【2026 最新】AI 寫作去 AI 味：5 步打造保留個人聲音的寫作系統

談到「AI 寫作去 AI 味」，你可能做過這件事：先叫 ChatGPT 或 Claude「寫得像人一點」，再補上一長串禁令——不要「首先、其次、最後」，不要「不是……而是……」，少用排比，句子短一點。初稿確實變順了，卻還是有一種奇怪的感覺：每句都沒錯，整篇卻不像你。

2026 年 8 月 2 日，一篇談「去 AI 味」的 X 長文把問題往前推了一步：真正要保存的，不只是口頭禪，而是作者會選什麼材料、敢下什麼判斷、在哪裡保留不確定，以及哪些經歷絕不能由 AI 代寫。

這篇專為完全沒有技術背景的讀者寫。我們會把這個想法做成一套可以真的使用、可以回滾、也可以持續驗收的個人 AI 寫作系統。你不必先學程式；只要會建立資料夾、複製文字，就能完成第一版。本文談的是保留作者的事實、判斷與聲音，不是教你欺騙 AI 偵測器。

先說結論：AI 寫作去 AI 味，靠的是閉環

先記住這條公式：

個人 AI 寫作系統 ＝ 作者事實＋文類規則＋正反例與禁區＋分工審稿＋人工核准的修改記憶

一次性、未版本化的提示詞通常只處理眼前這一篇；系統則把你過去做過的選擇保存下來。在 API 應用場景，官方文件也採用可維護、可檢查的 prompt 設計：OpenAI 的 prompting 指南建議把正式 prompt 當成程式碼管理，搭配具名模組、版本歷史與測試；Anthropic 的提示工程指南則建議用清楚區塊分開 instructions、context、examples 與 input，複雜任務也可拆成產生、檢查、修訂。本文把這些原則轉用到個人寫作。白話就是：不要每次憑感覺重講一次「像我」，要讓 AI 讀到一套能被檢查的材料。

• 先固定事實：AI 可以整理你的經驗，不能替你發明經驗。
• 再指定文類：教學、觀點文、電子報，本來就不該共用同一個模子。
• 最後才談語氣：句長、節奏與常用詞只是聲音的一部分，材料取捨與判斷邊界更重要。

為什麼禁詞表通常只去掉表面的 AI 味？

禁詞表有用，但它像替文章換衣服：能拿掉幾個顯眼模式，沒有告訴 AI 這個人為什麼寫、相信什麼、哪些細節值得多寫兩段。結果常常只是從「模型的模板」換成「反 AI 模板」——每篇都短句、口語、故意不對稱，最後又形成另一種罐頭感。

一項收錄於 EMNLP 2025 Findings 的個人文體模仿研究，在每個模型超過 40,000 次生成、400 多位真實作者與四種文類的設定下發現：模型在新聞、email 這類結構較固定的文字上比較容易接近範例；到了 blog、論壇這種細膩又非正式的個人聲音，表現仍不穩定。這不證明 AI 寫不出好文章，卻足以提醒我們：貼幾篇舊文，不等於模型已經完整學會你。

AI 寫作去 AI 味的 6 個核心模組

1. AUTHOR.md：「我到底有資格說什麼？」

這不是自傳，而是一份可追溯的事實帳本。把第一人稱經歷拆成一筆一筆的事實編號（Fact ID），記下證據、日期、允許說法與不可外推的範圍。當 AI 想把第三方案例改寫成「我曾經……」，審稿人就能直接擋下來。

## F-001
- 事實：
- 來源／證據：
- 截至日期：
- 可使用的一人稱說法：
- 不可外推：
- 狀態：verified | needs-review | retired

2. genres/：「這一類文章怎麼才算完成？」

在 genres/tutorial.md 寫清楚教學文必須交付的步驟、範例、風險與讀者下一步；在 genres/opinion.md 寫清楚主張、證據、反方與判斷。每次只載入這次需要的文類檔，避免電子報的節奏污染教學文，也避免所有文章都長得一樣。這正是上下文工程在寫作場景裡最實際的用法：給對的材料，不是塞最多材料。

