AI 当写作与研究伙伴

写作这件事被 AI 影响得最深，也最容易用错。用对了，它能把你从「憋不出第一句」和「改十遍格式」这两件苦活里救出来；用错了，你会交出一篇通顺、规整、看着专业，但没有一句是你自己想说的文章。这一节给的分界线只有一句：让它做「搬运和整形」，不让它做「判断和取舍」。搬运是把材料从一处挪到另一处，整形是把已有的内容换个样子；判断是决定哪个说法可信，取舍是决定什么留什么删。说白了：搬砖和砌墙可以外包，画图纸不能。本节会给出一张「哪一步能给它、哪一步必须自己来」的分工表、一份「让它挑毛病」的十条提问清单、以及研究场景里最要紧的一件事——为什么用 AI 查资料和用搜索引擎查资料在可靠性上完全不是一回事（原因在 § 13.1 已经讲透，这里只讲后果与对策）。

先把写作这件事拆成七步

「用 AI 写作」之所以说不清，是因为「写作」被当成一个动作在讨论。实际上它是七个动作，每一步的性质完全不同，能不能外包也完全不同。

这张表最值得记的是头尾两行都是「绝对不能」。写作的两端——出发时的意图与落笔前的取舍——是不可外包的；中间五步都可以不同程度地合作。其实就是：请人开车可以，但目的地得你定，路上遇到岔路口要不要改道也得你说。

第四步单独说：第一稿到底该不该让它写

这是实践中分歧最大的一步，而且两派都有道理。先把两边的理由摆清楚。

支持让它写第一稿的理由是真实的：很多人卡在「第一句写不出来」这个门槛上，而这个门槛消耗的意志力远超实际难度。有一份草稿在眼前，改起来比从空白开始容易得多——打个比方：让你从零画一张脸很难，让你把一张画歪的脸改正过来容易得多，因为你有了参照物。

反对的理由同样真实：你一旦拿到一份通顺的草稿，你后面做的事就从「写」变成了「改」。而「改」这个动作有一个隐蔽的后果：它把你的思考范围锁定在草稿已经覆盖的范围里。草稿里没提到的那个角度，你大概率不会想起来——因为你的注意力全在眼前这些句子上。

说白了：草稿既是脚手架，也是围墙。

所以这一步的正确做法不是选边，而是加一道前置动作：

【第一稿的正确顺序】

第 1 步（必须自己做，五分钟）：
不打开 AI，先手写三样东西——
 · 一句话：这篇东西要让读者读完后改变什么想法
 · 三到五个要点：不要求通顺，词组就行
 · 一个「绝对不能漏」的清单：这篇要是漏了这几点就白写

第 2 步（可以给 AI）：
把上面三样东西贴给它，让它按你的要点写一稿。
提示词里加两句：
 · 「不要增加我没列出的要点，如果你认为我漏了什么，
    在正文之外单独列出来问我」
 · 「每一段开头一句话点明这段在讲什么」

第 3 步（必须自己做）：
拿到稿子后，先不改文字，先做一件事——
把它每段的第一句话抽出来排成一列，看这一列
能不能自己成文。不能，就是结构有问题，改结构不改句子。

第 1 步是这套流程的关键。因为它保证了「意图与要点」这个最核心的部分出自你，而它只负责把你的要点变成句子。这样即使它写得再好，边界也是你划的。

第 2 步那句「不要增加我没列出的要点」很重要。模型的默认倾向是把内容写「完整」——它会自动补上这类文章通常会有的段落。这些段落往往写得不错，但它们是「这类文章的平均样子」，不是你要说的话。而一篇文章之所以值得读，通常恰恰在于它跟平均样子不一样的那部分。

第 3 步那个「抽出每段第一句排成一列」的检验值得单独学，它是全节最好用的一个小技巧。相当于把一件衣服的骨架抽出来看——如果只看肩线、腰线、下摆的走势就能看出这是件什么衣服，说明剪裁清楚；如果抽出来一看是一堆互不相关的线条，说明这件衣服只是靠花色在撑。

