AI创作自媒体最大痛点我解决了，AI味太浓，我教你怎么训练

前言

现在只要经常看 AI 文章，很多时候并不需要检测工具，往下读几段就能判断出来。

问题未必出在事实。它可能信息完整、结构清楚，甚至每一段都没有明显错误，但还是会有一种很稳定的“AI 味”：喜欢用赋能、重塑、闭环这类抽象词；喜欢把一句话拆成三句对称判断；每一节都先预告、再总结；明明只是一个具体经验，最后却一定要上升到行业和时代。

这些写法单独看都没有错，连续出现以后，就不像一个具体的人在写了。因为真实的人有自己的知识边界、判断顺序、常用词和停下来的位置，AI 默认给出的却是一套尽量平滑、尽量完整、适合大多数人的平均表达。

AI 默认表达与真人写作痕迹的差别：问题往往不是事实错，而是表达太追求中正客观，反而没有个性。

我后来解决这个问题，不再只靠一条“帮我去掉 AI 味”的提示词，而是把文风做成可以反复调用的 Skill。这里说的 Skill，不是重新训练大模型，也不是让 AI 背几句口头禅，而是把语料来源、思考方式、用词习惯、文章骨架、禁止表达和写后检查，沉淀成一套独立文档。

把语料来源、思考方式、用词习惯、文章骨架、禁止表达和写后检查，沉淀成一套独立文档。

每次写稿时，AI 不再临时猜“我可能喜欢什么”，而是按这套规则工作。写完以后，我的修改又会成为下一轮训练证据。这样跑起来以后，文章才会逐渐接近一个人的真实写法。

1. 首先一个前提：自己有大量创作积累，有自己的风格

文风训练的第一步，不是先找模型，而是先确认自己有没有足够干净的语料，因为我之前自媒体运营过很久，我自己也写过大量不同的风格文案，这些都是我未来训练的素材，用我自己的语料，我可以让AI写出来更像我。

所谓干净，不只是文章数量多，更重要的是来源清楚。本人亲写并确认过的原稿，可以用来学习完整的思考和表达；这次针对新文章直接讲出的观点，可以决定当前这篇怎么走；AI 参与过、本人只改了一部分的稿子，只能证明局部接受；来源不明、未经确认的模型稿，则应该放进隔离区，不能反过来训练自己。

本人原稿、当前观点、AI 协作稿、来源不明稿分开处理。

我本机之前几次文风训练，都会把本人完整原文、当前直接表达、AI 协作稿和来源不明稿分开处理。正向语料负责学习，公开归档可以只做防复刻，模型稿只能作为负例或待确认材料，不能因为句子顺就自动升级成本人文风。

写新题时，也不是从旧文章里找几句像的句子拼起来，而是观察完整文章如何启动、推进、切换尺度和停止，再把历史题目、事实、数字和原句全部拿掉。这件事说明，文风不是词频表，而是一个人如何形成判断。

所以，如果过去没有持续写作，也没有本人改稿，AI 暂时只能学到一种你喜欢的参考风格，不能直接把它叫作“你的文风”。借鉴型基线可以先把结构、用词和节奏拉近，真正的账号文风仍要靠本人后续改稿和发布反馈继续校准。

这个边界很重要。参考别人，可以先获得一种写法；想越来越像自己，最终还是要靠自己的创作积累。

从参考风格走到自己的文风，需要本人语料、持续改稿和全新题盲测。

2. 把自己创作的内容按平台分开，再交给 AI 训练文风

有了语料以后，下一步不是全部丢进一个文件，而是先按“账号 + 平台”拆开。为了把这件事说清楚，我重新核对了本机现有的训练台账。这次能核对出明确语料规模、并且适合放进本文举例的独立文风通道共有 4 条，分别对应抖音、微信公众号、知乎和小红书。

4 条独立通道：抖音、微信公众号、知乎、小红书。合计 260 篇或条，不能混成一个大语料池。

第一条是恋山堂掌柜抖音口播。

这条线先为 729 个公开作品建立全量索引，再预先分层抽取 240 条：200 条做开发，40 条留作验证。开发阶段成功读取 193 条抖音口播，音频约 13.18 小时；另外核对了 6 份 B 站长字幕，其中 2 份与抖音同源，只用于替换更干净的文字，不重复计数，剩余 4 份补充长论证。最终去重后的开发集是 197 个独立作品、244,535 个规范化字符。

