这两年使用 AI 写作的人应该都能感受到一个变化同样的提示词早期拿到的结果常常让人眼前一亮现在却经常是通顺但平庸、完整但没什么信息量。Ethan Mollick 把这个观察说得很直接AI 写作的第一个黄金时代已经结束。这个判断不是随口感叹。它指向的是 AI 辅助写作进入了一个更清醒的阶段靠“模型能写出完整段落”带来的新鲜感红利没有了靠通用提示词生成“看起来不错”的初稿也不太够用了。接下来拼的是你把多少真实判断、任务拆解、事实核查和风格要求放进流程里。写博客、写方案、写课程材料、维护技术文档只要你在真实工作里用 AI 产出文字这个判断都值得细读。不是 AI 没用了而是过去那种“一句话生成文章”的用法已经很难应对稍微复杂一点的任务。1. 黄金时代结束到底是指什么结束了1.1 早期的红利主要来自“你没想到它能写成这样”第一次接触大语言模型时大多数人都有一个共同反应它居然能把一段零散的想法整理成结构完整的段落。这种体验在早期确实有冲击力因为它把写作中最低门槛的“把话说完整”这件事自动化了。于是很多人的使用习惯就定格在这个阶段给一个主题让它生成一篇内容然后复制、修改、发表。这个模式一开始很有效因为读者还没有大量见过这种文字模型输出的结构感、术语丰富度和完整性已经超过不少粗糙的初稿。但“没想到它能写成这样”的红利注定是短期的。原因很简单当所有人都用同一个方法去生成文字时读者会快速建立起辨识能力。那些“首先……其次……最后……”的结构“值得注意的是……”“需要指出的是……”的过渡“在当今数字化时代”式的开头很快就会变成一种模板腔。模板一旦被识破原本的“惊艳感”就变成了“廉价感”。1.2 第一阶段的产出正变得越来越同质化AI 写作第一阶段还有一个特点模型生成的内容极度依赖训练数据里出现频率最高的表达方式。频率高的表达好不好另说但它一定是安全、常见、容易被复制的。这就带来一个实际问题如果只给 AI 一个宽泛的话题它大概率会返回一篇“平均水平的合格文章”。单独看句子基本通顺逻辑没有硬伤放在一起却很容易让人觉得像在哪里见过。我自己的测试感受也比较明显。同一个模型在 2023 年写“如何提升远程协作效率”能给出很多让人意外的执行细节到了现在如果提示词不够具体它的回答更像把网上常见的十条建议重新排列了一遍。不是模型变笨了而是网络上的同质化文本变多了训练数据里对这类问题的“标准答案”变得更集中。这个结果反映在写作上就是同质化。所以要分清结束的不是 AI 的生成能力而是“靠宽泛输入获得高质量输出”的窗口期。宽泛输入只能得到宽泛结果这是第二阶段最基础的认知。1.3 Ethan Mollick 真正想提醒的是主导权问题Ethan Mollick 长期在真实的工作和教学场景里测试 AI他说“第一个黄金时代结束”我更倾向理解为AI 写作从“让模型展示能力”的阶段切换到了“让模型配合人完成任务”的阶段。第一个阶段里人被 AI 的文本生成能力带着走。拿到一段输出判断标准往往是“像不像人写的”“顺不顺”。第二个阶段里主导权要回到人手里。先定义任务的目标、读者、约束和验收标准再让 AI 去生成素材和候选方案。人负责拆任务、选方向、查事实、改语言AI 负责扩写、压缩、换角度、做初稿。这个转变看起来只是流程变化实际上是效率差距的来源。第一阶段的使用方式本质上是在用 AI 的文本量替代人的思考量。第二阶段的使用方式则要求你先想清楚要解决什么问题再让 AI 在特定的空档里介入。两者产出的质量差异在长文、专业文档和严肃写作任务里会越来越明显。2. 第一轮热潮里大家普遍把 AI 用错了2.1 把提示词当成许愿池是最大的习惯误区很多用户第一次接触这类工具时喜欢问“帮我写一篇关于某某的文章”。这个习惯背后有一个隐含预设写作是一个从无到有的过程只要给出主题就能得到文章。