「让它挑毛病」的十条提问清单

既然挑毛病是最高价值的用法，那就把它写成一份能直接抄的清单。下面十条可以一条条问，也可以一次全给它。每条后面注明它专治什么毛病。

【挑刺清单 · 十条】

请对我下面这篇文字做审阅。规则：只指出问题，
不要替我改写；不要夸奖；不要在结尾总结说「整体不错」。
按下面十项逐条给结论，没有问题的项直接写「无」。

1. 逻辑跳跃：哪两句之间缺了一个必要的步骤？
   请指出是哪两句，以及缺的是什么。
2. 无依据断言：哪些句子是断言但没给理由或来源？
   逐句列出。
3. 自相矛盾：文中有没有两处说法互相冲突？
4. 概念漂移：同一个词在前后文里是不是指了两件事？
5. 歧义：哪句话可以被理解成两个意思？
   请把两个意思都写出来。
6. 反方最强反驳：如果一个内行读到这篇，
   他最可能从哪一点开刀？
7. 读者卡点：一个不熟悉这个领域的读者，
   会在哪一句停下来看不懂？
8. 结构：把每段第一句抽出来，能不能自成一篇？
   如果不能，断在哪里？
9. 强弱不匹配：哪些地方我的措辞比证据强
   （比如证据只支持「有时」，我写成了「总是」）？
10. 该删的：哪几段删掉之后，文章反而更清楚？

最后：不要给我总体评价，只回答一句——
「这篇文章最大的一个问题是什么」。

这份清单里有几条值得多解释一句，因为它们对应的是很难自己发现的毛病：

清单最后那句「只回答一句：这篇文章最大的一个问题是什么」是刻意加的。因为一份列了二十条问题的报告等于没有报告——你会挑几条容易改的改掉，最难的那条留在原地。强制它排出「最大的一个」，你才会去处理真正要紧的那个。

顺带说一个措辞细节。清单开头写的是「不要替我改写」，这一条比看起来重要。因为一旦它给了改写版，你几乎一定会用它的版本——那个版本就在眼前，通顺、现成，抵抗它需要额外的意志力。相当于你去理发说「我想剪短一点」，理发师直接给你剪了个他觉得好的发型，你在镜子前是很难说「不，我要原来那种」的。所以要在动手之前就把边界说清。

改文字这一步：怎么让它改而不磨平你

让它润色是最普遍的用法，也是最容易发生「无声损失」的一步。损失的东西叫文风，而它消失得非常安静——每一次改动都只是稍微规整了一点，十次之后你的文字变成了一种谁都能写出来的样子。

为什么会这样？原因和 § 8.2 讲的生成机制有关：模型在每一步都倾向于选择更常见的表达。而「文风」这个东西，本质上就是你在无数个岔路口做出的那些不那么常见的选择。所以润色这个动作在机制层面上天然地向平均值靠拢——说白了：它不是在把你的句子改好，是在把你的句子改成「一般人会怎么写」。

对策有三条，都很具体：

• 对策一：要求它改得可追踪在提示词里写：「每处改动分三栏列出：原句 / 改后 / 改动的理由（具体是哪个问题：赘词 / 语序 / 术语不一致 / 歧义）。不要直接给我全文，先给这张表。」然后你自己挑哪些接受。这一步把「接受与否」的决定权拿回来了，而这正是全节的分界线——它整形，你取舍。
• 对策二：只改指定的类别与其说「帮我润色」，不如说「只做三件事：① 删掉重复表达；② 统一术语（第一次出现给全称，后文用简称）；③ 把超过 60 字的句子拆开。其他一律不要动，包括你觉得不好的比喻和口语化的说法。」其实就是去干洗店说「只洗，不要给我熨出裤线」。
• 对策三：先让它描述你的文风，再要求它保持先问一句：「不要改任何东西，先用五条说清我这段文字的语言特征——句子长短、有没有口语、喜欢用什么句式、比喻多不多。」它描述完，你再说「按这五条保持，只改我下面指出的问题」。相当于装修前先拍照记录原样，改完能对比。