3. VOICE.md＋samples/：「用正反例教選擇，不只教形容詞」

「自然、真誠、有溫度」太抽象。請改成可以觀察的選擇，例如「先下結論，再補證據」「技術詞第一次出現就用生活比喻」「證據不足時直接說不知道」。接著放入少量、同文類、差異夠大的本人範例，逐段標註要學的是什麼。Anthropic 的提示工程最佳實務把 examples 視為引導格式、語氣與結構的方法，並強調範例要相關、多樣、有清楚邊界。基於這個原則，本文不建議把整個舊文資料夾一次倒進去。

4. NEVER.md：「真正的禁區要附替代動作」

不要只列「禁用破折號」或「禁用首先」。重要禁區應該是身分越界、虛構第一人稱經歷、把推測寫成事實、為了吸睛放大證據。每條規則都附上替代動作：詢問作者、具名歸因、改成一般情境，或刪掉。這樣 AI 才知道踩線後往哪裡走。

5. brief/：「每篇只交代這次任務」

永久規則不要混進單篇需求。每篇另開一份任務單（brief），固定回答五題：讀者是誰、讀完要會什麼、核心判斷是什麼、證據有哪些、這篇刻意不處理什麼。把長期規則與短期任務分開，未來改題目時才不會誤改作者人格。

6. review/＋REVISION_LOG.md：「審稿發現問題，作者決定要不要升級」

審稿規則與修改記憶要分兩層：review/ 保存固定驗收單；REVISION_LOG.md 保存原句、改後句、修改原因、適用文類與作者是否核准。研究上的 Reflexion 不更新模型權重，而是根據任務回饋產生反思文字，再存進外部的 episodic memory buffer，供後續嘗試讀取。本文更新的同樣是外部檔案，不是重新訓練模型；規則只有在下一次被讀入，才會影響輸出。

5 步上手：從零建立第一版個人 AI 寫作系統

Step 1：先建立資料夾，不碰自動化

不用程式的人可以在電腦、雲端硬碟或筆記工具手動建立；熟悉 macOS／Linux 終端機的人，可複製下面兩行：

mkdir -p personal-writer/{genres,samples/{approved,rejected},brief,review,drafts,tests}
touch personal-writer/{AUTHOR,VOICE,NEVER,REVISION_LOG}.md \
  personal-writer/genres/tutorial.md personal-writer/brief/current.md \
  personal-writer/review/{task,facts,voice}.md personal-writer/tests/holdout.md

Step 2：挑一篇你真的寫過的文章，反推規則

不要先叫 AI 發明你的風格。挑一篇你願意署名的成品放入 samples/approved/（已核准範例），再放一小段你明確不想模仿的文字到 samples/rejected/（反例）。問自己：我在哪裡下判斷？哪個細節我寫得特別長？哪一句不確定被我保留？把答案寫進 VOICE.md。第一版只要 5～10 條可觀察規則，之後再用真實改稿補充。

Step 3：用同一個載入順序產生初稿

先閱讀 AUTHOR、這次唯一相關的 genre、VOICE、NEVER、brief，
以及 2～3 個已核准範例（approved samples）。

動筆前先列出：
1. 這篇可使用的第一人稱 Fact ID；
2. 仍缺證據的主張；
3. 本篇要遵守的 5 條最高優先規則。

再寫第一稿。沒有依據的作者經歷標成［待作者確認］，不要補故事。

Step 4：把審稿拆成三種職責

1. 任務審稿：只看任務單、文類規則、結構與論證有沒有完成。
2. 事實與身分審稿：逐一核對來源、Fact ID、第一人稱與不確定性。
3. 聲音與空話審稿：對照本人範例，找出沒有資訊的完整句、過度工整的轉場與違反禁區的表達。