但这个预设其实只适用于那些内容普适、不需要专业判断的轻量任务比如简单的说明、常规的通告、泛泛的科普。一旦任务涉及真实经历、具体数据、个人观点或专业背景宽泛提示词就会露馅。它会用完整句式把缺失的信息包装起来读起来很流畅却回避了真正需要判断的问题。我在给技术方案写初稿时一度也习惯直接让 AI 生成“方案概述”。结果发现它写出来的内容大多是正确的废话既没有项目背景也没有约束条件。后来我改成先把问题背景、可选思路、已知限制写成任务笔记再让 AI 基于这份笔记生成正文初稿可用程度立刻提高很多。提示词不是跟 AI 许愿而是给 AI 传递任务边界。边界写得越具体输出越能贴近真实需求。这是第一阶段和第二阶段在操作层面最大的差异。2.2 把初稿当成终稿省掉的其实是思考第一阶段还有一个更隐蔽的问题很多使用流程到“AI 生成一版初稿”就结束了。名义上是初稿实际上被当成了终稿。用户只做轻微格式调整然后直接发布或提交。这种用法在短内容、内部备忘、不需要承担责任的材料里问题不大。但一旦涉及对外发布、技术文档、专业分析它的风险就会集中暴露。因为语言通顺只代表表达层级没问题不代表内容在事实上、逻辑上、边界条件上没有问题。AI 生成文字最大的缺点是它不会主动告诉你它不确定。它可以编造一个看起来很严谨的引用也可以把两个相近概念混在一起还不自知。人如果没有带着审校意识入场那些错误就会被流畅的句子包装得更难发现。更麻烦的是省掉的恰恰是写作里最有价值的部分。写作不只是把已有想法记录下来它本身就是一个整理思路的过程。当你把 AI 的输出直接当终稿等于放弃了用文字来确认自己的判断是否成立的机会。2.3 第二阶段的分水岭从“写出来”到“写对了”回顾第一批用户的核心诉求会发现大家关注的几乎都是“能不能写出来”。衡量标准是数量一千字还是一万字段落是否完整标题能不能一眼抓住人。这是 AI 写作第一阶段的主流判据。第二阶段的判据需要改变核心是“写对了没有”。这个“对”包括几个维度事实是否可核查。逻辑是否有跳跃。案例是否匹配上下文。语气是否贴合目标读者。结构有没有承担论证功能而不是单纯撑着篇幅。结论是否来自前置分析而不是套话。这些问题AI 不能自己替你把关但它可以帮助你把每一项检查得更快。换句话说AI 的价值正在从“代笔”转向“陪练和助理”。谁先完成这个心态切换谁就能在接下来更稳定的模型环境里拿到真正可持续的效率。3. 现在还能怎么用把写作拆成人机协作流水线3.1 先写任务说明书再让 AI 生成正文我现在写稍微长一点的材料不会再直接输入主题。我会先花几分钟写一份任务说明书内容大致包括这篇文章要解决什么问题。读者是谁他们已经知道什么他们反感什么。我有哪些必须保留的核心观点或经历。我不希望出现的表达方式。如果只能让读者记住一件事这件事是什么。输出长度、语气、结构上的约束。这份任务说明书本身不需要很长甚至可以像聊天记录一样随意但它决定了 AI 输出的上限。原因在于AI 不知道你脑子里那些上下文。所谓好提示词不是从网上抄来的复杂句式而是把你脑中那些没有写出来的限制条件补全。有了任务说明书之后再让 AI 生成部分模块比如开头、案例、阻力分析或备选标题。你会发现它的输出会更像“一个了解背景的同事提供初稿”而不是“一个陌生网民生产拼接内容”。3.2 让 AI 提供选项而不是唯一答案第一阶段的问题是总想让 AI 一次给出“最好版本”。第二阶段我更推荐的做法是让 AI 给出三个方向完全不同的方案再挑一个去深化。比如写一个功能发布说明不直接问“帮我写一条功能发布说明”而是先让它给出三种开头策略从用户痛点切入。从具体场景切入。从功能变更的必要性切入。这一步不是让 AI 生成三篇完整文章而是用低成本的方式拓宽你的选择空间。