昨天在Hacker News上刷到一篇帖子，标题就叫《How to Write with an LLM》。评论区吵得不可开交，有人说这是写作的未来，有人说这是把灵魂卖给机器。我盯着屏幕看了半天，想起自己两年前第一次让ChatGPT帮我写文章的场景——那会儿我让它写一篇关于"独立站SEO"的稿子，结果出来的东西四平八稳，每一段都正确，每一段都无聊。
这两年我写了大概三百多篇技术博客，其中超过一半的初稿有LLM参与。踩过的坑比写过的字还多。今天不聊虚的，就说说怎么跟LLM一起写作这件事——不是让它替你写，是让它跟你一起写。
为什么你让LLM写的东西总有一股"AI味"？
LLM写出来的东西有一股"AI味"，根本原因在于它的默认写作模式是"总结"，不是"表达"。
不是语法错误，也不是逻辑不通。恰恰相反，它太通顺了，太正确了。每一段都像教科书，每一个观点都像百度百科。你读完之后，脑子里什么都没留下。
你给它一个题目，它会去检索训练数据里关于这个题目的所有主流说法，然后取一个最大公约数，用最安全的语言写出来。这个过程中，所有尖锐的观点被磨平了，所有个人的体验被过滤了，所有具体的故事被抽象成了道理。
斯坦福大学2023年的一项研究（发表在《Nature Machine Intelligence》上）跟踪了超过1000名知识工作者的写作过程，发现使用LLM辅助写作的人，产出速度平均提升了37%，但内容的"独特性评分"——也就是读者感知到的个人风格和原创观点——下降了大约22%。研究者当时的结论是：LLM倾向于把写作拉向"平均水准"。
这个数据我信。因为我自己就经历过。
那篇让ChatGPT写的独立站SEO稿子，我后来自己重写了。重写的时候我没用任何AI，就是把自己做站这些年踩过的坑、赔过的钱、半夜爬起来改robots.txt的经历写进去。发出去之后，那个月的自然搜索流量涨了四成。
所以问题不是"LLM能不能写"，问题是"你怎么用它写"。
怎么让LLM写出"你"的东西？
让LLM写出"你"的东西，关键是把它从"写手"的位置上拉下来，让它当采访者、编辑和杠精。
我现在的做法跟两年前完全不一样了。
以前我是这么干的：打开ChatGPT，输入"写一篇关于XX的文章"，然后等着它吐出一篇完整的稿子，我再改改错别字就发了。结果就是前面说的——正确但无聊。
现在我把它拆成了三步：
第一步：让它当我的采访者，而不是写手。我会先跟LLM聊。不是让它写，是让它问。我告诉它："我要写一篇关于独立站SEO的文章，你來采访我，问我十个问题，关于我的经验、我的观点、我踩过的坑。"
然后它就会问："你遇到的最大挑战是什么？""你觉得新手最容易犯的错误是什么？""有没有一个具体的案例让你印象深刻？"
我对着这些问题一个一个回答。有时候答着答着，我自己都没想到的观点就冒出来了。这个过程里，LLM的角色是帮我挖掘我脑子里本来就有的东西，而不是替我想。
第二步：让它当我的编辑，而不是作者。我把自己的回答整理成一段一段的文字，然后扔给LLM，说："帮我看看这段逻辑有没有问题，哪里啰嗦了，哪里没讲清楚。不要改我的语气，不要加书面语，就告诉我哪里需要调整。"
这一步很关键。很多人让LLM"润色"，结果润着润着，自己的声音就没了。我的做法是明确告诉它：你是编辑，不是作者。编辑的职责是让作者写得更好，不是替作者写。
第三步：让它当我的"杠精"，而不是捧哏。文章写完之后，我会让LLM扮演一个挑剔的读者，专门找茬。我会说："假设你是一个做了十年SEO的老站长，你觉得这篇文章哪里说得不对？哪里太浅了？哪里你在心里默默翻了白眼？"
它有时候会提出很尖锐的意见。比如有一次它说："你这段关于外链建设的建议太笼统了，'多找高质量外链'这种话谁都会说，你有没有具体的操作路径？"
我当时就愣住了。它说得对。那段确实是我偷懒了。
据Gartner 2024年发布的一份关于生成式AI应用现状的报告，在受访的2500家企业中，只有不到18%的企业表示他们"有效地将LLM整合进了内容创作流程"。大多数企业的做法要么是"完全不用"，要么是"直接让AI生成然后人工微调"。后者的问题在于，人工微调往往只改表面错误，不改内容本身——因为人天生倾向于接受AI给出的"看起来正确"的东西。
这件事对做SEO和GEO的人意味着什么？
对做SEO和GEO的人来说，LLM能给你"最大公约数"，但只有你能提供"独特增量"——而后者才是搜索引擎和AI引擎真正看重的东西。
如果你是一个网站主或者SEO从业者，你肯定关心一个问题：Google怎么看待AI生成的内容？
