去 AI 味怎麼做才有效？別抄 Prompt，建一套會自我更新的寫作 Skill
2026年7月22日 下午 5:08
AI 設計AI WRITING · 2026
QUICK ANSWER
去 AI 味靠一條萬用 prompt 沒有用——所有人用同一條指令，只會產生新的同質化。有效的做法是建立一套會自我更新的寫作 skill：先列禁止句與文體底線，讓 AI 參考你的語氣樣本寫草稿，人工校稿後把修正回寫進規則，讓每一次修改都變成下一次的起點。這篇拆解三層架構、回饋迴圈與工具清單。
打開 GitHub 的 trending 榜，會看到一個奇怪的現象：排最前面的內容工具，不再是幫你寫更快的 AI，而是幫你把 AI 寫的東西改得不像 AI。「去 AI 味」的 skill 專案一個接一個破萬星。大部分人面對這件事的解法，是去找一條號稱萬能的 prompt 貼上。我走的是另一條路：不找咒語，建一套機制。
咒語會失效，機制會進化。
這篇要拆的就是這套機制。我自己的寫作 skill 維護快一年，改版超過二十次，最後收斂成一個穩定的形狀。接下來會講四件事：為什麼 prompt 這條路注定失敗、一套寫作 skill 的三層架構怎麼建、大多數人都會忽略的那一步回饋迴圈、以及這套機制的能力邊界在哪。
CHAPTER 01 · THE RISING TIDE
一個正在長大的生態
先講數字，因為數字最誠實。
66K
taste-skill
2 月建庫，5 個月破 6.6 萬星
30.2K
humanizer
最具代表性的去 AI 味 skill
13.5K
Humanizer-zh
中文適配版
▲ GitHub 星數，2026 年 7 月。去 AI 味已經從一個抱怨，長成一個小型生態
今年二月才建庫的 taste-skill，五個月衝破六萬六千星；humanizer 三萬星，中文版 Humanizer-zh 一萬三千星。連繁體中文都有自己的版本——speak-human-tw，抓 38 種 AI 寫作痕跡，順手把中國用語和半形標點一起校掉。當一個需求同時養得起英文、簡中、繁中三個破千星的專案，它就不再是個人抱怨，是產業級的痛。
而我的機制拆開來是五步：先列出禁止句和基本文體；讓 AI 參考我的語氣樣本寫草稿；接著人工校稿與修正——整條流程裡人力最重的一步；修正完，請 AI 判斷這一輪改了什麼，把結論更新回語氣那一層的 skill；最後才是 AI 終審。
大多數人看到這種清單，眼睛會停在前兩步。禁止句、語氣範本，因為那最像可以直接抄走的東西。但這套流程真正值錢的是第四步——為什麼，第四章再講。先處理一個更根本的問題：你抄來的那些 prompt，為什麼都沒用。
CHAPTER 02 · WHY PROMPTS FAIL
為什麼「一條 prompt 去 AI 味」注定失敗
兩個原因。一個技術的，一個生態的。
技術的原因：AI 味的來源是統計平均。語言模型的本質是猜下一個詞，而它猜的永遠是對最多情境最安全的那個選項。humanizer 的說明文件把這件事講得很直白——模型天生傾向輸出統計上最可能、適用範圍最廣的結果。這就是為什麼「值得注意的是」「總而言之」「在這個快速變化的時代」會反覆出現：它們是語言的最大公約數，對誰都不會錯，也對誰都不會對。
生態的原因：宝玉在二月寫過一篇被大量轉載的文章，標題就叫〈別再用提示詞去 AI 味了，方向就是錯的〉。他的觀察：當所有人都用同一條去 AI 味 prompt，產出只是換了一種腔調的同質化——你從 AI 味 1.0 升級到 AI 味 2.0。
這也解釋了你的親身經驗。網路上抄來那條「請口語化、避免套話、像真人一樣寫」，試了好像有點用，過兩天再看，還是那個味。因為 prompt 是一次性的指令：它沒有你的資料，它不會累積，下一個對話它就不存在了。跟 AI 的關係要從「下指令」變成「建迴圈」，這件事我在〈Loop Engineering 完整指南〉裡拆過一次，去 AI 味只是它最新的應用場景。
「
AI 味的反面不是人味，
是具體。
「人味」是個抽象詞，模型讀不懂，你自己其實也說不清。但「具體」可以操作：你討厭哪些詞、你的句子習慣多長、你在哪裡斷行、你允許多少形容詞——這些可以一條一條寫下來。而一旦寫下來，它就從 prompt 升級成了 skill。
