Writing With AI — A Real Process
来源:Katie Parrott,Every.to,2026-04-06
回应批评
批评者想象的是最懒的 AI 写作版本:打 prompt → AI 给文字 → 粘贴 → 完事。
但真实的 AI 写作流程完全不同。
五个阶段的工作流
1. Brainstorming — "Interview me to find out what I think"
Agent 提出问题来引出你的想法:
- "Why is this on your mind?"
- "How has this shown up in your work?"
- "What do you want readers to walk away thinking about?"
关键洞察:有时回答不上来,说明你还没想清楚要写什么。
2. Outlining — Structure is a negotiation
Agent 基于访谈内容提出结构建议。
你从不接受第一个大纲。移动段落、砍掉薄弱的部分、添加 AI 没想到的内容。
3. Drafting — AI 生成,人主导
Agent 基于大纲生成初稿,但:
- 你决定哪些部分保留
- 你重写不满意的段落
- 你添加 AI 无法生成的个人经历
4. Review — 多角色评审
用不同 prompt 模拟不同读者视角:
- 怀疑者(Skeptic)
- 新手(Newcomer)
- 潜在客户(Customer)
- 同行(Peer)
每个视角逐段打分,指出问题。
深度审查:Guardrails 与审稿人 Persona(Katie Parrott, 2026-06-09)
当 AI 生成内容越来越流畅,人类编辑面临的新问题不是"找不到错误",而是"让机器的流畅性代替了自己的判断"。Katie Parrott 的解决方案是将编辑反馈系统化,用 AI 审查 AI。
Guardrails Skill:将常见 AI 痕迹和个人坏习惯编码为审查清单——对称句式、空洞修辞、过度排比、模糊主张、对冲修饰。运行 /guardrails 让 AI 在每次起草后自动扫描这些问题。
审稿人 Persona 化:给 skill 赋予具体 persona 比 clinical descriptors 更有效,因为 persona 携带了 implicit 的判断框架:
| Persona | 职责 | 捕获的问题 |
|---|---|---|
| Sorkin | 有工作的审稿人 | 保持文章行进和对话感,不陷入不必要的细节 |
| Mom | 普通读者代言 | 不像作者那样 AI-pilled 的读者可能在哪里迷路 |
| Asshole | 攻击最弱论证 | 找出论证最脆弱的版本,迫使你加固它 |
| Hitchcock | 寻找张力 | 是否有"桌子下的炸弹"让读者想要继续读 |
| Sedaris | 寻找幽默感 | 文章是否有足够的 personality 和趣味 |
分阶段调用审稿人:
- 大纲阶段:用 Hitchcock(张力)、Sedaris(幽默)、Asshole(攻击弱点)在还有 prose 可以珍惜之前找出 structural trouble
- 章节草稿:每写完一个 section 运行
/ai-check和/guardrails,再用/tighten-draft捕获累积的臃肿 - 完整草稿:运行 developmental review 检查论证、结构、stakes 和 pay-off,然后运行 column-specific review 确认文章完成了 signature structural moves
/panel 综合审查:召集一组审稿人进行 holistic 审查。与逐一召唤不同,panel 的输出是所有反馈的 synthesis——保留 productive tension,不要平均化冲突意见。一个审稿人可能想砍掉某个 section,另一个可能认为它是草稿中最 alive 的东西。这种 disagreement 本身就是信号,告诉作者这篇文章要求她做出什么决定。
12 agents 审查一份草稿:在交给人类编辑前,Katie 运行 12 个 agent 做最终 pass。这看起来 excessive,但当模型能帮你快速到达 plausible draft 时,危险在于写作乍听深刻但实际上只是 AI 自我满足。
编辑 Taste 可分享:将优秀编辑的直觉规则化,写成可复用的 skills。Katie 的工作流承载了她的标准、主编的反馈、资深编辑的规则、house style,以及她在晚上 11 点因为草稿以新方式烦她而发明的任何奇怪小审稿人。
5. Line Editing — 逐句打磨
AI 帮助 tighten prose,但人做最终决定。
关键区别
| 批评者想象的 | 真实的流程 |
|---|---|
| 一次性交易 | 五阶段迭代 |
| 人被动接收 | 人主导每个决策点 |
| AI 代替思考 | AI 帮助人更好地思考 |
非虚构材料挖掘:AI 不写句子,但帮助找到材料
EP18 提供了一个更适合长篇 nonfiction 的模式:AI 不直接写最终文章,而是帮助作者处理材料工程。
核心流程:
- 现场材料仍来自人:实地观察、录音、照片、访谈和笔记。
- AI 帮助清理转写、整理时间线、生成课程/采访框架。
- AI 生成多语言关键词,帮助作者进入一手文献和跨语种材料。
- AI 在大量资料中协助寻找原文、细节和可疑线索。
- 人负责找到文章的钥匙、判断哪些细节有意思、建立画面感,并最终朗读和修改初稿。
