AI把稿子写得太顺了,我反而不想读。
AI味最烦的地方,不是说错,而是没说什么,却像说了很多。
我拿航空维修手册的规则改了一篇中文旧稿。结果,连我最舍不得删的金句都被砍了。
起因是Karpathy的一条帖子。
他提到,用ASD-STE100这类受控语言规范约束LLM输出。航空维修手册的写法,拿来管AI?我想试试:英文能管住,中文行不行?
我没照搬整套标准。我挑出几条限制,改成中文规则,贴给模型。
这次实测给我的判断很直接:去AI味,得管句子结构。只说“自然一点”,它真能把废话改得更自然。
很多人一眼认出AI稿,却说不清哪里不对。
我的感觉是:它太忙了。忙着开场,忙着承接,忙着照顾所有立场。等这些动作做完,正事还没说。
我把病灶拆成四个。
第一个,链式过渡词。
“首先”开头,“其次”接住,最后再来一句收束。三步流程齐了,文章就像会议纪要。问题不在这些词不能用,而是每段都得搭台子。
真人会直接说:“这稿不行,问题在第二段。”不用先宣布自己准备讲几个问题。
第二个,空洞总结句。
刚讲完一件事,又提醒你注意;明明没有新信息,还要替你总结。把这些句子删掉,前后照样接得上。那它存在的意义是什么?替段落凑个体面的尾巴。
第三个,对冲式免责。
“在一定程度上”“可能或多或少”,句子一层层往回缩。读完你都不知道,作者到底认不认这个判断。
不确定的事实该保留边界。但事实已经摆在那里,还往判断外面套棉花,就是躲。真人会说:“这个改法没用。”不会说它或多或少存在某种改善空间。
第四个,排比堆砌。
三个起势句式连着来,下一段继续三个。每段都自我对仗,读着像一直在谢幕。排比偶尔能把情绪推上去,每段都推,情绪就成了背景噪声。
这四个动作有个共同点:它们都在替内容撑场面。
换几个词治不了。结构不动,废话就会换件衣服回来。
ASD-STE100是航空维修手册使用的受控英语规范。
它约束词汇,也约束写法。通用允许词汇约900个,一个词限定一个意思。写不出来,就换句子结构、拆句,不靠找近义词来绕过限制。
操作指令的句子压到20个英文词以内。一句只说一件事。动作、对象、条件,不能被一堆修饰裹住。
它追求的不是优美。全球的非母语维修人员,要读一遍就懂。目标是零歧义,不是让人夸作者文笔好。
这件事戳中了我。
中文稿里,我们太容易把“写得丰富”和“说得清楚”混为一谈。词更多,句子更长,看起来就更像正式文章。可读者不负责欣赏你用了多少词。他要知道你在说什么。
受控语言不是教模型多会写,是限制它有多少地方可以绕。
我借的是这个思路,不是把公众号写成维修手册。中文规则也不是ASD-STE100官方标准,是我的实操版。
我给模型的第一条:一句只说一件事,超过25个汉字就拆。
这个数字对我来说是个报警线。句子过长,就回头看:是不是既讲了动作,又补了原因,还顺手塞进一个结论?
拆句也不是见逗号就换成句号。要把事情拆开。谁做什么,先说完。为什么做,下一句说。结果是什么,再往下接。
第二条:删掉所有“进行”“做出”“方面”“层面”。
这是我这次改稿下的硬限制。“进行梳理”留下“梳理”,“做出判断”留下“判断”。“在数据管理层面”这种外壳剥掉,再看里面有没有具体动作。
删完读不通,就重写,不要再补一个同样空的名词。
狠一点才看得见问题。有些句子不是缺少漂亮词,而是拆开以后,里面压根没有动作。
第三条:判断直接说,删掉“可能”“在一定程度上”。
这条最容易被误用。删免责词,不等于把猜测写成事实。
有证据的判断,直接说。没证据的判断,删掉,或者写清缺哪项信息。不能把“数据缺了哪一列”藏在“存在一定不足”里面。
第四条:连接词砍半,逻辑靠句子顺序硬顶。
前一句交代问题,后一句交代后果。能顺着读,就别再塞一个“因此”。如果删了连接词就看不懂,要查的是两句话之间到底有没有关系。
连接词能把句子接起来,不能替你把逻辑补出来。
我最喜欢这条。它逼我检查的不只是AI的措辞,还有我自己的脑子。
旧稿里有一组对比。
改前:
