---
title: "去 AI 味怎麼做才有效？別抄 Prompt，建一套會自我更新的寫作 Skill"
slug: de-ai-flavor-writing-skill-guide
url: https://rar.design/posts/de-ai-flavor-writing-skill-guide
published_at: 2026-07-22
author: "設計師 Riven"
category: "AI 設計"
access: public_access
---

# 去 AI 味怎麼做才有效？別抄 Prompt，建一套會自我更新的寫作 Skill

> 禁止層、語氣層、審核層，加一條把校稿變成資產的回饋迴圈

By **設計師 Riven** - 資深數位產品設計師｜知名線上課程講師 | 2026-07-22

AI WRITING · 2026▲ Agent Skills 是這一波「去 AI 味」浪潮的底層機制——把一次性的 prompt，升級成可累積的規則檔（圖：Anthropic 官方）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。66Ktaste-skill2 月建庫，5 個月破 6.6 萬星30.2Khumanizer最具代表性的去 AI 味 skill13.5KHumanizer-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。▲ humanizer：這波浪潮最具代表性的專案，本體只是一份 Markdown 規則檔——這正是重點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）02AI 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05AI 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 · LIMITSSkill 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.ioSUBSCRIPTIONAI 覺醒設計應用攻略AI 工具每週都在更新，我幫你過濾雜訊，只留對設計師真正有用的應用。了解訂閱 →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。