留出集最后得到 34 条有效盲测，约 1.76 小时、31,010 个规范化字符。也就是说，这条线不是“看了几百条视频”这么模糊，而是明确记录了索引量、开发量、有效文字量、音频时长和留出量。B 站字幕只补抖音口播的长论证，不因此被算成第六套 B 站文风。

抖音口播：索引 729，开发 197 个独立作品、244,535 个规范化字符；留出 34 条、31,010 字。

第二条是恋山堂微信公众号。

公众号正向文风池是 H34，也就是 34 篇纯公众号历史文章。历史上曾混入一篇嵌套知乎回答的公众号文章，后来被排除，因此现在只认纯公众号清单。它留下来的不是一份混合语料，而是一套只服务公众号书面表达的方法：中心判断怎么建立，因果怎么推进，手机阅读节奏怎么处理。

第三条是恋山堂知乎。

知乎正向池是 H10，也就是 10 篇本人确认的知乎回答。一次源题诊断中，本人修改率达到约 89.4%，说明原来的中心问题模型基本错了；方法修正以后，下一道自然新题的修改率降到约 2.3%，文章顺序相似度约 97.7%，并被采用。这个结果很直接：文风训练不是把旧题模仿得更像，而是换成新题以后，中心问题、文章顺序和修改量都明显改善。

知乎：方法修正以后，新题修改率从约 89.4% 降到约 2.3%，文章顺序相似度约 97.7%，并被采用。

第四条是莫尘小红书。

这条线的正向文风池是 H19，即 19 篇本人完整原文；另外 49 篇公开归档只负责旧题和近似复刻检查，不进入文风检索。当前已经完成本人改稿的分层回溯和候选规则固化，留下来的不是一套泛化的小红书模板，而是莫尘账号自己的靶子、保护对象、判断标准、现实后果和删改规则。

如果只把这 4 条通道用于正向归纳或开发分析的文章数相加，一共是 260 篇或条。但这个总数不能混成一个“大语料池”，因为里面分别是口播转写、公众号文章、知乎回答和小红书本人原文，任务完全不同。

260 篇或条的组成：抖音 197、公众号 34、知乎 10、小红书 19；留出与防复刻材料不混入总数。

目前抖音开发集有完整字符统计，共 244,535 个规范化字符，另有 31,010 个字符的独立留出集。公众号、知乎和小红书的安全台账只登记了篇数，我不会为了让总数更好看临时估算字数。

所以我现在判断一套平台文风训练是否说得清，不再只问“喂了多少文章”，而是至少看 5 个字段：正向语料有多少，防复刻或隔离语料有多少，实际处理了多少字符或音频，留出了多少未见样本，以及这套文风有没有真正进入写作工作流，能不能在新题上写出可以继续使用的文案。

判断一套平台文风是否真正可用：正向语料、防复刻或隔离、字符或音频、未见样本、实际工作流中的新稿结果。

这也是为什么不同平台必须分开。X 需要尽快给结果和判断，公众号可以多走几层因果，知乎先解决读者正在追问的问题，小红书第一屏要提供停留理由，短视频还要考虑声音节奏和画面承载。平台分开以后，AI 学到的才不是一个奇怪的平均值，而是你在具体场景里会怎么说。

X、公众号、知乎、小红书和短视频，各自首先要解决的问题并不相同。

3. 训练完成后，AI 会沉淀什么

我重新看了一遍本机之前做过的几套文风训练，训练完成以后真正留下来的，并不是一页“语气自然、多用短句”的总结，而是六类可以继续工作的资产。

训练完成后留下来的六类资产：语料库、写作规则、负例库、平台方法、改稿晋级、Skill 包。

第一类是经过分层的文风语料库。

莫尘留下的是 H19：19 篇本人完整原文是正向文风池，另外 49 篇公开归档只负责查旧题和防复刻，AI 协作稿、来源不明稿另放隔离区。恋山公众号留下的是 H34：34 篇纯公众号历史文本，只服务公众号书面通道，不能混入知乎、莫尘或其他账号。语料库首先解决的不是“让 AI 多看文章”，而是让它知道哪些能学、哪些只能查重、哪些完全不能进来。

第二类是核心写作规则，而且这些规则会具体到“判断怎样形成”。

恋山堂掌柜的抖音训练最后沉淀下来的，不是固定口头词，而是几种稳定动作：先拆掉一个错误等号，再解释中间机制；同一概念区分不同状态；强判断后校准适用范围；最后回到普通茶友能否感知、有没有必要、值不值得。