若用一般聊天工具，可先關閉跨對話記憶與自訂風格，或使用 ChatGPT Temporary Chat／Claude Incognito，再分成三個對話；單開新對話不保證隔離。若使用子代理（subagent），也要確認它採用全新脈絡，並檢查會自動載入哪些專案規則。每個審稿角色（reviewer）只讀自己的驗收包，也不要先看其他人的結論。這是降低互相錨定的實作設計，不代表三位 AI 擁有真正獨立的知識。事實查核可借用 Chain-of-Verification 的流程：先拆出查核題，再用不含原稿答案的新脈絡逐題作答。若用於公開文章，還要另外接上一手外部來源；原研究本身沒有測試搜尋工具。

三個角色都可以複製下面這份格式，只替換第一行的職責與允許讀取的材料：

角色：你只做［任務／事實／聲音］審稿。
輸入：草稿＋這個角色唯一需要的驗收檔。

逐項輸出：
- 嚴重度：blocker（擋發布）／major／minor
- 問題：哪裡不合格
- 原文：精確引用問題片段
- 依據：違反哪條規則，或缺哪個來源
- 方向：作者可以怎麼處理

不要默默改稿，不要替作者改立場；沒有問題也要明說。

Step 5：作者合併修改，再決定哪些值得留下

審稿人只交問題、原文精確片段、對應規則與修改方向，不直接替作者改立場。作者接受或拒絕後，才把原因寫進修改紀錄。這個「人類最後決定」不是裝飾：ACL 2026 一項預註冊研究的最終分析納入 81 位參與者；在該實驗中，人工後製確實讓成品更接近本人文字，但成品仍保留部分 LLM 風格。人的改稿能拉回聲音，卻不是按一次「humanize」就完成。

完整走一遍：AI 差點替作者編出工作經歷

假設任務單引用一位顧問的說法：「我替十家公司導入 AI 後，認為主要卡點在流程，而不是模型本身。」初稿卻把第三方的經驗改寫成作者第一人稱，表面上更有說服力：

我替十家公司導入 AI 後發現，真正的問題從來不是模型，而是流程。

任務審稿可能覺得這句很有力，聲音審稿也可能覺得它像作者；但事實審稿查不到對應的事實編號，應直接標成阻擋發布的重大錯誤（blocker）。作者有三個選擇：補上可驗證的本人經歷、明確歸因給報告中的顧問，或刪掉。假設最後改成：

報告中的顧問表示，他替十家公司導入 AI 後，認為主要卡點在流程，而不是模型本身。

接著把修正記成候選規則：「第一人稱、可驗證的經歷必須綁 Fact ID；第三方材料不得改寫成作者親身故事。」再新增一個固定測試：brief 裡放進第三方案例，下一版系統仍不得把它寫成「我」。這時修改才開始複利——不是因為模型突然更懂你，而是系統多了一條有證據、可重跑的驗收。

怎麼讓規則真的進化，而不是愈堆愈亂？

1. 先進候選區，不直接改目前生效規則（active rules）。 每條候選都記修改前、修改後、原因、適用文類、例外與作者決定。
2. 設一個升級門檻。 可從「重複出現三次，或單次就是重大身分／事實風險」開始；這是方便操作的起點，不是研究定律。
3. 保留固定測試稿。 準備 5 個不拿來改規則的任務單，每次變更後盲看新版與舊版，記錄身分越界、規則違反與人工重寫次數。這 5 個案例只是起始回歸集，結果只代表這組案例；之後要持續加入典型、邊界與真實失敗。想進一步建立驗收集，可以接著讀AI Evals 新手教學。
4. 允許合併、取代、淘汰（merge、supersede、retire）。 新規則與舊規則衝突時先合併；文類或立場已變就標記淘汰，不讓過時偏好繼續牽引新稿。這也呼應AI 記憶稽核的核心：記憶會放大好經驗，也會放大錯經驗。
5. 保留版本與回滾。 即使不用 Git，也至少保存 v0.1、v0.2 與修改日期；若新規則改善一種文類卻破壞另一種，就退回上一版。

