上周帮同事看一份产品说明初稿。文字干净，句式整齐，逻辑也没毛病，可我读到第三段就走神了。回头找原因：每句话都在说正确的事，却没有一句是只有这家公司才说得出来。稿子由模型生成，同事改了两轮，改动集中在措辞，骨架一直没动。
这类场景正在变多。AI内容创作把“写出来”这一步的成本压得很低，低到很多人还没想清楚要说什么，屏幕上已经铺满了字。省下的时间没有变成思考，通常变成更多的稿子。
顺畅本身会变成噪音
模型被训练成让人读得下去，于是它天然回避阻力：过渡句密集，转折温和，形容词把每个空隙都填满。读的时候不硌牙，读完什么也没留下。
人写东西会有卡顿。卡顿的地方往往是想不清楚的地方，也是值得停下来多看两眼的地方。这些地方被抹平之后，读者就失去了判断的抓手，只能一路滑到结尾，然后关掉页面。
拿常见的句子举例。一段介绍功能的话写成“显著提升效率、带来流畅体验”，把形容词划掉，剩下的东西不多。换成“以前要点四下，现在一次点完”，话就站住了。差别不在文采，在于有没有具体的东西垫底。
先写清楚要什么，再让模型动笔
很多人调提示词的方式是不断加形容词：更专业一点、更有温度一点、再简洁一点。模型只能猜。与其这样，不如把约束当成一份brief来写：
- 这段文字给谁看，他在什么场景下打开它；
- 他读完需要知道哪一件事，或者要做一个什么动作；
- 哪些词不允许出现，哪些说法是内部约定；
- 手上没有的信息就留白，不要让模型替我们编。
这份约束表面上是写给模型的，实际上逼自己把需求想清楚。约束越具体，返工越少。改稿的时间省不下来，但至少可以省在有用的地方。说到底，AI内容创作真正消耗人的不是生成那几秒，而是后面反复判断“这句能不能留”的过程。
有些文字，署名就意味着担责
复盘、故障说明、给客户的解释，这类文字的分量在于“有人站出来说”。让模型起草没问题，但落笔的人得清楚每一句话的后果，因为署的是自己的名字。模型不知道哪句话明天会被截图转发。
还有一类内容依赖第一手经验：实地看过、亲手用过、跟人聊过。模型手里只有别人的转述，它能把这些转述组织得很像样，却没法替你站在那里。写这类稿子时，我倾向于自己先写一段粗糙的原始记录，再让模型帮忙整理语序，顺序反过来，味道就没了。
判断边界的能力，可能比写提示词的技巧更值得练。
现在改稿，我会先做一件很笨的事：把形容词全部划掉，看剩下什么。如果剩不下东西，说明缺的不是词，是内容本身还没准备好。