LLM写作的心法与功法

光标在空白文档上跳动。我已经盯着它看了二十分钟，脑子里塞满了模糊的念头，却找不到一根线头把它们拽出来。这种焦灼，每一个认真对待文字的人都经历过——它不会随着经验增长而消失，只会随着写作标准的提高而愈发频繁地造访。

然后AI出现了。准确地说，是大型语言模型出现了。它像一个随叫随到的影子写手，永远不累，永远客气，永远能在三秒钟内吐出八百个字。欢呼者视其为解放生产力的外挂，恐慌者视其为创意领域的掘墓人，而更多的人则在暗地里矛盾——一边偷偷用它来突破瓶颈，一边为“作弊”的嫌疑感到不安。

这种焦虑之所以挥之不去，是因为它触及了一个更根本的问题：当机器能够模仿甚至超越人类的语言能力时，写作这件事的主体究竟属于谁？我们递出去的，究竟只是笔，还是连同握着笔的那只手？

心法篇：重新定义写作的主权

LLM不是写作的替代者，而是思维的外骨骼。 外骨骼的意义在于，它能放大力量，让人举起此前举不动的重量，但驱动它的神经信号必须来自使用者自己的大脑。如果大脑放弃发出指令，外骨骼就只是一堆安静的金属；同样，如果一个写作者放弃思考的主导权，LLM产出的就只是流畅的废料。

LLM能够替人完成表达，但它绝不能替人完成思考。而写作的真正价值，永远在于后者。

与LLM协作写作，本质上是一场主体性的强化训练。每一次发出指令，都必须先想清楚“我想要什么”；每一次评判产出，都必须调动起“这符合我的标准吗”的判断；每一次修改文字，都是在擦拭镜面的雾气，让映出的画面更加清晰。如果一个写作者长期使用LLM却感到风格正在流失，那一定不是因为LLM太强，而是因为他在协作中放弃了主体位置。

有了这层认知，再来谈“如何提问”，就不会停留在“怎么写提示词”的技术层面了。

市面上关于提示词工程的教程已经汗牛充栋，它们教人设定角色、交代背景、拆解任务、规范格式。这些技巧有用，但它们只解决了“如何让LLM听懂指令”这个问题，却没有解决更前置的问题：什么才是值得问的问题？

空泛的指令能得到正确的废话，精确的指令能得到精确的废话。 这是很多LLM写作者会遇到的瓶颈：明明提示词写得很规范，为什么产出的东西就是平庸？答案在于，提示词的规范只能保证“合格”，无法保证“出色”。合格与出色之间的距离，恰好等于提问者的思考深度。

我把提问的能力分为四个层次：

第一层是索取信息。这是最基础的用法，本质上是搜索引擎的延伸。例如“介绍一下存在主义的核心命题”“这篇文章的背景数据有哪些”，在这个层次上，LLM没有真正参与写作，它只是在节省检索时间。

第二层是激活视角。从这里开始，提问本身具有了创作属性。“如果我是反对这篇文章论点的读者，我会从哪些角度提出质疑？”“请用历史学家的眼光重新描述这个城市。”提问者不再只是获取信息，而是开始调用LLM的核心能力——模拟不同心智框架下的思维路径。它帮人看见那些自己所处的位置看不见的东西。

第三层是模拟辩论。“我觉得我这篇文章写得很好，请你扮演最尖刻的批评者，逐条找出漏洞。不要客气，不要照顾我的感受。”当它逼人面对最猛烈的攻击时，站不住脚的论据自然剥落。这个过程的本质是：用LLM在自己的思维内部制造一场内战，让舒适区里的观点被迫应战。

第四层是挑战盲区。这种提问方式的核心不在于“我不知道，请你告诉我”，而在于“我知道自己一定有不知道的，请你帮我找到它”。例如“在我对这个问题的分析中，有哪些隐藏的前提假设是我自己没有意识到的？”“请重新审视我的结论，告诉我哪些在我看来天经地义的东西在其他框架下会显得可疑。”这种提问的价值在于，它将LLM从“答案提供者”的角色转变为“盲区探测器”。一个人的思考能达到什么深度，往往不取决于已经看清了什么，而在于意识到还有哪些没有看清的。

提出好问题的能力，是这个时代防止思想降维的最后堡垒。 LLM没有取代思考，它只是把思考的门槛从“语言表达”后移到了“问题意识”。以前还能用华丽的修辞来掩盖思想的贫瘠，现在机器已经把修辞民主化了，写作者唯一剩下的高地，就是自己提出的那个问题本身。