这三条里最实用的是对策一。因为「三栏表」这个格式同时解决了两个问题：你能逐条决定，而且你能从「改动理由」里学到东西。用上二十次之后，你自己写的时候就会自动避开那些问题——这就把一次润色变成了一次学习（正是 § 14.1 讲的：让它指出问题而不是替你改，动作性质就从消费变成了学习）。

研究场景：用 AI 查资料和用搜索引擎查资料，为什么不是一回事

这是本节最要紧的一段，因为它对应的是最容易造成真实损失的一种误用。

很多人把 AI 当成一个「更聪明的搜索引擎」。这个类比在使用体验上成立，在可靠性结构上完全不成立。区别在哪儿？

那张表最后一行的类比要多说一句，因为它解释了为什么这件事这么容易被忽略：一个记性极好的人，你跟他聊十次，九次都对。这九次会让你建立信任，而第十次那个记混的地方，恰恰是你最需要准确的时候（一个具体的条款号、一个具体的剂量、一个具体的截止日期）。

再换一个更贴近日常的画面：地铁的自动报站。坐过地铁的人都有体会——它一路报得又准又稳，可一旦某天系统换线路图、配错了数据，它照样用最从容、最标准的声线把站名报错，你坐过站了才反应过来。AI 在你熟悉的话题上给答案，底气跟这个自动报站一模一样：流畅不等于正确，准了很久也不代表这次就准。所以越是"看起来该没问题"的小事（一个日期、一个数字、一个名字），越是值得顺手核一眼。

那么带检索的版本呢？现在很多产品会先去搜、再基于搜到的内容回答，这就是 § 11.4 讲的 RAG（检索增强生成——先查资料再回答）。这确实大幅改善了情况，但 § 11.4 与 § 13.1 都明确写过：RAG 是缓解不是根除。四种失败方式依然存在——检索不准（搜来的不是那件事）、窗口装不下（材料太长被截断）、检到了却不用（它照自己的记忆答）、知识库本身有错（搜到了一篇错的文章）。

所以对策不是「用哪个工具」，而是一条动作纪律：

【研究场景的三条硬纪律】

纪律一：凡是要写进最终成果的具体事实，
        一律点开原始出处看一眼。
        「具体事实」指：数字、日期、编号、条款、
        人名、机构名、引语原文、法律状态。

纪律二：模型给的出处一律当「线索」用，不当依据用。
        它说「见某某报告第 12 页」，你的动作是
        「去找这份报告」，而不是「引用第 12 页」。

纪律三：找不到就写「未取得」，不要用一个
        「差不多的出处」替上去。
        写「本文未取得该数据的权威来源」比
        编一个来源有价值得多。

第三条是本站自己一直在执行的做法，值得说明它为什么值得学。第 13 章有十六处「未取得权威来源」都在正文明写（§ 13.4 因此一个百分数都没给），第 12 章有八处留白并且把尝试过的地址与失败原因写进了正文。留白比编一个数字有价值得多——因为留白让读者知道这里需要自己去查，而一个编造的出处会让读者以为这件事已经查清了。