CHAPTER 03 · THREE LAYERS
一套寫作 skill 的三層架構
把我這套 skill 攤開來看，結構收斂成三層。有意思的是，去翻那些破萬星的開源專案，拆到底也是同一個形狀——這大概說明它就是這類系統的自然解。三層：
LAYER 01 · 禁止層
你永遠不想看到的東西
禁止句清單、標點規則、文體底線。負面表列，違反即退件。
LAYER 02 · 語氣層
你聽起來像誰
三到五篇你的範文、節奏偏好、開場習慣。用樣本示範，不用形容詞描述。
LAYER 03 · 審核層
出手前的最後一關
AI 拿著你的規則自檢一輪，標出可疑段落，再交到你手上。
第一層最容易建，今天就能開工。打開你最近十篇被 AI 氣到的產出，把讓你皺眉的句子抄下來——「值得一提的是」「不僅如此」「在這個時代」——這份清單就是你的第一版禁止層。它不用完整，它只要是你的。
第二層難一點，因為語氣沒辦法用形容詞描述。「輕鬆但專業」這種話對模型毫無資訊量，一百個人寫「輕鬆但專業」會長出一百種平庸。語氣只能用樣本示範：丟三到五篇你自己寫的、你最滿意的文章進去，比一百個形容詞有用。模型很擅長從樣本裡萃取模式，它只是需要你先把樣本給它。
第三層是把審核外包回給 AI——但拿著你的規則審。很多人跳過這步，覺得「我自己看就好」。你當然要看，但先讓 AI 拿規則掃一輪，把明顯違規的抓掉，你的眼睛就能留給真正需要人判斷的地方。審核層不是取代你，它是幫你過濾雜訊。
還不熟 skill 這個東西怎麼運作的，Anthropic 官方這支影片講得最清楚：
不想從零手寫的，也可以用錄的——Claude Cowork 的 Record a skill 讓你示範一次操作，它自己整理成規則檔。
CHAPTER 04 · THE LOOP
被忽略的那一步：讓 skill 自己長大
回到第四步：修正完，請 AI 判斷這輪改了什麼，更新回語氣層的 skill。
拆開看這一步在做什麼。你人工校稿時改掉的每一個地方，都是一筆資料——它記錄了「AI 以為對、但你覺得不對」的落差。大多數人改完就丟，落差每次歸零，於是每次都在改一樣的東西。把修正回寫進 skill，落差開始累積成規則：第一週你可能改三十處，第四週剩十處，第三個月，AI 交出來的草稿已經開始長得像你。
THE SELF-UPDATING LOOP · 自我更新迴圈
01
列出禁止句與基本文體 （禁止層，只建一次、持續增補）
02
AI 參考你的語氣樣本寫草稿 （語氣層）
03
人工校稿與修正 （整條流程裡人力最重的一步，也是最不能省的一步）
04
請 AI 判斷這輪改了什麼，把結論更新回步驟二的 skill ← 整套機制的靈魂
05
AI 依全部規則做最終審核 （審核層）
↺ 下一篇文章，從已經更新過的步驟二重新開始
▲ 自我更新迴圈：前三步大家都有，第四步才是大多數流程漏掉的那一段
這就是靜態規則和活機制的分水嶺。下載來的 humanizer 是全人類的平均——它刪得掉公認的 AI 套話，但它不知道你討厭哪個轉折詞、不知道你的段落習慣幾句斷行、不知道你寧可句子破碎也不要工整。這些偏好只存在你的校稿紀錄裡，而回饋迴圈做的事，就是把它們一筆一筆撈出來，變成規則。
世界上最好的去 AI 味 skill 沒辦法下載，只能累積。你的禁止句清單，就是你的文風指紋。
這個思路跟〈Harness Engineering 實戰〉講的是同一件事：與其每次幫 AI 收拾殘局，蓋一個讓它不會重複犯錯的環境。差別只在那篇講工程，這篇講文字。實際要把流程跑起來，搭配〈Claude Fable 5 的四個實戰工作流〉那套 brief 模板會更順。
CHAPTER 05 · LIMITS
Skill 帶你到八十分，剩下的是你
把界線講清楚，免得你期待錯地方。
少數派在四月做過一次對照實測：同一篇文章掛上去 AI 味 skill 重寫，結論是大約去得掉四到五成的 AI 味。殘餘的部分——對比句式的慣性、過度工整的小標題、提建議時的排比反射——還是會漏網。更微妙的是測試者發現的另一個風險：規則加太多，文字開始出現另一種腔。規則腔。為了避開所有禁止句而寫出來的句子，工整得像在填表，那是新的 AI 味。