功法篇：搭建深度协作系统

提问是基本功，但单靠提问不足以完成深度写作。LLM写作者需要一套系统性的协作流程，让自己在写作的不同阶段调用不同的策略。我把这套流程拆为四个阶段，它们不是线性的流水线，而是一个螺旋上升的过程：每一个后续阶段都可能迫使人回到前面去修正和深化。

第一阶段：用LLM做联想加速器

空白页是最古老的敌人。这个阶段的危险不在于写得不好，而在于根本写不出来——因为写作者在还没有素材的时候就企图找到完美的开头，在还没有廓清思路的时候就企图写出精炼的论断。绝大多数成熟的文本，都诞生于一个混乱的、不确定的、充满碎片的前期阶段。

我的做法是：将脑海中所有零碎的念头——包括不成形的、相互矛盾的、只有一半的想法——全部倾倒给LLM。不要求通顺，不要求逻辑。然后发出例如这样的指令：

“从这些碎片中，找出我自己可能没有注意到的三组隐秘连接。” “用一套完全不同的意象系统重新隐喻我的核心想法。” “如果这个话题是一幅画，请描述它的构图、色调和最关键的那个细节。”

LLM在这个阶段扮演的角色不是写手，而是联想加速器。人类大脑的联想能力受限于个体各自的知识边界和思维惯性，而LLM的联想网络在广度和跳跃性上远超个体。它能捕捉到那些于我而言“虽近实远”的关联——比如将建筑学的一个概念突然应用到文学理论上，或者用一种生物的习性来隐喻一种社会现象。

但这里有一条极其重要的防线：这个阶段是在收集可能性，而不是在寻找答案。LLM给出的所有联想都是原料，决定用哪个、不用哪个、如何变形使用的，只能由写作者自己决定。

第二阶段：在多版本大纲中找到脊梁

碎片足够多之后，需要一根脊梁。所谓脊梁，就是文章的核心论证结构：究竟想论证什么观点，用什么路径来论证，论证的步骤如何安排。

我会让LLM基于前一阶段的发散成果，生成多个不同逻辑的大纲——按问题推进的，按矛盾展开的，按历史脉络走的，按理论框架搭的。然后我会做一件它无法代劳的事：看着这些选项，问自己一个只有我能回答的问题——我究竟想说什么？

这不是“哪个大纲更好”，而是“我想表达的那个东西究竟是什么”。一个文章的核心洞见永远不会出现在LLM生成的选项里，它只能来自写作者自己——来自对某个问题的长期纠结，来自生命中反复出现却一直没被说清楚的经验，来自那些不太正确但极其真诚的偏执。LLM帮我把可能的逻辑路径罗列出来，但最终做选择的那一刻，我必须在场。

一个实用的检验步骤：大纲确定后，我会让LLM扮演“逻辑漏洞扫描器”，用这样的指令：“逐项检查这个大纲：①各章节之间是否存在论证跳跃？②核心概念在使用前后是否保持一致？③有没有隐藏的前提假设未经论证？请逐一列出风险点。”

这个步骤能暴露出很多在“盲目激动”中忽略的问题，在动笔之前就把结构夯实。

第三阶段：用差异性限定控制每一段的温度

有了骨架，开始分段填充。这是最容易产生“AI味”的环节，也是最考验控制力的环节。很多人在这里犯的错误是：把大纲扔给LLM，让它逐段生成，然后把生成的内容拼在一起。这样拼出来的东西，每一段单独看都还过得去，连在一起就散发出一种可疑的均匀感——每段的长度差不多，语调差不多，节奏差不多。

我的做法是：对每一个段落进行极其具体的情境限定，而且每一段的限定方式都不一样。比如：

“这一段用冬天傍晚的口吻来写，带克制的感伤。禁止使用‘悲伤’‘难过’‘失落’这类直接命名情绪的词汇。” “描述这个人物的犹豫时，插入一个关于旧家具的感官细节——触觉或嗅觉，不是看到的，是摸到的或闻到的。” “这一段不要写任何结论，只呈现三个彼此矛盾的场景片段，让矛盾本身说话。每个片段不超过三句话。”