这与 AI Writing as Sculpture 一致:AI 负责扩大材料块,人类负责雕刻判断。
Mike Taylor's dictated-first workflow(2026-08-23)
来源:Every — Life After Automation 中的 "In Defense of AI Writing"
Every 技术咨询负责人 Mike Taylor 的 AI 写作方式与 Katie Parrott 的五阶段流程不同,更接近「口述 + 结构化」:
- 人先做实验、形成判断:他不会让 AI 写自己没有做过的 A/B 测试。
- 口述完整过程:从 setup 到 results,用语音把「我做了什么、看到什么、得出什么结论」完整说出来。
- AI 格式化成文:让模型把口述材料整理成可发布的文章。
- 人审阅和修改:约两小时流程中,阅读和修改是必需环节。
关键区别:Taylor 把 AI 放在「表达」环节,而不是「思考」环节。他的出发点是「有东西值得说的人不一定会写」,AI 帮助这种人把经验传播出去。
风险边界:
- 不审阅 AI 输出的文章是 slop。
- 写作不能完全外包给 AI,但格式化和结构整理可以。
这与 AI Writing as Sculpture 的「AI 扩大材料块,人类雕刻判断」一致,只是 Taylor 的原材料来自口述而非草稿。
2026-09-20:让作者材料支配模型表达
来源:Every — Copy Our Homework 中 Mike Taylor 的 13 Beliefs About AI Writing
Taylor 补充了“口述 + 结构化”的输入原则:提示中的个人材料应多于模型生成的文字,让作者提供模型训练语料里没有的实验、经历与判断;如果内容本来可以由 ChatGPT 泛化出来,就还没有充分理由发布。作者要能为文章想法辩护,短帖仍由本人撰写,因为它们是长文观点与真实对话的起点。
他把写作中的人的责任延伸到选题与编辑:保留版本以便非破坏性修改;用数字和图片让论点具体;不要把写得辛苦等同于写得好;从确实让读者产生兴趣、或已帮助过他人的建议里寻找题材。Taylor 自述,AI 让他从一天的写作缩短到约两小时,也让非职业写作者更容易表达好想法。这个时间数字和“模型已经足够好”的判断属于个人经验,不是跨作者或受控生产率证据。
这与本页已有的「AI 不代替思考」「人审阅和修改」一致,但增加了一个更可执行的验收问题:输出里的每个重要主张,是否能追溯到作者自己的材料,且作者愿意在读者追问时为它负责?
隐藏风险:AI Autopilot
即使是精心设计的 AI 写作流程,也可能滑向"自动驾驶"——你觉得自己在审查,实际上只是在让文档从视野中经过。
危险信号:
- 你调整了一个短语、抓到一个怪句子,就感觉"审查过了"
- 你重复完成了同一项任务却完全不记得
- AI 的输出太流畅,你的眼睛自动滑过潜在问题
Katie Parrott 的三道防线(2026-04-20):
- 先看再写:在问 AI 之前,先写下自己的粗略立场(五个 bullet:我认为什么、我知道什么、我不确定什么、我拒绝说什么、价值点)
- 留出间隔:周三起草,周四审查;或从聊天界面复制到文档,在不同 surface 阅读
- 一句话辩护:接受任何 AI 建议前,强迫自己写一句话解释"为什么这个对读者是正确的"——如果答案是"它听起来不错",就回去重看
研究证据与适用边界(2026-11-05 更新)
Every 在 2026-11-03 的重刊中把一项研究概括为:让使用者在接受 AI 输出前说明理由,可使错误接受约减半。链接的 Ghosh 等人 2026 年预印本具体比较了 AI 计划审查中的四种条件:无提示、找出计划步骤的前提(Assumptions)、推演关键步骤改变后的结果(WhatIf),以及两种提示并用。在线实验有 214 名参与者,另有 12 人参加访谈。摘要称 Assumptions 最有效地降低过度依赖且未增加认知负担;WhatIf 的主观帮助感较高,但未出现同等的行为改善。研究使用模拟写作任务和预设错误,适用范围有限。因此,“约减半”应保留为 Every 对特定任务结果的概括,不应写成所有 AI 写作流程的通用效果。
Buçinca、Malaya 与 Gajos 的 2021 年研究在模拟食材替换任务中发现,认知强制提示比只展示 AI 解释更能降低对错误建议的过度依赖;但提示并未消除错误,人机团队在该任务中仍可能不如模型单独运行。这项研究为“解释不等于核验”提供另一类证据,但不能直接视为写作审阅的效果估计。
来源:Every — How I Escaped AI Autopilot。
下一步:从完整草稿权到局部编辑权
来源:Every — I Tried the AI Model Built to Fix AI Writing
Katie Parrott's tests of Deft's DFT v1 exposed a product limitation that generalizes beyond one model: many writing APIs still deliver "block drafts" rather than editable collaboration. Users send a brief and receive a finished chunk, with no reliable way to keep one sentence intact, move a paragraph up, or rewrite only a transition.