复用 § 10 章的提示词方法：写作场景下最有用的四条

第 10 章整章讲提示词工程，那些方法在写作场景里有直接的用法。这里不重复原理，只挑出四条最能立刻改善写作结果的，并注明对应的原节：

• 四要素里最容易漏的是「上下文」（见 § 10.1）§ 10.1 把提示词拆成任务 / 上下文 / 约束 / 格式四块，并强调上下文指的是「那些只有你知道、它不可能猜到、但会改变结论的信息」。写作场景下这块尤其关键：给谁看、对方已经知道什么、你和对方之前有什么交流、这篇的目的是说服还是告知。这四样不给，它只能按「这类文章一般怎么写」来写。§ 10.1 那条黄金法则在这儿完全适用：把提示词给一个不了解任务的同事看，他困惑，模型就困惑。
• 约束要写成正面指令（见 § 10.1）§ 10.1 引的官方对照很典型：不要写「不要用 markdown」，改成「回答应由流畅连贯的散文段落组成」。写作场景的同类改写：「不要写得太官方」→「用第二人称，句子控制在 30 字以内，允许出现口语词」。说白了：否定句只划掉了一片区域，正面指令才给出方向。
• 给示例比给形容词有效（见 § 10.2）要让它写出你想要的风格，最有效的不是描述风格，是直接贴两三段你认可的文字当样本。§ 10.2 特别澄清过一件事：GPT-3 论文里的 few-shot 通常是 10 到 100 个示例，而 Anthropic 官方给工程实践的建议是 3 到 5 个——两个数字都对，但回答的是不同问题，混用等于误引。写作场景属于后者，两三段足够。
• 长材料放前面、问题放后面（见 § 10.4）§ 10.4 讲结构化提示时给了这条摆放顺序，还讲了用标签把任务、数据、格式隔开。写作场景的典型用法：把你的原稿放在 <draft> 标签里、把要求放在后面。相当于寄快递时把地址贴在箱子外面而不是塞在货物中间。另外 § 10.4 提过的 Lost in the Middle 有个常见误读要记住：它测的是关键信息的位置，不是提示词的长度，不能直接推出「提示越长效果越差」。

还有一条不属于技巧、属于心态的，来自 § 10.5：语义几乎相同的两句提示词，效果可能差很远（那一节引的例子是 GSM8K 上 71.8 与 58.8，差 13 个百分点）。这条足以否定「凭语感调提示词」这套做法——写作场景没法建评测集，但至少可以做一件事：同一个要求换两种问法各跑一次，对比结果，而不是第一次不满意就断定「它写不好」。

研究场景的完整流程：从一个问题到一份可交付的东西

把上面各段串起来，给一个可以照做的完整流程。以「你要写一份关于某个陌生话题的报告」为例。

第 ④ 步那个失败信号值得再说一遍，因为它太隐蔽：当两个来源互相矛盾时，模型的默认行为往往是生成一段听起来都对的、把矛盾抹平的话。而矛盾本身恰恰是研究中最有价值的信息。

本站第 12 章处理过三处这种情况，处理办法可以直接抄：把多个来源的原文并列呈现、各自标出处与日期，不挑一个。比如那一章记录的 OpenAI 三个官方页面同日给出三种口径，做法就是三处原文一起列出来，让读者自己看到不一致的存在。「呈现分歧」比「给出一个和谐的答案」诚实得多，也有用得多。

第 ⑦ 步可以直接用这句话：

【事实清单提取】

请把我这篇文章里所有「需要核实的具体事实」
列成一张表，四栏：

原句 | 属于哪类（数字/日期/编号/人名/机构/引语/法律状态）
     | 核实优先级（写错会造成实际损失的排最高）
     | 建议去哪类信源核（不要给我具体链接，给信源类型）

注意：如果某一条是我自己的判断或观点，
不要列进来——这张表只收「可以被外部资料判真假」的句子。

最后单独告诉我：这篇文章里有哪句话，
是把「观点」写成了「事实」的样子。

最后那一问特别有用：把观点写成事实的样子，是所有写作里最普遍也最难自查的毛病。打个比方：「这个方案更合理」是观点，「这个方案成本更低」是可核事实，而人在写作时经常把前者写成后者的语气。

署名与责任：这一节必须说清的一点

技巧讲完了，还有一件事属于这一节但不属于技巧。

你交出去的东西署你的名字。这句话在有 AI 之前是句废话，现在不是了——因为现在有了一个可以指向的对象，人会自然地产生一个念头：「这段是 AI 写的，出问题不算我的。」

这个念头在任何场合下都不成立。学术上，用了未经核实的引文，责任在署名作者；职业上，交给客户的方案有错，客户找的是你的公司；法律上，第 13 章的 § 13.3 讲过版权与生成物归属的复杂性，但那些复杂性从来不包括「因为是 AI 生成的所以没人负责」这一条。