这些提示词的共同特征是什么？它们都不是在说“写什么”，而是在说“怎么写”——而且是带有强烈感知属性的“怎么写”。为什么这很重要？因为LLM在默认状态下会趋向表达的均值：它能写出正确的文字，但写不出有触感的文字。写作者必须用自己的指令把它从均值的舒适区里拽出来，逼它进入一个特定的、狭窄的、充满感官质感的语言通道。

与此同时，我会将自己的亲身经验作为素材直接注入：“以下是我的一段真实经历：[具体经历]。请将这段素材自然编入刚才的论证段落，保持论述的整体性，但让这个私人瞬间成为整段文字的锚点。”

这个做法的意义在于：LLM提供的永远是共性，而写作者自己的经验是绝对的个性。当具体的个人经验被植入到LLM生成的框架中时，那个框架就不再是通用的了。

第四阶段：用“瑕疵”打开文字的毛孔

这是很关键的一步。大多数人拿到LLM生成的完整文字，觉得“挺顺的”，就发出去了。然后读者说“有AI味”。

什么是“AI味”？它的本质不是语法错误，不是逻辑不通，而恰恰相反——是太通顺了，太平滑了，太正确了。它像一张被过度美颜的面孔，每一个毛孔都被算法抹平，于是失去了皮肤真实的质感和温度。真正的写作是有毛孔的：它应该有粗糙的边缘，有偶尔的断裂，有意外的转折。

修改，就是把这些毛孔重新打开的过程。既然“AI味”的核心病灶是平滑，那么修改的核心策略就是三个字：制造阻力。

斩断平滑。LLM偏爱长句，偏爱华丽的排比，偏爱段落之间圆润无骨的衔接。修改时，我刻意反向用力：在长句最顺畅处拦腰斩断，插入突兀的短句；在流畅的论述中突然扔进一句口语或反问；把过度工整的排比拆散，让其中一两项故意不按节奏走。这些操作的目的不是破坏可读性，而是创造文字的“触感”——让读者在滑动中偶尔被绊一下，在那轻微的断裂感里，文字便获得了真实的粗糙毛孔。

注入肌理。LLM的文字习惯性地活在抽象的云端。“这种现象反映了现代社会的人际疏离”——这是它的话。修改时我会找到每一个抽象论断，问自己一句：我有没有一个具体的经验能支撑它？如果有，就把那个经验写进去。LLM给出的是概念的骨架，写作者填充的是感官的血肉。有骨架没有血肉的文章是标本，有血肉没有骨架的文章是烂泥。两者的结合点，就是修改时最该发力的地方。

自我对抗。这是我最倚重的方法。一个普遍的误区是让LLM自己改自己的东西——这只会产生新的平滑。正确的做法是让LLM扮演批评家，而写作者保留终审权和修改权。具体操作：将完成的初稿交给LLM，赋予它一个极其苛刻的角色——“请你以这个领域最挑剔的匿名评审的身份，逐一指出这篇文章中最站不住脚的三个论点、最空洞的一段论述、以及最可能引发读者反感的表达。不要给修改建议，只给批评，越尖锐越好。”然后，我会亲自面对每一个批评，重新思考，重新写作，直到能坦然回应（~~或者放弃，选择摆烂~~）。

这个过程的本质，是逼写作者离开自己的舒适区，去面对那些在写作中本能回避的棘手问题。而只有当写作者亲自回应了这些问题，文字才真正经历了锤炼。修改不是润色。润色是把表面打磨得更光滑，修改是让文字经历思想层面的压力测试。前者让文章看起来更好，后者让文章真正变好。

说完了流程，关于提示词我还想单独展开几个具体招式。它们与前面讲的提问层次一脉相承，但更加场景化，可以直接嵌入创作流程中使用。

苏格拉底式攻击（论述类）。“请以苏格拉底式诘问，逐一攻击我上述观点的三个软肋。要刻薄，不要客气。不要只反对结论，要挖出论证过程中的逻辑跳跃和不自洽。”攻击完后逐条回应。这样写出的论述，在成型前就经受过最猛烈的拆解，骨子里带着抗辩的力量。

禁止贴标签（叙事/文案类）。如果要传达“失去”的感觉：“在这段文字中让读者感受到‘失去’，但禁止出现‘失去’‘悲伤’‘怀念’‘遗憾’这类直接命名情绪的词。只允许使用具体的场景、物品、动作和感官细节。”这个限制迫使LLM放弃抽象概括，走向具象呈现——而具象，是好文字的共同密码。