最常踩的 5 個坑

• 把「像人」當成「像我」：故意加口語、碎句與不完美，只是在演一種人設。
• 一次塞進所有舊文：不同文類與不同人生階段互相污染；先選同文類、少量、多樣的樣本。
• 讓寫稿者自己宣布沒問題：內在自我修正研究在推理任務中觀察到，沒有外部回饋時，模型可能抓不到錯誤，甚至改壞原本正確的答案。寫作審稿也不該把「請再檢查一次」當成保證。
• 自動接受所有 reviewer 建議：審稿能找問題，不能替作者決定立場、幽默與例外。
• 規則只增不減：衝突與過時規則會讓結果更漂移；每次新增一條，也要檢查是否該合併或淘汰一條。

AI 寫作去 AI 味 FAQ

Q1：只用一條超長提示詞可以嗎？

可以當第一版。 但作者事實、文類、單篇 brief 與修改紀錄混在一起後，很難知道哪條規則該改，也很難回滾。模組化的價值是維護與驗收，不是檔名本身。

Q2：要放幾篇本人範例？

先用 2～3 篇同文類、差異夠大的成品。 看到新失敗再補，不要把「更多」當成固定方向。在前述 EMNLP 2025 研究針對三個模型與四個資料集子集的後續消融實驗中，範例從 2 增到 10，對四項評估指標的影響仍很小，沒有一個數量在所有設定下都一致較好。這不等於 3 篇是通用最佳值，而是提醒你要用自己的固定案例驗收。

Q3：一定要用 Claude Code、Codex 或 subagent 嗎？

不用。 一般聊天工具先關閉跨對話記憶與自訂風格，或改用 Temporary／Incognito 模式，也能手動分工；單開新對話不等於完全隔離。若之後想把檔案、角色與驗收自動串起來，再讀AI Agent Harness，把今天的手動流程升級成可執行系統。

Q4：不同 reviewer 一定比同一個 AI 審三次好嗎？

不一定。 全新對話脈絡（fresh context）只隔離先前訊息；同一模型仍可能共享盲點。真正要比較的是固定測試稿上的漏錯率與人工重寫量，而不是代理數量。

Q5：每次人工修改都要寫成永久規則嗎？

不要。 局部語氣、單一平台格式、當天心情都可能只適用一次。先放候選區，確認重複、影響夠大、沒有破壞其他文類，再升級。

Q6：怎麼知道系統真的變好？

固定題目，成對比較。 凍結 5 個任務單與一份評分規則（rubric），比較舊版、新版在作者事實越界、禁區命中、任務缺漏與人工重寫次數，不要只挑一段漂亮的修改前後對照。

Q7：這樣就能完全複製我的聲音嗎？

不能把它當成保證。 系統能讓規則、範例與修改理由更可控；真正的聲音還包含你每次面對新材料時的臨場選擇，所以作者終審仍是流程的一部分。

Q8：第一天最值得先做哪一件事？

先建立 AUTHOR.md。 語氣跑掉還能改，虛構作者經歷會直接傷害可信度。先把能說、不能外推與待確認的事實分清楚，再開始追求文風。

給新手的 7 個重點

• 去 AI 味的核心是保存作者選擇，不是蒐集 AI 口頭禪。
• 作者事實、文類規則、單篇 brief 要分開。
• 範例要少量、相關、多樣，並標註要學的決策。
• 禁區要附替代動作，否則只會把問題推到別的句型。
• 任務、事實、聲音分開審；AI 意見只是候選。
• 人工核准後才回寫記憶，並保留版本與回滾。
• 用固定案例比較版本，不用「感覺更像」當唯一驗收。