打个比方：餐厅用了中央厨房的料包，端出去的菜出了问题，客人不会去找料包厂，他会找这家餐厅。因为是这家餐厅决定用这个料包、决定端上桌的。

本节因此有一条附加的操作建议，很简单但很有用：保留过程记录。这一点 § 13.3 的收束里也提到过（保留创作过程记录：提示词、时间、版本、你改了什么）。具体做法是留一份工作日志，记三样：

• 哪些部分是它生成的、你改了什么这不是为了「自证清白」，而是为了你自己以后能追溯——三个月后有人问「这个数字哪来的」，你能查到。
• 哪些事实核过、核的是哪个来源最好留链接和访问日期。本站的做法可以参考：所有会变的数字都带查询日期（「截至 2026 年 8 月 8 日」），这样读者能自己判断新鲜度。
• 哪些地方你明知有风险但仍然采用了这一条最容易被忽略，但最重要。写下「这里我没能核实到官方来源，采用了行业普遍说法」——将来出问题，你知道从哪儿开始查，而且你当时是清醒的，不是被蒙的。

场景实操：写一封不好写的邮件

上面讲的都是通用原则。这里落到几个几乎每个人每周都会遇到的具体场景，把话术直接写出来。先说说「邮件」——因为它的难点几乎全在那些 AI 不可能知道的关系信息里，是最容易被用错的场景。

「不好写」通常不是文字难，是关系难——你要拒绝一个人、要催一件被拖了很久的事、要指出对方的错但不想撕破脸。

这类场景恰恰是最不该说「帮我写一封邮件」的，因为难点全在那些它不知道的信息里。正确做法是把关系信息交出来，把措辞任务交给它：

【难写的邮件】

背景（这些只有我知道，你必须用上）：
· 收件人是谁、我们什么关系、谁更需要谁
· 之前发生过什么（哪次沟通、他答应了什么、拖了多久）
· 我的真实目的：__排第一位的那个__
· 我愿意接受的最差结果是什么
· 有哪句话我绝对不能说（比如不能提某个人的名字）

任务：写三个版本，语气分别是
 A 温和但明确  B 中性公事化  C 强硬但不失礼

每个版本后面加一行：
「这个版本最可能引起的反应是什么」

不要替我选，我自己挑。

「三个语气版本 + 各自可能引起的反应」这个格式是这一段最值钱的一句。因为你真正需要的不是一封写得好的邮件，是「看清三种说法各自的后果」这个判断依据。相当于下棋时看三步——你要的不是别人替你走，是把三条路的走向摆在你面前。

场景实操：把一件事汇报给上级

第二个场景是汇报。这类写作的失败通常不在文字，在信息排序：写的人按事情发生的顺序写，读的人想按重要性读。

说白了：你写的是日记，他要的是结论。所以这个场景最有效的提示词不是让它写，而是让它重排：

【汇报重排】

下面是我把这件事的所有信息一口气写下来的原始版本，
顺序是按发生时间排的。

请不要改文字，只做一件事：
按「上级最需要先知道什么」重排，并告诉我
每一块为什么放这个位置。

另外单独指出：
1. 哪些内容是过程细节，上级其实不需要知道（建议删）
2. 哪一处我写了「发生了什么」但没写「所以要他做什么决定」
3. 如果他只看前三句就走开了，他会拿到什么信息？
   这个信息是我最想让他知道的那个吗？

第 3 问是这个模板的核心。「如果他只看前三句」这个假设几乎总是成立的，而按时间顺序写的汇报，前三句往往是最不重要的背景。

场景实操：读一篇很长的东西

第三个场景是读长文。这个场景要特别小心，因为它最容易变成 § 14.1 讲的「假努力」——让它总结，你读总结，然后以为自己读过了。

区分办法很简单：看你要的是「知道这篇讲了什么」还是「掌握这篇的内容」。两者需要的动作是相反的：

最后那一行的问法值得单独记：「这篇的核心论点依赖哪几个前提，哪个前提最脆弱」。这是读任何论述性文章最有穿透力的一个问题，因为论证的强度从来不取决于结论说得多有力，而取决于最弱的那个前提有多弱——打个比方：一根链条能吊多重，看的是最脆的那一环，不看最粗的那一环。