让 AI 说人话，工程上怎么做

一句话：模型只管得住通用套话；要让 AI 写得像你，得在应用层搭一条改稿流水线：冻结判断、机检加人检、把纠正回流成规则。 原文：/posts/ai-plain-language-engineering/

主张

• 去 AI 味被业界做在四层上：提示层（禁用清单）、采样层（解码时回溯拦截）、权重层（训进模型）、验收层（拿语料测误报）。能训模型的往权重里训；用 API 的人只剩提示层和后处理；验收层决定前三层的改动算不算数。
• 清单会过时：厂商自己的禁用词两个月换一版。清单也会误伤：629 篇人机对照里 26 项流传特征只有 11 项有区分度，人类用比喻是生成文本的 2.4 倍、正文设问 17 倍；破折号在不同模型间差四十倍。
• 中文有实证画像但没有阈值：CCL 2023 测得 ChatGPT 中文更书面（单音节 0.379 对 0.483、语气词密度 0.003 对 0.016），但底层是 GPT-3.5、人类侧是网络问答语料，且论文把双音节化视作正常现代汉语。中文侧公开的只有检测语料（C-ReD 12.8 万条），没有去味方法的评测。
• 「像你」模型接不住：给五篇样稿 few-shot，作者归属在博客体 38.47–44.34%、论坛体 26.30–35.59%，而人写原文 79.8–95.5%。个性化微调与风格向量是另一条路，但它们吃的正是你的样稿和改稿。
• 可落地的四个零件：判断账本（治事实丢失）、正则机检（只定位，带实测白名单）、人检与封顶两轮改写、纠正回流（作者纠正优先于通用清单）。会过时的只有机检那一层。
• 实测：站内旧文两篇有 P0 命中；一份 AI 听记摘要改写后 P1 清零、P0 剩一处是作者原话（按白名单保留）；而摘要把「去 AI 味」写成「数据投喂」这类事实错误，正则看不见，是账本抓到的。