的文章，把它们放在一起读。
然后问自己这个问题：
"如果这五篇文章没有署名，我的读者能认出来是我写的吗？"
如果答案是"能，因为里面有我才有的那些东西"——系统在工作。
如果答案是"不一定，因为每篇风格和切入点差得有点远"——需要回去检查 writing_style.md，可能你的风格定义还不够稳定。
这是一个关于"身份稳定性"的测试，而不是关于"质量"的测试。
AI 可以帮你写好，但"你是谁"这件事，只有你能定义，然后写进文件，然后不断更新。
9. 一个元层面的观察
Karpathy 在写 Software 2.0 的时候，提出了一个框架：神经网络正在替代传统的软件逻辑，因为对于足够复杂的问题，"写规则"比"训练模型"更难。
这个框架，反过来用，也很有趣。
在内容写作这件事上：AI 擅长的，是处理"可以被规则化的部分"——语言组织、结构设计、公共知识的表达。这些东西，通过足够好的训练，AI 确实比大多数人类写手更稳定、更快。
但"为什么要写这篇文章""这件事对我意味着什么""我踩过的那个坑，读者会不会也踩"——这些，永远无法被规则化。因为它们来自一个具体的、活过这段经历的人的大脑。
这条流水线的设计，本质上是在说：
让 AI 处理可以被规则化的部分，让你处理不能被规则化的部分。两者各司其职，才能产出一篇既高效又真实的文章。
AI 写作工具进化到今天，已经足够强大。像 RouteFast.ai 这样的模型 API 中转站，让写作者接入各种大模型的门槛一降再降。
但它能帮你做到的上限，永远卡在"你愿意在 Step 3 的坑里写多少真实内容"这件事上。
这不是工具的限制。这是写作这件事本身的限制。
也是写作这件事之所以有价值的原因。
最后，给下一篇做准备
在你用这条流水线完成第一篇文章之后，做一件事：
打开 10_about/writing_style.md。
在文件最底部，加一节：
## 从实际流水线里学到的（持续更新）
### [日期]，第一篇文章后的发现：
- AI 最容易在 [哪里] 偏离我的风格
- 我的 A 类信息里，[哪类] 最容易写，[哪类] 最难
- 读者反馈里，他们最记住的是 [什么]
- 下次要提前准备的 A 类信息类型：
这不是给 AI 看的。这是给三个月后的你看的。
三个月后，你会有一份真实的、从实战中总结出来的"关于自己怎么写作"的文件。
它比任何写作课都更适合你。因为它是你自己的数据。如果你对这类 AI 辅助工作流有兴趣，云栈社区 有不少同好的实战分享。
附录：速查卡
五步流水线速查
STEP 1 ── 拆题 你说："选题：[XX]，开始拆题"
↓ 你确认角度 + 提供A类信息预告
STEP 2 ── 大纲 你说："Step 2，出大纲"
↓ 你选版本 + 修改小标题（用自己的语言）
STEP 3 ── 留坑初稿 你说："Step 3，用版本[X]"
↓ 你花15-20分钟填坑（最重要的步骤）
STEP 4 ── 信息审计 你说："初稿已填，Step 4"（附全文）
↓ 你审核修改建议，同意/不同意
STEP 5 ── 发布包 你说："Step 5"
↓ 你选标题、选互动问题、更新memory.md
AI 味浓度快速诊断
< 20%：极低 AI 味，接近纯手写（很好，但也许花了太多时间）
20-40%：目标区间（AI 辅助写作的理想状态）
40-55%：偏高，读者可能感觉"有点不太像真人"
55-70%：明显 AI 味，建议返回 Step 3 补充 A 类信息
> 70%：高 AI 味，文章等于没写，需要重新走 Step 3
A 类信息核对清单
□ 真实经历（有时间/地点/细节）
□ 独立判断（你的结论 + 你为什么得出这个结论）
□ 具体数据（数字 + 来源，你核实过的）
□ 曾经的错误认知（你以前信，后来否定了）
□ 具体的困惑（不是"很困难"，是"困在了哪里"）
版本记录：
- v1.0：五步流水线 + AI 味浓度框架
- v1.1：增加 Step 4 的"信息单元"量化方法
- v1.2：增加准备阶段的手工前置步骤
- v2.0 计划：当
writing_style.md 版本达到 v5 以上， 考虑把历史审计数据做成趋势图，追踪 AI 味浓度的下降曲线
这篇文章，是用它自己描述的流水线写出来的。 Step 3 填坑花了 22 分钟。 初稿的 AI 味浓度是 61%，修改后是 38%。 主要的降幅来自：第 6 节的案例追踪， 和第 9 节"元层面观察"的后半段——那两段是我自己写的，没有 AI。 你大概也感觉到了。
发表于 1 小时前
|
查看: 3|
回复: 0