写作的大部分瓶颈不在于不会写句子而在于选择哪个角度、哪些论据、哪种节奏。AI 生成“选项”的能力比生成“唯一答案”的能力更有价值也更稳定。选定方向后再让 AI 只在修改后的方向上继续扩写。这样形成的文章有一条清晰的决策链路先由人判断方向再由 AI 负责展开最后由人负责收口。3.3 把挑刺交给 AI把拍板留给自己AI 的批判性审视能力经常被忽略。很多人只让它写不让它审。实际上让 AI 换一个角色检查已经写好的稿子往往能暴露很多盲点。你可以把当前版本贴在对话里然后提三种要求“如果读者完全不了解背景哪里会看不懂”“如果读者处于反对立场最可能质疑哪一段”“如果只能保留三分之一篇幅应该删什么”“找出哪些段落删掉之后不影响信息量。”“找出哪些地方你用了含糊词逃避精确表达。”这些问题的价值不在于 AI 的答案一定正确而在于它会强迫你用另一种姿势重新审视自己的稿子。人很容易被自己的文字说服尤其经过多次修改后已经看不出哪里跳跃。AI 第一次看到稿子时没有你的预设立场反而更容易发现逻辑断层。最后要不要按它的建议改仍然由人判断。这比直接从零生成更接近写作的本质不是寻找唯一正确答案而是不断在多个可能中做取舍。3.4 最后一步用“自己的语言”重写无论 AI 第一稿写得再好我都建议做一次“翻译式改写”。这不是让你逐字重写而是把 AI 输出的段落读一遍然后合上原文用你自己平时说话的方式把它转述出来。这个步骤能解决两个问题第一个是风格问题。AI 生成的句子倾向于四平八稳缺少个人语言的节奏和偏差。真实写作里那些不够标准但很“你”的短句反而是让读者记住你的关键。第二个是理解问题。如果你不能用自己的话转述那说明你还没有真正理解这段内容。直接粘贴出去遇到读者追问时你很难接住。写作的长期价值不在于文章好看而在于你能对自己的每一句话负责。用这种方式做完全文后AI 的影子会被大幅降低但它提供的结构、案例和论证角度仍然留在文章里。这才是人机协作该有的样子AI 出效率人出判断和风格。4. 每一步都要有判断标准输出是否真的可用4.1 判断内容可靠性不只看通顺程度很多人在评估 AI 输出时习惯把“通不通顺”放在第一位。通顺是最低标准不是优质标准。真正判断一段 AI 输出是否可用要先看它是否包含可以验证的断言。比如它写“某类工具在团队里采用率超过 60%”这句话看起来没问题但你要追问样本是什么数据来自哪里有没有时间范围如果这些信息只是模型自己生成的不是任务说明里给定的那这句话只能当作待验证的猜测不能直接写进正式文章。我处理技术文档时会专门把所有带数字、专有名词、版本号、产品名称、时间节点的句子摘出来逐条确认。这个步骤不能省因为你无法判断模型在哪里“自信地胡说”。更安全的做法是从一开始就让 AI 不要自行补充未经提供的具体数据。可以在提示词里提前声明如果任务内容里没有提供数据不要主动编造。用“某些团队反馈显示”代替具体百分比。用“具体效果取决于环境”代替确定结论。如果要引用规范或文档只给出思路不要伪造出处。4.2 判断结构有效性要看段落之间的推进逻辑结构是否有效不是看有没有序号而是看段落之间有没有推进。第一阶段常见的结构问题是“并列式注水”。AI 很喜欢写第一点是重要第二点也很重要第三点同样重要。每段单独拿出来都挑不出毛病但全文读完后没有形成任何结论只是把一个观点重复说了三遍。有效的结构应该具备两个特征一是每个后文都建立在前文的基础上二是最后得出了前面没有直接说过的判断。你可以用一句话复述全文的逻辑链比如“因为任务复杂 - 所以需要拆分 - 因此要从最小任务开始 - 最后再组合成流水线”。如果能复述说明结构是推进的如果复述出来只是一堆关键词则说明文章还在罗列阶段。让 AI 生成大纲时我一般会让它把每一节的“作用”标出来而不只是章节标题。