莫尘留下的规则又不一样。它强调先锁定具体靶子、保护对象、判定标准和现实后果；不自动补“正面一句、反面一句、再解释一句”的平衡结构；不在判断完成后继续加免责、互动问题或温和升华；相邻两段如果没有增加事实、机制、后果或选择，就直接删掉。训练真正保存的是这种文章运动，不是粗口、反问和短句的数量。

第三类是负例库。它负责告诉 AI 哪些话虽然通顺，但一看就不像本人。

恋山堂的新题盲评里，我选了按学习规则写的版本，同时否定了其中一句看起来专业、实际没有提供机制信息的话。最后沉淀下来的规则是：机制句至少交代“条件、具体变化、结果”中的两项；“反而”前面必须真的存在相反预期；明确否定的句子只进入负例库，不能重新包装成正向模仿材料。

第四类是平台专属的文章方法。

恋山公众号目前留下了几条试运行规则：观点题先建立中心判断和论证弧；长短句只服务手机阅读，不设固定比例；修辞只在能拆概念、显层次时使用；行业批评可以有自我约束，但第一人称必须有当前授权；需要承接商品时，商品只能回应前文已经建立的选择标准。这些规则只属于公众号，不能因为同一个人还写知乎，就直接搬过去。

莫尘小红书则留下了另一组方法：专业信息要转成普通人能观察的表现，但不能损失事实；对抗型题先保住连续的情绪主轴；局部数字或年份有问题时，只做事实手术，不要顺手把整篇改温和；比较候选稿时，传播效果和真人说话感要先于编辑式的四平八稳。

第五类是改稿差分和规则晋级机制。

以前的训练不会把“用户改了很多”笼统归结为“不够像本人”，而是分层判断：改的是中心逻辑、材料角色、立场和商业位置、文章推进，还是只改了词句和排版。初稿和本人版本分别冻结，保留文件校验；同题修改只算回看，候选规则还要到下一道自然新题做一跳验证。

日常写稿中的自然反馈也会留下状态：本人明确否定的规则立即停用；同一种写法在两个不同任务里被反复删除，就先暂停；在三个不同任务里稳定保留，才提高优先级。这样技能会学习，但不会因为一次改稿就被带偏。

规则的停用、暂停和晋级，都要根据明确反馈与跨题重复来决定。

第六类，才是最终可以调用和迁移的 Skill 包。

我本机现在单独保存了 2 套伯岩 X 文风：Codex 整理版本和融合版本。每套里面都有入口文件、来源登记、核心文风、用词与句型画像、产品发布／模型对比／行业观点三种骨架、原创示例和质量门禁。融合版还带检查脚本，会看句长、段长、数字密度、AI 高频词和边界信号；单文件包与校验文件则方便把整套技能迁移给其他模型，并确认文件没有缺失或被改动。

第 2 节里的这些数量也不会只停在统计表中。它们会继续变成句长、段长、短段比例、文章类型覆盖和证据密度画像，因此最终规则不是凭感觉要求“疯狂切短句”，而是根据真实样本决定解释句和落点句各自该承担什么。

把这些放在一起，训练完成后真正沉淀下来的，其实是：一套干净语料、一套稳定判断方法、一套平台结构、一套用词与节奏画像、一套负例、一套验证和改稿学习机制，最后再封装成模型可以反复调用的 Skill。

4. 我现在是怎么做的

可以看一下我现在的 Grok Bot 工作流。它并不是让一个模型从找题、写稿一直包办到发布，而是把不同阶段拆开。

每天 10:00，Grok Bot 的多平台选题班只交选题，不写正文、发布标题或开头，也不直接点运营开写。它先看平台信号、读者问题、账号历史、形式适配和重复疲劳，再把证据、机会、风险和缺口整理出来。证据不够时，主选题允许是 0，而不是为了日报好看硬凑几个题。

这一步也不会加载账号人格。选题层只判断“什么值得写、为什么适合这个平台”，避免文风先入为主，影响事实判断。

Grok 选题层先整理信号与证据；证据不足时，主选题允许为 0。

选题出来以后，由我确认要不要写，并把提纲定下来。文章的中心判断是什么，六个部分各自解决什么，哪些事实不能改，第一人称能写到哪里，先在这一层锁住。

最后才进入成文。我现在在云端配了 Gemini，也在 Gemini 里挂载了对应的文风训练文档。把核实过的材料和确认后的提纲交给它，同时只调用一个账号、一个平台的文风 Skill，让它按规则完成初稿。