在进行 AI 项目的落地过程中,企业往往需要对现有的数据资产进行全面的梳理与盘点,从而为后续的智能化转型奠定坚实的基础。
改后:
上 AI 项目,先盘数据。家底不清,后面全是空中楼阁。
旧稿把它写成“54字缩到19字”。这次重数,只算汉字,原句实际是53字,改后是19字。旧稿多算了一个字,改短这件事没变。
真正该看的,不是少了多少字。
原句绕了一大圈,只交代两件事:上AI之前要盘数据;不盘清楚,后面的事做不实。改后把这两件事摆到了眼前。
“落地过程中”是背景外壳。“现有的数据资产”在这里就是数据。“全面”“坚实”看着有分量,却没告诉读者盘哪些数据、盘到什么标准。
删掉它们,核心意思还在。
但我也得说清:19字没有凭空变出实施方案。具体项目里,数据在哪、谁能用、缺哪些字段,该补还得补。
压缩的是空壳,不是事实。只剩一句漂亮短话,却把条件和动作删没了,那是另一种写废。
我翻过两次车。这段改稿过程里,最典型的坑就是“改口语点”。
第一遍,我只给了这句话。
它把那句提醒读者注意的套话,换成了“需要指出的是”。意思没变,结构没变,只是换了一张脸。
我看完就烦:我让你改稿,你在给废话找同义词。
现在回头看,要求确实太虚。“口语点”没有告诉它哪句该删,哪个动作多余。模型交回来一份更像口语的稿子,也算完成了字面任务。
第二遍,我把四条规则贴过去,它才真动刀。
长句拆了,空壳删了,原来被藏住的判断露出来了。我能逐句检查,不用再凭感觉说“还是差一点”。
“像人话”是目标,能执行的限制才是改稿工具。
这也解释了为什么只禁几个高频词不够。模型能换词。你得让那种没有信息的句子,连换词以后也过不了关。
意外收获出现在第三稿。
模型主动砍掉了我觉得写得最得意的那个金句。
前两遍,我盯着它的废话。第三遍,它碰到了我的心头好。一下就不爽了:这句我明明觉得很有劲,怎么也删?
可按规则看,我不能因为它是我写的,就给它开后门。
一句话漂亮,不代表它承担了新的信息。脱离上下文很响亮,放回文章里却重复前文,它就是该删。
这次我才真正接受:规则比语气词有用。它不只管AI,也管作者的自恋。
我并不想把每篇文章都改成一样的短句。情绪、节奏、个人习惯,该留就留。但它们得贴着事情长,不能拿来遮住事情。
中文的AI味,不是多加几个“啊”“吧”就没了。没有判断的段落,换成聊天口吻,还是没有判断。
写公众号,这叫改稿。交付AI系统,这叫验收。
系统接上了,模型能回答了,不代表用户就能用。输出一大段正确废话,用户还要自己找结论、猜动作,那只是把整理工作又推回给了人。
所以,模型输出的可读性是可验收指标,不是文风偏好。
我认为FDE交付AI系统时,就该把“输出像人话”写进验收标准。但不能只写这五个字,得往下拆。
一份结果报告,结论有没有直接给?理由能不能对应到数据?下一步有没有动作和对象?删掉开场和总结,剩下的内容还能不能支撑用户做决定?
这些问题能查,能指出哪里没过,也能退回去重写。
句长、空词、连接词数量,可以先查一轮。事实有没有被改,条件有没有丢,还得对照输入。通过字数限制,不等于内容合格。
这也是我这次实测最想带回FDE工作的东西:别只交付一套会说话的系统,还要定义什么话算说清楚。
模型能写很多。用户没有义务读很多。把话说明白,本身就是稀缺能力。
把下面这段贴给AI,后面接上你的原稿:
- 1. 一句只说一件事。超过25个汉字就拆句,不把条件和事实拆丢。
- 2. 删掉所有“进行”“做出”“方面”“层面”。删后不通就重写,留下具体动作。
- 3. 判断直接说,删掉“可能”“在一定程度上”。事实不确定就写明缺什么证据,不把猜测改成断言。
- 4. 连接词砍半,逻辑靠句子顺序硬顶。删后接不上,就重排句子,不用套话补缝。
改完,专门看一眼你最舍不得删的那句。它是在告诉读者一件事,还是只在告诉读者你很会写?
关注“小天说FDE”,评论区贴一句你最想砍掉的AI废话。
觉得这套规则有用,后台私信“FDE”,免费领一份《FDE入门指南》。我程序员转岗FDE踩过的坑、交付AI系统要盯的验收清单,都在里面。