Mollick：再多 AI 审校也难彻底消除 LLM 文本痕迹

沃顿商学院教授、AI 领域知名评论人 Ethan Mollick 近日在 X 平台发文，分享了他在使用 AI 辅助写作方面的个人观察。他表示自己已经采取了多项措施来规避文本中的 LLM 痕迹，包括使用 voice.md 文件来约束写作风格、安排 agent 进行最终读者视角的审校、用专门的 agent 检查 LLM 化的语言表达，甚至调用同一模型家族中不同风格的模型反复打磨面向用户的文本。然而，他坦言「这些仍然不够」。

反映了什么问题

Mollick 的这番感慨，实际上点出了当前生成式 AI 在长文本创作中的共性短板：即便经过多轮、多 agent 的后处理，模型输出仍容易带有可被识别的「机器味」——例如过度使用排比、结构过于工整、情感表达扁平、词汇选择偏向训练数据高频词等。voice.md 这类风格约束文件和多 agent 流水线能在一定程度上缓解问题，但并不能从根本上消除模型的语言偏好。

行业现状与背景

「如何让 AI 写出更像人话的文本」是过去一年多来内容创作、客服、营销等领域的持续痛点。主流做法包括：

• 提示工程中显式加入风格示例和反例；
• 用 RAG 引入真实语料做风格参照；
• 引入审校 agent 做后置质检；
• 通过微调让模型适配特定作者的语气。

Mollick 作为长期跟踪 AI 应用一线的学者，其工作流已经相当系统化，但仍然感到「不够」，说明这一问题在可预见的短期内仍难以被彻底解决。

对内容工作者的启示

对于依赖 AI 辅助写作的团队而言，这条来自一线学者的反馈是一个务实提醒：AI 可以显著提升初稿和迭代效率，但人工把关、风格校准仍是不可省略的环节。多 agent 工作流是值得投入的方向，但它解决的是「量」和「一致性」，而非「独特性」——后者依然需要人来把关。