它需要回答这一节是为了解释定义还是为了给出证据还是为了回应反例。标不出的章节通常就是可以删掉的章节。4.3 判断语言质量先去掉模板腔再谈文采语言质量的第一关不是文采而是有没有模板腔。模板腔是一个很微妙的东西单看某一句不严重连读几段就会显得“AI 味很重”。典型特征包括每一段都试图作“高度概括”但没有具体事实。大量使用“不仅可以……还可以……”“随着……的不断发展”。喜欢把简单问题复杂化用长名词替代清晰动词。观点句后面没有例证例证后面没有回到观点。习惯用“值得注意的是”提示重点但重点并不值得注意。把这些表达挑出来删掉后再看文章还剩多少信息量。信息量不足时不要试图通过提示词让 AI “写得更生动”而是回到素材和角度的问题。真实经历、真实数据、真实场景才会天然产生语言节奏。5. 普通开发者和写作者的落地场景建议5.1 长文写作把 AI 当“外脑结构师”写长文最难的通常不是句子而是整篇文章的骨架。AI 在这个环节能帮上忙但它提供的初始大纲通常太“教科书式”需要经过一轮冲突测试。我的做法是先自己列几个必须放进文章的核心事件或核心观点再让 AI 针对这些内容设计三套结构。第一套按时间顺序第二套按问题严重程度第三套按解决方案推进。拿到方案后不急着写先脑内推导如果按这套结构写读者读完第二段后会有什么疑问第三段能不能解决这就像写代码前先画模块关系图。章节顺序、依赖关系、入口出口都要在写作前想清楚。AI 在这里不是替你写而是给你提供更多结构参考减少你卡在空屏幕前的时间。5.2 方案和邮件先给限制条件再要初稿方案、邮件、通知这类实用写作限制条件比文采更重要。AI 初稿写得太漂亮反而容易掩盖目标的模糊。所以在让 AI 写一封项目同步邮件前先把信息填好发给谁。需要对方做什么。截止时间。当前是正常推进还是有问题需要升级。哪些内容必须委婉哪些内容必须直接。不能用哪些容易误读的模糊表达。把限制条件列清楚后AI 生成的邮件才能做到“准确优先”。如果你先让它生成一封“礼貌得体”的邮件它极有可能把所有风险点都包裹在客气话里反而让读的人错过了重点。这类实用写作的通用流程是目标 - 限制 - 要点 - 草稿 - 精简。顺序不能反过来。5.3 代码与文档AI 写作经验同样适用于 AI 编程AI 写作进入第二阶段后它的演进路径和 AI 编程很相似。早期很多人用自然语言让 AI 写一整个函数或一整套 CRUD 代码觉得生成结果已经很神奇。但进入生产环境后会发现问题上下文不完整、边界条件缺失、依赖版本不匹配、错误处理靠猜测。现在比较稳妥的用法是先写单元测试或接口定义再让模型按规则实现。这个思路和写作中“先写任务说明书再生成正文”是同一个逻辑用可验证的约束来约束生成结果。技术博客和项目文档也一样。写“部署步骤”时不要直接让 AI 生成一份通用部署文档而是把你自己环境里的操作系统、包管理器、目录结构、用户权限都提供给模型再让它写成步骤。否则它给出的命令可能在多数环境中都成立却唯独不符合你的环境。5.4 哪些场景暂时不宜交给 AIAI 写作不是万能钥匙以下场景要克制使用需要对自己亲身经历负责的内容。比如错误复盘、安全事故报告、团队冲突描述AI 没有你的完整经历容易写出轻飘飘的总结。需要嵌入组织内部信息的文档。如果大量上下文不能写入对话AI 只能基于有限信息生成质量会明显受损。带有明确立场判断和人文温度的内容。AI 可以提供结构参考但最终观点必须来自人这一点在黄金时代结束后尤其重要。不是说这些场景完全不能用 AI而是不能把 AI 当成信息源头。当成“帮你措辞的编辑器”使用比当成“内容生产者”更安全也更能保证质量。6. 觉得 AI 写得越来越差时先按这个顺序排查6.1 现象输出变得空泛、模板化如果你觉得最近 AI 写出来的东西越来越“水”先不要怀疑是模型被降智更可能是输入端的任务太宽泛、任务说明里缺少限制条件。