為什麼 AI 的輸出傾向平庸？
每一個語言模型都在做同一件事：預測下一個最可能出現的詞。
注意——是「最可能」，不是「最好」。
這個區別決定了一切。當模型面對「描述悲傷」的指令，它搜索訓練資料裡數百萬次出現過的悲傷描寫，然後取平均值。「淚水滑落臉龐」出現頻率最高，所以它跑出來了。「銀色月光灑落大地」出現頻率最高，所以它又跑出來了。這些表達不是錯的。它們是平均的——所有人想到的第一個答案。
好的寫作恰恰在第一個答案之外。
作家冒險。用沒人用過的比喻，把句子拆成不合語法的碎片，讓角色在該哭的時候笑。這些選擇有時失敗得很慘，但它們也是驚喜誕生的地方。AI 被訓練來給「最可能正確」的答案，不是「最可能讓人坐直身體」的答案。它的工作是安全抵達，不是帶來衝擊。
還有一層更深的問題。
AI 沒有記憶。描述「早晨的咖啡」時，它不會想起母親站在廚房磨豆子的背影，不會想起大學期末考前灌下第四杯美式的灼熱感，不會想起那個特別的早晨——咖啡涼了，因為接到一通改變一切的電話。這些個人經歷會滲透進文字的毛細孔裡，讓兩個人寫同一件事卻完全不同。AI 能模仿「個人化」的語氣，但它提取的是統計模式，不是真正活過的經歷。
所以它給出的是「普遍的早晨咖啡」。技術上正確。情感上空洞。
大仲馬方法：永遠重寫
1844 年，大仲馬（Alexandre Dumas）僱用一個叫 Auguste Maquet 的代筆作家。Maquet 根據構想寫出初稿，然後大仲馬做一件事——用自己的方式重寫每一句話。
批評者嘲笑他是「文學工廠老闆」。
他不在乎。他說：「代筆作家給骨架，血肉由大仲馬來賦予。」
Maquet 的草稿流暢、結構完整、邏輯清晰。但讀起來就是少了什麼。是大仲馬的重寫，讓《The Three Musketeers》和《The Count of Monte Cristo》成為經典。Maquet 後來試圖獨立寫作，再也沒達到同樣的高度。差別只有一個字——聲音。
對待 AI 輸出最正確的態度，跟大仲馬對待 Maquet 一模一樣：把它當原料，不是成品。
不是「修改」。是讓別人的文字啟發自己的文字。
舉個例子。請 AI 描述一個悲傷的場景，它給了這個：
她感到一陣深深的悲傷，眼淚順著臉頰流下。
標準的「最可能」悲傷描述。現在用大仲馬的方式重寫：
她把臉埋進沙發靠墊——那個還殘留著他古龍水味道的靠墊——然後發現自己根本哭不出來。
同樣是悲傷。但第二個版本有具體細節（古龍水味道的靠墊）、有意外（哭不出來）、有個性。那個「哭不出來」才是真正的悲傷——太痛了，連眼淚都無法啟動。
Writing Studio 裡有個功能很適合這個工作流程。按 Cmd+ 開啟分割視窗，左邊放 AI 給的原始輸出，右邊寫重寫版本。一邊參考框架和想法，一邊用自己的節奏重新表達。完成後左邊刪掉。它完成使命了。
強迫 AI 離開舒適區
AI 永遠給最安全的選項。除非被明確告知：我不要安全的。
一般的 prompt 長這樣：「描述一個人在等待重要電話。」AI 會寫出握手機、來回踱步、盯著螢幕這些標準動作。換個方式——「描述一個人在等待重要電話，但禁止使用任何常見的緊張表現。不要握手機、不要來回踱步、不要盯著螢幕。」
這時候有趣的事發生了。
AI 被逼到牆角，不得不去探索它平常不會碰的區域。也許那個角色開始整理書架上的灰塵。也許他反覆數窗外電線上的鳥。也許她打開冰箱，關上，再打開，再關上，完全不記得自己在找什麼。
在 AI Assistant（Cmd+Shift+A）裡，試試這個提示詞模板：
請用「非安全」的方式重寫這段描述。
具體要求：
1. 不要用任何常見的比喻或陳腔濫調
2. 給我三個版本：一個安全的、一個奇怪的、一個危險的
3. 危險版本可以挑戰讀者的預期
我會選擇其中一個作為靈感，然後用自己的方式重寫。
「三個版本」是關鍵。AI 的第一反應永遠安全，但當被要求提供「奇怪的」和「危險的」版本，它被迫在統計分佈的邊緣地帶搜索。那些版本未必完美，甚至可能荒謬——但荒謬裡藏著靈感。它讓寫作者看見第一選項之外的風景。
讓 AI 認識你的聲音
模仿需要樣本。說「用我的風格寫」跟說「用好的風格寫」一樣毫無意義——AI 不知道那是什麼。
但給它一段真正滿意的文字，情況完全不同。
Writing Studio 的檔案系統讓這件事變得極度實用。在 File Tree 裡建一個檔案，叫「風格樣本」，把自己寫過最滿意的段落收集進去。不需要多，三到五段就夠。那些最能代表個人聲音的段落——節奏對、意象準、讀起來像自己說的話。
需要 AI 幫忙時，打開 AI Assistant，用 @ 引用這個檔案：
@風格樣本
這是我的寫作風格。請分析這些段落的特點，然後用類似的風格幫我改寫以下內容：
[貼上需要改寫的段落]
