AI写作的“AI味”从何而来

很多人都有过这样的体验：向一个智能写作工具提问“这段代码报错怎么改”，它先肯定你的问题，再列出四个可能方向，每个方向配一个加粗小标题，最后建议“从多个维度排查”。三屏读完，仍然不知道具体改哪一行。让它写文案，得到的往往是“在这个快速变化的时代，每个人都在寻找属于自己的答案”这类句子——语法正确、立场安全，但读完没有任何信息增量。

这种现象被笼统地称为“AI味”。但“AI味”并不是一种玄学气息，它背后有明确的技术成因。只有把成因拆开，才谈得上消除。

一、什么是“AI味”：三个可观测特征

从工程视角看，“AI味”可以拆解为三个可观测的特征。

第一，信息增益低。 一段文本如果删掉之后，读者对问题的理解没有任何损失，那它就是低增益文本。“建议从多个维度排查”就是典型：它不包含任何可执行动作，也不缩小搜索空间。

第二，结构过度对称。 模型在训练中大量接触“总—分—总”“首先—其次—最后”这类模板，导致输出倾向于把任何问题都塞进固定框架。四个并列小标题看起来条理清晰，但如果其中三个与当前报错无关，结构反而成了噪声。

第三，表达分布趋中。 解码时模型倾向于选择高概率词，而高概率词往往是训练语料中的“安全表达”。“快速变化的时代”“属于自己的答案”就是分布趋中的产物：它们几乎不会出错，也因此几乎不携带信息。

二、成因分析：为什么模型会写成这样

1. 训练目标奖励“像”而非“对”。 语言模型的核心目标是最大化下一个词的条件概率。在海量语料中，“夸一句再分点”是高频模式，模型学会它是自然的。但“像一篇好回答”和“解决一个具体问题”是两件事。

2. 上下文约束不足。 当提示只包含“报错怎么办”，模型不知道语言、框架、版本、完整堆栈，只能给出覆盖多种可能性的通用回答。通用性越强，针对性越弱，AI味就越重。

3. 解码策略放大安全表达。 温度、top-p等参数控制随机性。默认配置偏向保守，模型会反复选择最常见表达。调高随机性可以增加多样性，但也可能引入事实错误，需要配合其他手段。

4. 缺乏可验证的反馈闭环。 人类专家写排查步骤时，心里有一条“这样改完能不能跑通”的验证链。模型没有运行时反馈，只能生成“看起来合理”的步骤，而不是“验证过有效”的步骤。

三、消除AI味的可落地方法

3.1 提示层：把约束写进输入

最直接的干预在提示设计。对比以下两种写法：

差的提示：这段代码报错怎么办？
好的提示：以下是完整的报错堆栈和代码片段。
环境：某语言 3.x，某框架 2.x。
要求：
1. 先指出最可能的根因，只给一个；
2. 给出可直接替换的代码片段；
3. 如果信息不足，明确列出你需要我补充什么；
4. 不要罗列多个可能性，不要写总结性套话。

关键是把“不要什么”和“要什么”同时写清楚。模型对否定指令的遵循度有限，所以更有效的方式是给出正向的格式约束，例如“只给一个根因”“给出可替换代码”。

3.2 上下文层：用检索注入事实

通用模型缺少你的项目上下文。把相关文件、日志、接口定义、历史决策检索出来，拼进提示，能显著降低空泛度。一个简化的流程：

def build_prompt(question, retriever):
    docs = retriever.search(question, top_k=5)
    context = "\n---\n".join(docs)
    return f"""仅根据以下材料回答，材料中没有的信息不要编造。
材料：
{context}
问题：{question}
如果材料不足以回答，直接说明缺少什么。"""

这条规则的核心是“允许说不知道”。模型一旦被允许拒答，就减少了用套话填充的动机。

3.3 解码层：控制随机性与重复

在调用接口时，适度调整解码参数可以缓解表达趋中：

• 降低重复惩罚的激进程度，避免为避重复而扭曲语义；
• 适度提高温度，但配合事实校验；
• 使用停用词或后处理过滤“综上所述”“值得注意的是”等高频填充语。

这些手段治标，不治本，但作为流水线的一环仍然有效。

3.4 后编辑层：用规则和模型双重过滤

对生成结果做自动检查，例如：

BANNED = ["在这个快速变化的时代", "从多个维度", "值得注意的是"]
def score(text):
    penalty = sum(text.count(p) for p in BANNED)
    has_action = any(k in text for k in ["替换", "删除", "改为", "添加"])
    return penalty, has_action

规则负责拦截明显套话，模型负责判断是否真正回答了问题。两者结合，比单纯依赖一种手段更稳。

3.5 评估层：建立可量化指标

要持续改进，就需要可量化的评估。可以定义几个简单指标：

• 可执行率：回答中是否包含可直接执行的动作；
• 信息增益：删掉某段后读者理解是否受损；
• 事实一致率：回答与给定材料是否一致；
• 拒答准确率：信息不足时是否正确说明。

把这些指标接入持续评估流程，才能判断一次提示或参数调整是否真的降低了AI味。

四、一个完整的改写示例

原始输出：

你问得很好。这个问题可能涉及四个方面：配置、依赖、网络、权限。建议从多个维度排查。

改写后：

根据堆栈，根因是依赖版本不匹配：某库要求 2.x，当前锁定在 1.x。将依赖声明改为 某库>=2.0,<3.0 后重新安装即可。如果仍报错，把新的堆栈发我。

差别不在于语气，而在于后者缩小了搜索空间，给出了具体动作，并定义了下一步。

五、结论

AI味不是模型“性格”问题，而是信息增益、上下文约束、解码策略和反馈闭环共同作用的结果。消除它没有单一开关，需要在提示设计、上下文注入、解码控制、后编辑和评估五个层面同时用力。对开发者而言，最实际的一步是：在提示中明确要求“只给一个根因、给出可替换代码、信息不足时直接说明”。这一步就能过滤掉大部分空泛输出。

真正有价值的生成结果，不是读起来像人写的，而是读完能让人改对一行代码。