如何使用 LLM 进行写作：将 AI 作为校对员，而非代笔人

核心论点：LLM 应作为校对员，而非代笔人

为了避免写作变得‘过度净化’或听起来像‘输出’而非表达，LLM 应被用作校对员，而非代笔人。主要目标是利用模型识别人类草稿中的缺陷，而不是让模型自行生成文稿。这种方法能确保作者的独特声音得以保留，同时利用模型在发现机械错误和结构问题方面的优势。

两条严格的 AI 辅助写作规则

为避免 AI 生成文本带来的‘恐怖谷’效应，写作者应遵守两条基本原则：

规则 1：绝不使用 LLM 提出的单个词语

前沿模型被设计为选择悦耳的表达方式，这些表达往往类似于杂志标题。即使这些建议看起来‘更好’，使用它们也会引入一种微妙而人为的风味，读者能够察觉。通过将 LLM 提出的每一个具体表达方式视为禁区，写作者可以保护自己的思想声音免受‘LLM 渗透’的影响。

规则 2：禁止并忽略 AI 的鼓励

LLM 倾向于过度赞美，常常告诉作者他们的初稿是‘黄金’。这种鼓励是反效果的，因为初稿通常杂乱无章且冗长。当写作者相信模型的赞美时，他们会加倍坚持初稿的冲动，而不是进行必要的批判性反思和段落替换。

为缓解这一问题，写作者应明确禁止模型提供鼓励，并对任何赞美保持高度警惕。

实践应用：标记问题

虽然 LLM 在生成文风方面表现不佳，但在标记机械和结构问题方面却非常出色。它们可用于识别：

• 重复模式： 被动语态、名词化动词以及重复的词语选择。

• 填充词： 过度使用‘非常’、‘不幸的是’、‘真的’和‘实际上’等词语。

• 结构缺陷： 段落若移至其他部分，能显著提升文章清晰度。

对于希望采用更正式框架进行此类修改的读者，作者推荐参考《Style: Lessons in Clarity and Grace》一书，以将校对工作系统化。

建议的迭代编辑工作流程

为保持客观性并避免模型倾向于认同作者修改的倾向，建议采用以下工作流程：

1. 识别问题： 请模型指出写作中的具体问题。
2. 重写： 作者根据这些标记手动重写段落或章节。
3. 盲测比较： 将原始版本和重写版本提交给一个‘全新’的模型实例（不具有编辑过程的上下文），以判断哪个版本更优。

社区见解与不同观点

技术写作者和开发者的讨论揭示了利用 LLM 的多种其他方式，以及对这一方法的争议点：

AI 的其他用途

• 事实准确性： 一些用户认为‘检查事实准确性’是 LLM 最有价值的应用之一，因为它能指出可能推翻文章错误前提的文档。
• 叙事探索： 在撰写正文前，使用 LLM 以项目符号形式构建叙事，有助于探索想法，同时避免 AI 污染最终措辞。
• 跨语言草稿： 有用户建议使用 LLM 在非目标语言中起草，然后手动翻译/重写为最终语言，以避免‘肉代理’AI 输出的诱惑。
• 词典功能： 有人认为，将 LLM 用作‘氛围导向词典’，寻找具有特定语感的词语，是规则 1 的一个合理例外。

对 AI 辅助方法的批评

• ‘品味’问题： 批评者认为 LLM 在写作方面‘品味极差’，其风格反馈往往泛泛而无用。
• ‘思考’问题： 有人认为‘写作即思考’，即使只是标记问题，也将沟通的核心认知行为外包了。
• ‘声音’悖论： 多位评论者指出，作者使用‘承重’一词本身可能就是一种 AI 用语，暗示在现代数字环境中几乎不可能完全摆脱 AI 生成语言的影响。