人机混合写作如今已是常态。开头是你自己写的，中间粘贴了提示词，结尾做了编辑。结果读起来参差不齐，你分不清哪些句子像是生成的。本指南教你如何找到接缝，判断哪些部分确实读起来像机器写的，并只重写那些部分。
如何找到人机混合草稿中的接缝？
接缝通常出现在句子长度变化的地方。人类起草是凹凸不平的。你写一个长而纠缠的句子，然后写一个短句。你重复一个词，因为那就是对的词。机器文本倾向于均匀化：相似的分句数量、相似的节奏、相似的段落形状。
大声朗读草稿，标记每一个你的声音减弱的地方。这些减弱会聚集。你通常会找到两三个区域，而不是一条清晰的分界线，因为AI文本常常会渗入粘贴内容两侧的段落。
更快的方法是按句评分，而不是整体评分。DeAIze (https://deaize.com) 按AI概率高亮每个句子，因此接缝会显示为一条被标记的句子带，而不是文档的一个数字。这在这里很重要：文档级评分告诉你有些不对劲，但不会告诉你该从哪里下手。
当我们在2026-09-13用我们自己的检测器对23篇手写的DeAIze指南评分时，平均AI得分为21%，范围从0到46%。23篇中有5篇在30%阈值下被标记。人类写作并非一律干净，这是你开始删改之前首先要接受的事。
哪些信号标志着机器撰写的段落？
三个信号起着主要作用。
均匀的节奏。 数一数连续五个句子中的单词数。如果它们落在一个狭窄的范围内，这段文字很可能是机器生成的。人类的散文有异常值。
模糊的断言。 机器草稿默认使用模糊措辞：“可以帮助”、“可能有助于”、“常被视为”。你自己的写作则明确表态。如果一段文字从未明确陈述任何内容，就要怀疑它。
泛泛的例子。 “例如，一家公司可能会使用这种方法来改善结果。”没有公司，没有方法，没有结果。你的例子中有人名。
还有第四个信号值得了解，因为它与直觉相反。当我们在相同的两个语料库中测量AI特征频率时，手写样本每100个词有4个特征，而未编辑的模型输出每100个词有1个特征。像破折号和“而且”这样的特征本身是弱证据。机器文本通常比人类文本更干净，而不是更脏。不要寻找特征；寻找均匀性。
| 信号 | 人类部分 | 机器部分 |
|---|---|---|
| 句子长度 | 参差不齐，有异常值 | 集中在均值附近 |
| 主张 | 明确、具体 | 含糊、笼统 |
| 示例 | 有名称、日期、来源 | 说明性占位符 |
| 段落形态 | 变化多样 | 长度相似、结构相似 |
| 过渡 | 有时突兀 | 始终平滑 |
在改写任何内容之前，先看看标记实际落在哪里。把草稿跑一遍 AI 检测器，看看哪些句子带有信号——目标是列出一份短清单，而不是全面重写。
为什么重写整篇文章是错误的做法？
因为其中大部分是你自己写的，而重写自己的文字，正是你丢掉让它值得一读之处的途径。
全面重写会让草稿变得扁平。你用略有不同的具体例子替换原来的具体例子，把本来已经没问题的句子改得平滑，还在原本没有问题的段落里引入新问题。你试图修正的那种参差不齐，往往正是人类写作的唯一证据。
还有一个实际成本。在我们 2026-09-13 对 12 段未经编辑的模型文本的测量中，平均 AI 得分为 33%，范围从 4% 到 46%。这是我们自己的工具，不是第三方裁决，它说明了一件有用的事：即使是未经改动的模型输出，也不总是得分很高。重写一切的前提是整份草稿都被污染了。通常并非如此。
这里有一个诚实的反对意见。如果一个检测器能标记出你自己手写的段落——在我们的样本中，23 段里有 5 段被标记——那么“只修改被标记的部分”可能会让你重写本来很好的文字。答案不是盲目相信分数。用它来建立一个候选清单，然后自己判断每个被标记的句子。标记是一个概率估计，不是对作者身份的裁决，你完全可以不同意它。
如何只重做被标记的部分？
分轮次进行，每一轮都保持小范围。
- 给草稿打分，并把被标记的句子复制到一个单独的列表中。 文档的其余部分保持不动。
- 对它们进行分类。 有些被标记是因为它们确实是机器生成的。有些被标记是因为它们简短、平淡或技术性强。将每个标记为重做或保留。
- 手动重写重做列表。 添加一个你知道而模型不知道的具体细节。打破节奏。拆分一个句子，合并另外两个句子。
- 大声朗读合并后的段落。 如果重写后的句子现在显得过于繁琐，就简化它。修复不应该比问题本身更显眼。
- 重新打分并比较。 如果被标记的范围缩小了，而且意思保持不变，就停止。
这里有一个示例，不是真实的客户草稿。修改前：“实施结构化的审查流程可以显著提高书面输出的整体质量，并可能带来跨团队更好的结果。”修改后：“我们的审查流程是三个人和一个共享文档。它在三月份发现了定价错误，这比旧系统一年做到的还要多。”
第二个版本明确提出了一个主张，给出了具体人数，并引用了具体事件。它也更短。这就是规律：机器生成的句子往往冗长、含糊且抽象，所以修复方法通常是让它们更短、更具体、更明确。
如果你正在修改一份长文档，这篇关于编辑 AI 长篇文章的指南中的逐节方法非常适合这个工作流程。
什么是用于发现接缝的朗读测试？
从开头以正常语速朗读草稿，并标记出每一个你卡顿、放慢速度或思路中断的地方。
这些标记就是你的接缝。人类也会被自己的文字绊住，所以不要将每一次卡顿都视为标记。你要寻找的是连续三句或更多句子，你读得流畅而平淡，没有强调，也没有惊喜。那段平淡的连续段落就是机器区域。
这个测试之所以有效，是因为你的嘴巴知道自己的节奏。当你遇到一段不是你写的文字时，阅读会在你的大脑反应过来之前就变得单调。标记出每一段平淡连续段落的起点和终点，然后将这些标记与你的检测器候选列表进行比较。两者一致的地方，你就找到了值得修正的内容。两者不一致的地方，相信你的耳朵，继续往下读。
如果你想了解底层机制——为什么节奏和可预测性会出现在评分中——AI 检测如何工作介绍了这些信号，但不会夸大它们。
何时应该对标记的句子置之不理？
当它准确、具体且出自你手时，就保留它。
技术写作、定义和引用材料本质上读起来都很平稳。像“阈值设定为30%”这样的句子永远不会听起来像人写的，因为它本就不该如此。为了让它听起来更像人话而改写，反而会更糟。
当标记处于边缘且句子确实在发挥重要作用时，也保留它。承载你主要论点的句子即使读起来处于临界状态，也不是重写论点的理由。这反而是检查周围段落是否提供了足够支持的契机。
更广泛的规则是：修正那些读起来像生成的段落，而不是得分高的段落。两者有重叠，但并不相同。你的任务是让草稿听起来像一个人写的，有时这意味着接受不均衡的得分，以换取一篇连贯统一的文章。
测量说明：本文中的数据来自我们自己的检测器于 2026-09-13 的运行结果——n = 23 篇手写指南对比 n = 12 份未经编辑的模型输出，AI 得分中位数分别为 22% 和 34%。方法：/methodology/。