排查顺序是先看提示词里是否给出具体场景和读者再看任务里是否包含必须回应的核心问题最后看有没有“不要写什么”的负面约束。把这三个空档补上再跑一次通常就能看到明显变化。6.2 现象事实和引文出错处理事实性内容时AI 的流畅输出反而会增加风险。只要看到具体数字、外部人名、项目名、引用语句就要进入人工核验流程。不要直接问模型“这个数据对不对”因为模型没有稳定的检索能力且容易为了维护回答一致性而坚持错误。更稳的做法是把数据和出处当作关键词去权威来源里自己确认一遍。模型更适合用来提取引文所在段落里的核心观点而不是帮你确认一段话是否真的存在。如果模型生成内容本来就是半模仿、半推演那就要在文章里避免以确定方式写出这些信息。写作里的坏信息不等于写错字而是把猜测包装成事实。6.3 现象越写越长越写越绕上下文过长是另一个常见问题。当对话历史很多、文章片段来回修改后模型容易在后半段开始重复此前已经说过的观点或者用长句子绕弯子。遇到这种情况不要继续在长对话里追加问题。把核心要求复制到一个新会话里让模型重新输出。同时给它加一个长度上限比如“每段不超过三句话”“全文不超过两千字”。写作是信息密度的游戏不是字数游戏。拿不到重点时先把篇幅缩减一半再考虑内容补充。6.4 现象怎么说都像一个口径如果你觉得 AI 的回答翻来覆去就是那几个观点说明你的输入里缺少“反方信息”。可以在提示词中写下“请先假设这个观点不可行列出它失败的三种情况再假设这个观点可行列出它需要满足的条件。”用反方视角逼它偏离训练数据里最常出现的结论。如果还不行那就不要继续在同一个任务上纠缠。换一种说法、换一组关键词、换一个新的示例让模型重新理解任务。很多问题不是模型没能力而是你的任务和数据没有给它足够的空间展开。7. 给长期写作的人三条经验7.1 把自己的写作流程固化成模板如果只是偶尔让 AI 写点东西很容易忽略流程的重要性。但长期使用的人会发现真正提升效率的不是某次特别精彩的提示词而是一套可以反复使用的写作模板。这套模板不需要很复杂它只是把你在写作前会思考的问题固定下来。比如目标读者、核心结论、必须出现的事实、禁止出现的风格、输出长度、结构要求。下一次写作时直接复用再根据具体任务微调。这样 AI 输出的上限会稳定很多不会今天惊艳、明天空洞。7.2 把总结性输出改成过程性辅助第一阶段的使用方式偏向结局让 AI 直接给出一篇文章。第二阶段我更推荐过程性辅助让 AI 参与你写作的中间环节而不是代你完成最终产物。哪些环节最值得交给 AI我会优先选择从素材里提取要点。对初始提纲提出反例。把一段绕口的话改成更直接的表达。生成几个同义标题再人工挑选。对已经写完的段落做压缩测试。检查段落间有没有隐藏的逻辑跳跃。这些任务风险低验证成本也低。即使 AI 给的结果不够好也不会浪费太多时间。反过来如果你把整篇文章的写作全部外包最后的修改成本可能比从零开始写更高。7.3 把“像不像人”换成“有没有增量”评价 AI 写作质量不要再停留在“像不像人写出来的”。现在大量文字已经能顺利通过“像人”的外观检查但内在平庸的问题无法靠外观解决。我更建议用“有没有增量”来判断这篇文章除了把已有信息重述了一遍有没有提供更好的结构、更清晰的解释、更具体的行动建议、更不容易被想到的角度。黄金时代结束后的 AI 写作真正值得长期投入的方向不是研究怎么让 AI 写得“更逼真”而是研究怎么做任务拆解、怎么写更有效的任务说明、怎么验证输出质量。模型负责把表达成本降下来人负责把判断能力提上去。如果你能接受这个分工AI 写作的第二阶段其实才刚刚开始。那时拼的不再是模型的新鲜感而是你在这个协作流程里积累下来的方法、标准和判断力。这些东西不会随着下一轮模型升级而过时。