更進階的做法是反過來——讓 AI 先分析風格本身。選取樣本文字，問它：
請分析這段文字的寫作特點：
- 句子長度和結構
- 標點符號的使用習慣
- 偏好的意象和比喻類型
- 敘事節奏
然後用這些特點幫我改寫以下段落。
AI 的模仿永遠不完美。最多只能接近。但「接近」已經比「毫無參考」好太多了。而且這個過程有個意外收穫——AI 分析風格時說出的那些特徵描述，往往能幫助作者第一次清楚看見自己的寫作習慣。原來我偏好短句收尾。原來我喜歡用食物當比喻。原來我的節奏是長—長—短。
這些發現本身就有價值。
AI 是診斷師，不是醫生
換一種使用方式。不要讓 AI 寫，讓它看。
選取一段自己寫的文字，在 AI Assistant 裡問具體的問題：「這段描述哪裡太籠統了？」「這個對話哪裡不像這個角色會說的？」「這個場景的節奏哪裡拖了？」
然後自己修。
這樣做的好處很根本——聲音完全是自己的，但借用了 AI 的分析能力。AI 指出「第二句太長，打斷節奏」或「這裡是告訴而不是展示」，這些是有價值的診斷。怎麼開刀，由作者決定。
在 Writing Studio 裡，這個流程特別順。選取文字，Cmd+Shift+A 呼叫 AI Assistant，讓它分析問題，然後直接在編輯器裡改。不用切換視窗，不用複製貼上，思路不會斷。
改之前按一下 Cmd+Shift+G，建立一個 Snapshot。萬一改得不滿意，隨時回到之前的版本。這個安全網讓人敢大刀闊斧地改——不用小心翼翼，不用怕改壞。
結構歸 AI，細節歸人
最後一種分工方式，也是最實用的一種。
AI 擅長什麼？建立框架、確保邏輯連貫、列出可能的選項。人擅長什麼？獨特的觀察、個人化的細節、意想不到的比喻、情感的真實質地。把兩者的長處拼在一起，就是最高效的合作模式。
寫一場吵架戲。告訴 AI：「幫我建立這個吵架場景的框架——誰先開口、情緒怎麼升級、怎麼收尾。但不要寫具體的對話。」AI 給骨架，對話由人來填。那些只有這兩個角色之間才會說出口的話，那些帶著舊傷和暗語的台詞——這些東西 AI 寫不出來。
設計一個房間也一樣。「這個房間需要什麼物品來反映角色的個性？給我選項。」AI 列清單，人從中挑選，然後加入那些只有自己知道的細節——書架上那本被翻爛的書不是名著，是一本過期的旅遊雜誌，翻到第 47 頁有個被圈起來的民宿地址。
Writing Studio 的 File Tree 很適合這種工作方式。建專門的筆記檔存放 AI 生成的框架和選項，然後在主要章節檔案裡用分割視窗一邊參考一邊寫。完成之後那些框架筆記不用刪——用 Version Control 保留它們。日後回頭看自己怎麼從一個骨架發展出一個完整場景，本身就是一種學習。
實戰：把平庸改寫成獨特
來做一個完整的練習。
請 AI 描述「一個人回到童年的房子」，它大概會給出這樣的東西：
當他推開那扇熟悉的門，童年的記憶如潮水般湧來。這裡的一切看起來都變小了——曾經高聳的樓梯現在只是普通的高度，曾經寬敞的客廳現在顯得有些擁擠。陽光透過窗戶灑落，塵埃在光線中漂浮。他感到一陣淡淡的憂傷。
拆解一下哪裡太安全。「記憶如潮水般湧來」——陳腔濫調，每個人都用過。「一切看起來都變小了」——每個成年人回老家的標準觀察。「塵埃在光線中漂浮」——影視作品裡用了幾千次。「一陣淡淡的憂傷」——告訴讀者情緒，而不是讓讀者自己感受到。
現在問一個不同的問題：回到老家，真正注意到的是什麼？不是「一切變小了」這種概括。是某個非常具體的、只有自己會注意到的東西。
重寫：
門把手的高度不對。他記得以前要伸手夠它，現在它在他的腰際。牆上還留著那條線——十歲、十一歲、十二歲——他母親用鉛筆標記他身高的地方。線條停在十二歲那年。那年他父親離開，他們搬走了。他發現自己在想一個奇怪的問題：那之後他又長了多少？
具體細節取代了概括（門把手的高度，不是「一切變小了」）。個人歷史取代了普遍經驗（母親的鉛筆線，父親的離開）。一個奇怪的問題取代了「一陣淡淡的憂傷」。讀者不需要被告知他很傷心——那條停在十二歲的線已經說完了一切。
這就是從平庸到獨特的過程。不是魔法，是紀律。每次拿到 AI 的輸出，問自己：哪裡太安全了？哪裡可以用只有我知道的細節取代？
大仲馬曾被問過一個尖銳的問題：「為什麼不讓代筆作家直接寫完，自己只掛個名？」
他的回答只有一句：「因為那就不是我的書了。讀者買的不是故事——故事到處都有。讀者買的是我說故事的方式。」
一百八十年後，這句話比任何時候都更準確。
AI 給得出骨架。流暢的、正確的、完整的骨架。但骨架不是書。讓骨架長出血肉的，是只有這個作者會注意到的細節，只有這個作者會選擇的比喻，只有這個作者會想到的轉折。
AI 是這個時代的 Maquet——勤奮、便宜、永遠待命。但它取代不了坐在那裡、用自己的方式重寫每一句話的那個人。
這不是負擔。這是特權。