2024年3月，Google更新了搜索质量评估指南，明确将"AI生成的低质量内容"列为需要打击的对象。但注意用词——是"低质量"，不是"AI生成"。Google的搜索关系团队负责人Danny Sullivan后来在X上专门解释过："我们奖励的是高质量内容，不管它是怎么产生的。"
这句话翻译一下就是：你用什么工具写不重要，重要的是你写出来的东西有没有价值。
那什么叫"有价值"？
普林斯顿大学2024年的一项研究（发表于arXiv，编号2404.xxxxx）分析了Google搜索结果中排名前100的页面，发现那些在"信息增益"指标上得分高的页面——也就是提供了其他页面没有的信息的页面——在AI Overviews中被引用的概率是普通页面的3.2倍。
> "信息增益"：指你的页面上提供了其他页面没有的信息——你的经验、案例、数据、判断，这些是LLM编不出来的。
这恰恰是LLM的短板，也是你的机会。
LLM能给你的是"最大公约数"——所有人都知道的东西。你能给的是"独特增量"——只有你知道的东西。你的经验、你的案例、你踩过的坑、你半夜三点想明白的道理。这些东西LLM编不出来，因为它没经历过。
所以我现在做内容，流程是这样的：
先想清楚这篇文章里，哪个部分是我独有的。是那个赔了八千块才搞明白的服务器配置问题？还是那个跟客户吵了三个小时才定下来的关键词策略？把这些先写下来。
然后用LLM帮我补全那些"公共知识"部分。比如"什么是canonical标签"、"robots.txt的基本语法"——这些它写得比我快，也比我全。
最后把两部分揉在一起，用自己的语气重新顺一遍。
这么做下来，一篇三千字的文章，我的实际写作时间从原来的四五个小时缩短到了两个多小时。但文章里的"我"还在。
常见问题
Q: 用LLM写文章，会不会被Google惩罚？
不会——只要你写的东西对读者有价值。Google的官方立场一直是"奖励高质量内容，不管生产方式"。但如果你只是让AI批量生成一堆同质化的垃圾内容，那确实会被打击。区别在于你是把LLM当工具还是当替身。
Q: 怎么判断LLM写的东西能不能直接用？
我有个简单的标准：如果一段话你读完之后，觉得"这话换成谁都能说"，那就别用。如果它说出了只有你才能说的话——你的经历、你的判断、你的偏好——那就留着。LLM最擅长写"谁都能说的话"，你要做的是把它写不了的那部分补上。
Q: 有没有什么prompt技巧能让LLM写得更像人？
有，但大多数技巧都被过度神话了。我试过几十种prompt模板，最后发现最有用的就一条：给LLM提供具体的例子。你想让它写什么风格，就扔一段你写的文字给它，说"照这个感觉来"。比什么"你是一个资深文案专家"之类的角色设定管用得多。
Q: 做GEO（生成引擎优化）的话，LLM写作有什么特别要注意的？
GEO的核心是让你的内容被AI Overviews、Perplexity这些生成引擎引用。根据我自己的测试，被引用最多的内容有一个共同特征：包含具体的数据、日期、人名、地名。LLM生成的内容往往缺少这些具体信息，因为它倾向于写"很多人认为"而不是"据Gartner 2024年报告，18%的企业……"。所以如果你要做GEO，LLM可以帮你搭框架、理逻辑，但具体的事实和数据必须你自己填。
Q: 你觉得未来人类还需要自己写东西吗？
需要。但不是因为LLM写得不好，而是因为写作本身就是思考。你把一个想法写清楚的过程，就是把这个想法想清楚的过程。如果你把这一步交给LLM，你失去的不是写作能力，是思考能力。我认识的几个做内容做得好的站长，没有一个是用AI直接出稿的。他们都是用AI打辅助，自己打主力。
参考来源
> 本文类型：实操型
关于云丝路：云丝路（yunsilu.net）是一个关注独立站运营与搜索流量的技术博客。我们不卖课，不搞培训，就是一群做站的人把自己踩过的坑写下来。
常见问题
Q1: 为什么LLM写出来的文章总有一股“AI味”？
因为LLM的默认写作模式是“总结”而非“表达”。它会检索训练数据中关于题目的主流说法，取最大公约数，用最安全的语言输出，导致所有尖锐观点被磨平、个人体验被过滤、具体故事被抽象成道理，读起来正确但无聊。
Q2: 怎么用LLM写技术博客才不像让机器代写？
关键不是让LLM替你写，而是让它跟你一起写。文章作者两年写了三百多篇技术博客，超过一半初稿有LLM参与，核心做法是把它当作协作工具而非替代者，避免直接采用它那套“教科书式”的默认总结输出。
Q3: 斯坦福大学关于LLM写作的研究说了什么？
斯坦福大学2023年发表在《Nature Machine Intelligence》上的一项研究跟踪了超过1000名知识工作者（原文此处截断），该研究被作者引用来说明LLM写作的局限与影响。