所以我在流程圖裡把校稿與修正標成人力最重的一步，那個標注比流程本身更重要。它承認了一件事：這套機制的目的從來都是讓 AI 交出一份「值得你花時間改」的草稿，而你改的那些地方，就是文章裡只有你能供應的部分。
判斷、品味、經驗、立場。skill 管得住套話，管不住觀點。
CHAPTER 06 · TAKEAWAYS
重點整理
ONE-MINUTE CHEATSHEET · 一分鐘懶人包
1 別再抄 prompt。所有人用同一條指令，產出只是 AI 味 2.0。
2 AI 味的成因是統計平均，解法是把「平均」換成「具體的你」。
3 三層架構：禁止層今天就能建、語氣層用樣本不用形容詞、審核層讓 AI 拿你的規則自檢。
4 靈魂在回饋迴圈：每次校稿的修正，回寫進 skill，落差才會累積成規則。
5 humanizer、Humanizer-zh、speak-human-tw 當起點，不當終點。
6 skill 去得掉四五成 AI 味，剩下的是觀點——那本來就該是你的。
去 AI 味這個詞，其實取錯了。你真正在做的是把自己的文風工程化——把散落在直覺裡的偏好，一條一條寫成規則，讓機器扛走重複，讓你守住判斷。
AI 味從來不怕被刪掉。它怕的是你終於說清楚，自己是誰。
RELATED READS · 延伸閱讀
Claude 能拿來做什麼？官方 90 個 Use Cases 一次看懂 →
寫作 skill 只是其中一格，先看全局再決定從哪裡切入。
Loop Engineering 是什麼？為什麼矽谷都在說：別再 prompt 你的 AI →
本文回饋迴圈的思想源頭，把單次指令換成會累積的系統。
Harness Engineering 實戰：幫 AI 蓋一個不會重複犯錯的工作環境 →
同一套機制思維的工程版，寫作 skill 的兄弟篇。
Claude Desktop 是什麼？三個分頁、跟網頁版差在哪 →
要長期跑寫作 skill，桌面版是比較舒服的家。
當 Claude 額度還有剩，可以拿來幹嘛？設計師的 7 種高價值用法 →
建禁止句清單就是其中一種：把剩餘額度變成長期資產。
Claude Fable 5 可以做什麼？設計師的完整應用指南 →
目前寫作理解力最強的模型，skill 的效果也跟著放大。
EXTRA · LINKS
humanizer（英文）：github.com/blader/humanizer
Humanizer-zh（簡中）：github.com/op7418/Humanizer-zh
speak-human-tw（繁中）：github.com/Raymondhou0917/speak-human-tw
宝玉〈別再用提示詞去 AI 味了〉：baoyu.io
常見問題
Q：去 AI 味是什麼意思？
A：指去除 AI 生成文字的機器痕跡——套話開場、過度工整的排比、空泛的總結、模板化的對比句式——讓文字讀起來像一個具體的人寫的。
Q：為什麼用了去 AI 味 prompt 還是有 AI 味？
A：因為 prompt 是一次性指令，不含你的個人資料，也不會累積；而且所有人用同一條 prompt，產出會收斂成新的同質化。有效做法是建立含禁止句、語氣樣本與審核規則的寫作 skill，並持續把校稿修正回寫進去。
Q：有哪些現成的去 AI 味 skill 可以用？
A：英文用 humanizer（GitHub 約三萬星），簡體中文用 Humanizer-zh，繁體中文可以看 speak-human-tw——抓 38 種 AI 寫作痕跡並校正中國用語與半形標點。建議把它們當起點，長期還是要疊上自己的規則。
Q：一套寫作 skill 應該放什麼內容？
A：三層——禁止層（禁止句清單、標點與文體規則）、語氣層（三到五篇你自己的範文與節奏偏好）、審核層（要求 AI 交稿前依你的規則自檢並標出可疑段落）。
Q：去 AI 味可以做到百分之百嗎？
A：不行。公開實測大約能去掉四到五成，殘餘的句式慣性與結構痕跡仍需要人工校稿；而且規則加過頭會產生新的「規則腔」。人的判斷在這套流程裡無法省略，它是設計的一部分。
Q：不會寫程式，能建自己的寫作 skill 嗎？
A：可以。skill 本體只是純文字的 Markdown 檔，寫得出規則就建得出來；Claude Cowork 的 Record a skill 甚至能用示範一次操作的方式，讓 AI 自己整理成 skill。