这个流程实际是：Grok 负责发现值得写的问题，我负责选择和搭建文章，Gemini 负责按已经训练好的文风成文，最后再由我通读修改。

Grok 选题，我确认提纲，Gemini 成文，最后由我通读修改。

我自己用下来，效果是不错的。Grok Bot 已经在调用这套文风，Gemini 挂载文档以后写出来的新文案也能用。原因不只是 Gemini 会写，而是选题、事实、结构和措辞不再混成一个模糊任务。每一层只解决一个问题，AI 反而更容易写稳。

5. 普通人怎么做

普通人不用先搭一套 Grok Bot，也不需要会写检查脚本。先用文档把最小流程跑通，就已经能看到差异。

第一步，整理本人语料。只保留你亲写并确认过的文章，以及能够看出你真实取舍的改稿；AI 初稿、来源不明稿和“感觉还行但没认真看”的内容单独隔离。

第二步，按账号和平台拆分。宁可先训练一个最常用的平台，也不要把公众号、口播和小红书混成一套。

第三步，让 AI 提取六类结果：核心判断方式、习惯用词、常用句型、文章骨架、禁止表达、写后检查表。要求它说明每条规则来自什么共性，不要把某一篇文章的偶然写法变成固定配额。

第四步，留一批文章不参与训练。规则整理完以后，再拿这些未见文章检查：提取出来的是稳定习惯，还是只记住了几篇样本。

第五步，用一个全新题目做对照。事实、提纲和字数保持一致，一版只用通用提示，一版调用文风 Skill，自己盲看哪一版更像，并指出具体哪句话像、哪句话不像。

全新题盲测：锁定事实、提纲和字数，只比较通用提示与文风 Skill 的差别。

第六步，保存 AI 初稿和本人改稿的差异。一次反馈先记为候选；同样的问题跨题重复出现，再升级成稳定规则。这样技能会越来越准，也不会被一次情绪化修改带偏。

普通人六步：整理语料、按平台拆分、提取六类结果、留出未见样本、新题对照、保存改稿差异。

如果不知道怎么开始，可以直接把下面这段交给 AI：

下面是一批由我本人完成并确认过的文章。请按账号和平台隔离学习，不要仿写任何一篇，也不要复用原句、旧事实或历史经历。请分别提炼我的判断顺序、习惯用词、句型节奏、文章骨架、明确禁区和写后检查规则，并登记每条规则的证据范围。最后整理成一套可单独调用的文风 Skill，同时留出一批未见样本，用新题做盲测后再决定哪些规则保留。

先把一套做完整，比同时训练很多“人设”更有用。

6. 每次写的时候调用自己的文风，再改掉机械表达

有了文风 Skill，不代表以后完全不需要改稿。它真正节省的，是从通用 AI 文章改回本人文章的那一大段距离。

我现在通读时，会重点看几类问题：第一人称有没有超出真实经历；强判断后面有没有事实或具体动作；所谓机制是不是只换了几个专业名词；“反而”有没有真实反转；相邻两段是不是换词重复；结尾是不是已经说完，却又补了一段行业升华。

还有一个很简单的判断：删掉一句以后，信息有没有减少。如果没有，这句话多半只是 AI 为了完整感加上的包装。

通读时重点看的几类问题，以及删掉一句以后信息有没有减少。

这些地方改完以后，不要只留下最终稿。把“AI 原来怎么写、我为什么改、哪些内容不能动”一起记回差分日志。以后再遇到同类问题，技能可以提前阻断，而不是让我每次重新删一遍。

AI 初稿、本人改稿、差分日志、候选规则和跨题验证，组成持续学习闭环。

所以，AI 写得越来越像你，并不是模型突然学会了读心。它只是终于拿到了足够清楚的答案：你相信什么证据，习惯怎样形成判断，在哪些地方会补条件，哪些词绝对不会说，以及一篇文章什么时候应该停。

如果你手上已经有一批自己的文章，先选一个平台做第一套。训练完以后，不要拿旧题自我感动，找一个新题、固定同一份事实和提纲，做一次盲测。你会很快看出来，它学到的到底是几句口头禅，还是你真正的写作方式。