This matters because the real editing work happens locally. A useful AI writing tool should support instructions such as:
- Keep this sentence verbatim.
- Move the jobs section before the skills section.
- Rewrite only the transition between sections two and three.
- Do not invent dates, dialogues, screenshots, or product histories.
Two related control problems showed up in the Deft tests:
- Strict mode must be strict. A "strict" setting that still hallucinates supporting details is not a mode; it is a marketing label. The contract between user and model needs explicit lists of facts that must be preserved, inferences that are allowed, and categories that are forbidden.
- Reading level is a quality gate, not an afterthought. Deft's SEO article scored at an eleventh-grade reading level while 54% of U.S. adults read at or below sixth grade. "More human" prose can be harder to read, so the intended audience should be specified before generation.
These needs point toward a writing interface closer to a diff-aware editor than a prompt-to-draft machine.
Compound Writing:把写作流程固化成可复用插件
来源:AI Briefing 2026-09-03 Afternoon
Katie Parrott 在 Every 的访谈中把 AI 写作方法进一步从“五阶段流程”推进到可复用插件。Compound Writing 借鉴 Compound Engineering,把 brainstorm、outline、draft、substantive edit、line edit 和 final pass 固化为工作流。它的关键不是让模型替作者写,而是把作者、编辑和团队长期积累的反馈保存为可复用规则。
这补充了本页的一个实践判断:AI 写作质量主要来自输入材料和反馈制度。项目上下文、读者画像、差异化观点、研究材料、个人经验和风格样本是模型不能凭空生成的输入。插件化的价值在于只反馈一次就能长期生效,使 AI 在下一篇文章中少犯同类错误。
Counterpoints & Gaps
- 该材料来自 Every 自身的产品访谈,仍需实际试用 Compound Writing 后判断其可迁移性。
- 写作插件可能让流程更稳定,也可能把作者风格过度模板化。
2026-09-06:把写作协作固化为持久上下文
来源:Every — A Split Verdict on Fable vs. Astra
Every 的周报进一步说明 Compound Writing 的持久化边界:写作样本、声音说明、编辑标准和本轮拒绝的建议应成为下一轮的上下文,而不是只留下最终成稿。工作流仍然要求人决定问题是否有用、论点是否成立、句子是否像自己;模型负责采访、组织、起草和暴露问题。与代码中可用测试判断“通过/失败”不同,写作的说服力、声音和幽默不能完全自动验收。
Counterpoints & Gaps
- 该方法的主要证据来自 Every 团队的自述,尚无跨作者的效果比较。
- 可复用的声音规则可能提高一致性,也可能让作者过度依赖固定模板。
Charlotte Alter 的质疑
"Research is thinking. Outlining is thinking. Writing is thinking. Any portion of that done by AI is less thinking done by you."
回应:AI 不是代替这些思考,而是加速它们 —— 让你更快地看到想法的雏形,从而投入更多深度思考。
关联
- writing/human-sample-baseline — 人类样本作为 AI 创作的基准线:团队必须先产出人类版本的作品样本,才能使 AI 优化有参照物
- writing/ai-assisted-creative-production — AI 辅助创意生产的工程化流程:资料收集、功能分类、卡片化、排序详略、风格迁移、模块化开头结尾(诗梳风 EP21)
- writing/overview — Writing 总览
- writing/writing-as-thinking — 写作作为思考工具
- writing/editing-ai-writing — 编辑 AI 写作
- writing/ai-assisted-nonfiction-material-mining — AI 辅助非虚构材料挖掘
- writing/ai-writing-distribution — AI 写作的分布问题
Pending Jean review
- writing/writing-with-ai —
ai_draft; suggested action: decide whether Compound Writing should become a local writing skill experiment. - writing/writing-with-ai —
ai_draft; suggested action: test whether the author-material-to-output rule improves one real draft without weakening claim provenance or authorial voice. - writing/writing-with-ai —
ai_draft; review whether checking assumptions in AI plans belongs in Jean’s own writing review workflow.