如何用大语言模型辅助写作：方法与边界

从工具到协作者：重新理解LLM写作

大语言模型（LLM）正在改变很多人的写作方式。一篇在 Hacker News 上引发讨论的文章《How to Write with an LLM》，试图回答一个越来越现实的问题：当你手边就有一个能生成流畅文字的工具时，如何把它用好，而不是让它替你思考？

这里的关键区分在于——LLM 应该是写作过程的协作者，而非代笔者。把整篇文章交给模型生成，往往得到的是结构工整、措辞安全、却缺乏观点与个人声音的"标准答案"式内容。真正有价值的用法，是让模型参与到思考、组织和打磨的各个环节，而由人来把控方向和判断。

LLM 在写作中的合理分工

写作可以拆解成若干阶段：构思、组织、起草、修改、润色。LLM 在不同阶段的适用程度差别很大。

擅长的部分

在构思阶段，LLM 是不错的"思维激发器"。当你面对空白页无从下手时，可以让它列出某个主题的多个切入角度、提出反方观点、或者帮你把模糊的想法拆成几个可讨论的子问题。这种发散式的辅助不会替代你的判断，反而能拓宽思路。

在修改阶段，LLM 同样有用。它可以指出逻辑跳跃的地方、发现啰嗦冗余的句子、或者帮你检查某个论点是否缺少支撑。把它当作一个不知疲倦的初审读者，比让它直接改写要更有价值。

需要警惕的部分

起草环节恰恰是最不该完全外包给模型的。文字的组织顺序、强调什么、隐去什么，这些选择本身就是思考的一部分。如果跳过这一步直接接受模型的产出，你其实放弃了对内容的所有权，最终产出的观点也不再真正属于你。

保持自己的声音

Hacker News 讨论区里一个反复出现的担忧是：过度依赖 LLM 会让写作趋同。当成千上万的人使用同一批模型、给出相似的提示词，产出的文本风格会向某种"平均值"靠拢——那种圆滑、四平八稳、缺少棱角的表达。

对抗这种趋同的办法，是把 LLM 的输出当成原材料而非成品。让它给你一个初稿或一些片段，然后你用自己的语言重写、加入具体的例子和个人经验、删掉那些听起来像模板的句子。写作中最打动人的，往往是那些只有你才能写出的细节和判断，而这恰恰是模型无法替你完成的。

这种"平均化"倾向有其模型层面的根源。主流LLM在训练时使用了来自互联网的海量文本，并经过人类反馈强化学习（RLHF）对输出进行筛选——评分者通常偏好措辞流畅、立场平和、不引发争议的回答。久而久之，模型形成了一种"最大公约数"式的表达风格：段落结构清晰、语气周全、但棱角被磨平。这解释了为什么不同用户用相似提示词得到的文章在结构和措辞上会高度雷同。意识到这一机制，有助于理解为何在使用模型润色或改写时，主动要求它"保留原文的语气和措辞"往往仍然不够，更根本的做法还是在输出后用自己的语言重新过一遍。

事实核查不可省略

无论 LLM 的文字读起来多么可信，它都可能"一本正经地胡说"。生成式模型的本质是预测下一个最可能的词，而非查证事实。因此凡是涉及具体数据、引用、人名、事件的内容，都必须由人独立核实。

把这一点固化成写作流程的一部分很重要：模型给出的任何"事实性"陈述，在发布前都应视为待验证的假设。这不仅是对读者负责，也能避免因错误信息损害个人或机构的信誉。

这一现象在技术上被称为"幻觉"（Hallucination）。大语言模型在训练时学习的是语言的统计规律，而非对现实世界的逻辑推理或事实存储。当模型面对一个它"不确定"的问题时，它不会停下来说"我不知道"，而是会根据上下文生成一个在统计意义上"听起来合理"的回答——包括编造不存在的论文引用、给出错误的数据或日期、甚至捏造人物言论。研究显示，模型生成的文本在语气自信程度上与其准确性并无显著相关：它回答"1969年阿波罗11号登月"和回答一个完全错误的历史细节时，语气往往同样确定。正因如此，即使面对模型提供的看似权威的参考资料，也不能省略独立核查这一步。

一套可操作的工作流

综合这些讨论，可以提炼出一个务实的 LLM 辅助写作流程：

先自己想：在打开对话框之前，先用几句话写下你想表达的核心观点。这保证了文章的"骨架"来自你。
用模型发散：让 LLM 帮你补充角度、提出质疑、整理素材，但不要让它决定你的立场。
自己动手起草：核心段落亲自写，尤其是观点最鲜明的部分。
让模型审阅：把草稿交给模型，问它"哪里逻辑不清""哪里可以更简洁"，而不是"帮我重写"。
核查与定稿：独立验证所有事实，删掉模板化的措辞，确保通篇都是你的声音。

结语

LLM 不会让写作变得毫无意义，但它确实改变了写作中"人"的位置。工具越强大，人的判断力和个人视角就越显珍贵。用好 LLM 的标志，不是文章写得多快，而是最终产出是否依然清晰地承载着你的思考。把模型放在协作者的位置，守住构思与判断这两个核心，写作反而能因此变得更有效率也更有质量。