思维链显性化（结构类）。“动笔前，先分析目标读者可能有的三种抵触心理，针对每一种设计破冰策略，再将策略转化为具体的开头段落。把每一个推理步骤都摊开。”这样思维过程被铺在面前，写作者能在每一步介入修正，而不是等最终产出才发现方向走偏。

多角色圆桌（素材生成）。例如让孔子、尼采和一位当代程序员“坐在一起”讨论工作的意义。一个代表古典道德秩序，一个代表现代性反叛，一个代表技术时代的实用理性——他们之间的张力本身就是一个完整的戏剧结构。关键在选角：选内在张力足够大的角色，让对话天然携带矛盾。

这些招式的共同本质：好的提示词不是命令机器，而是创造一种情境，让机器的默认模式被迫失效。

心法进阶：守住“余数”和“孤本”

掌握了这些术，一个写作者应该已经能高效地产出质量不差的文章了。但还有一件事需要提醒：LLM省下了很多时间，但它省不下孕育思想所必需的沉默、徘徊和痛苦。

用适当的方法，可以在一天内完成过去需要一周的长文。但如果连续一年都这样高效输出，一个可怕的现象就会出现：产出的所有文字都稳定在一个不错的水平线上，却再也没有出现过那种让自己都感到陌生的、超出预期的、仿佛不知道从哪里闯进来的神来之笔。

那些神来之笔从不是效率的产物。它们来自盯着窗外发呆的下午，来自失眠的凌晨翻身爬起来记下的几行字，来自写完三千字发现全是垃圾于是全部推翻重来的痛苦决定。这些在效率尺度上“低效”甚至“浪费”的过程，恰恰是写作中最珍贵的部分——它们是一个写作者作为独特生命个体与语言肉搏时留下的痕迹。

LLM呈现的是人类知识的最大公约数。而一个作者要写的，永远是那个不可通约的余数。

数学上的余数，是被整除之后剩下来的那一点。LLM能模仿所有已知风格，调用所有公开知识，生成符合任何标准的文字——这些是“被整除”的部分。但总有些东西是除不尽的：童年某个夏日午后的气味记忆，对某种颜色的偏执性迷恋，那些无法被归纳进任何理论体系却挥之不去的直觉。它们在LLM的知识版图上没有坐标，是算法想要抹平却始终抹不平的顽固凸起。而一个人的写作之所以属于他，恰恰因为这些凸起。

所以我有一个判断：不要试图让LLM帮忙“找到自己的风格”。它手里只有样本，没有源头。风格不是从已有选项中选出来的，而是从生命中那些无法被归类的东西里长出来的。 可以让LLM打磨技术、开拓思路，但不能让它帮忙成为自己。那件事只能由自己完成，而且往往是在LLM不在场的时候。

更具体的做法是：在与LLM的协作中，有意识地为“非效率时间”保留空间。不要每次打开项目就直奔产出。有时只需要把LLM当作回声壁，对着它说出那些还没成型、模糊的、不确定的念头，认真听听碰撞后的回声。一个人的偏见与执念，对某个事物超乎寻常的热情，无法被算法归类的个人经验——这些才是写作者唯一的不可替代的资产。 用LLM补齐弱项，然后把省下的所有精力，投入到捍卫自己的独特性中去。

回到文章开头那个问题：究竟该以怎样的姿态与LLM共处？

**把它当作打磨自我的镜子。**镜子不会替人活，但它能让人看见自己此刻的模样——哪一部分是清晰的，哪一部分是模糊的，哪一部分是以为存在但其实并不存在的。LLM在协作中扮演的正是镜子的角色。它能写出什么，取决于写作者能问出什么；而能问出什么，取决于写作者自己。它用每一次对话逼人变得更清醒、更敏锐、更知道自己究竟想说什么。

最好的LLM写作状态是什么样的？不是拿到了一篇完美的、可以直接发布的文章，而是在与它周旋了几个小时后，放下键盘，感觉到一阵疲惫但充实的满足：终于说清楚了一件以前说不清楚的事；在一轮又一轮的追问和回应中，把自己原本模糊的想法推到了一个此前没有预料到的位置；在算法的镜像中，更清晰地看见了自己的轮廓。

人机协作的终极目标，不是变得更像一台高效的机器，而是在机器的映照下，变得比从前更像一个人。

本文正是采用文中所描述的方法，与LLM协作完成的。它提供了语言的结构与知识的广度，我注入了一些偶尔浮现的念头和不成熟的经验。值得一提的是，文中所描述的瓶颈，亦是我所面临的困境。