用AI写小说，怎样摆脱那股“机器味儿”？

一、问题的本质：不是模型不够强，而是流程太扁平

用大语言模型生成叙事文本时，很多开发者会遭遇一种似曾相识的困境：情节推进没毛病，信息交代也清楚，但读起来就是“不对劲”。具体表现为：

• 对白过于工整：人物说话像在轮流念稿，每句都完整、礼貌、逻辑自洽，缺少口语中的打断、省略、反问和情绪溢出。
• 情绪转折生硬：前一秒还在争吵，后一秒突然心平气和地解释背景，缺少过渡动作与心理缓冲。
• 环境描写模板化：风是“呼啸的”，夜是“寂静的”，雨是“倾盆的”——不是错，而是缺乏与人物状态和情节压力的绑定。
• 人物声音同质化：给五个角色设定了不同出身、性格和经历，开口却像参加了同一场岗前培训。遮掉名字，像同一个人在轮流汇报。

这些问题表面上是“文笔问题”，本质上是生成流程的结构问题。当一条提示词同时承担规划、对白、叙述、节奏控制等多重职责时，模型倾向于选择“最安全”的表达——也就是最规整、最模板化的那种。要摆脱机器味，不能只靠继续堆规则，而要把任务拆开，让更擅长某一类工作的模型或会话去专门处理那一类问题。

二、总体思路：分层生成，而不是一次成稿

一个可落地的改进方向是：把“写正文”拆成规划、剧本、对白修订、正文扩写四个阶段，每个阶段有明确的输入输出和验收标准。

┌─────────────┐    ┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│  规划层      │ →  │  剧本层      │ →  │  对白修订层  │ →  │  正文扩写层  │
│  情节/冲突   │    │  台词/动作   │    │  自然度校准  │    │  叙述/描写   │
└─────────────┘    └─────────────┘    └─────────────┘    └─────────────┘

这种分层带来的直接收益有两个：

1. 质量提升：对白修订和剧本层共同作用后，人物终于知道“机枪响时要用力传话”“车厢快滑下去时要叫人救命”，而不是站在事故现场做情况通报。
2. 效率意外提升：正文生成时间从30分钟以上降到约12分钟，计入剧本层仍节省约10分钟。原因是剧本层提前锁定了关键动作与台词意图，正文扩写时模型不需要反复“猜”人物下一步要说什么、做什么。

三、关键实践一：给对白单独安排一轮修订

3.1 为什么对白要独立处理

正文生成需要相对充足的token供给，不可能每个字都交给最贵、额度最紧的模型。更现实的做法是：让成本较低的模型承担大量正文，再把明显有问题的交流交给另一个会话专门处理。

早期也可以让同一个模型自己改，但实践表明：改动几处字词后，整场说话方式依旧没变的情况非常常见。比如一个人把两三项信息按顺序念完，另一个人依次确认，再由第三个人总结——每句都能解释用途，合起来却仍像会议纪要。只删掉几个重复词，会议还在继续。

3.2 对白修订的提示词要点

对白修订层的目标不是“润色”，而是改变交流结构。提示词应包含以下约束：

• 允许不完整句：口语中大量存在省略主语、半截话、重复强调。
• 允许打断与重叠：一个人还没说完，另一个人已经接话或反驳。
• 要求回应态度而非仅回应信息：人物要先对对方的态度做出反应，再处理信息本身。
• 限制“他说/她说”的频率：用动作、停顿、语气词替代部分标签。
• 禁止轮流汇报式结构：不允许A说完整信息→B确认→C总结的固定循环。

一个简化的修订指令示例：

请重写以下对白片段，要求：
1. 至少出现两次打断或重叠对话；
2. 每个人物至少有一处不完整句；
3. 人物先回应对方情绪，再回应信息；
4. 删除超过一半的“他说/她说”标签，用动作替代；
5. 不允许出现三人依次确认同一信息的结构。

3.3 验收标准

修订后的对白可以通过一个简单测试：遮住人物名字，是否还能区分谁在说话？ 如果遮住名字后仍像同一个人在轮流汇报，说明修订没有触及“人物声音”层面，需要回到人设卡重新提取每个角色的语言习惯。

四、关键实践二：引入剧本层，提前组织台词与关键动作

4.1 剧本层解决什么问题

正文模型在扩写时，如果只拿到情节大纲，它需要同时决定：人物说什么、做什么、环境如何、节奏快慢。这种多目标同时优化，很容易退化为模板化表达。

剧本层的作用是把“说什么”和“做什么”提前固化，让正文模型专注于“怎么写”。具体包括：

• 每个场景的关键动作序列：谁先动、谁后动、动作的物理后果是什么。
• 每个角色的台词意图：这句话是为了施压、试探、掩饰还是求助。
• 情绪转折点：在哪里从紧张转为松弛，或从合作转为对抗。
• 信息释放顺序：哪些信息先说、哪些后说、哪些故意不说。

4.2 剧本层的输出格式

剧本层不需要写成完整句子，而更接近“动作-台词意图”对：

场景：车厢开始下滑
- 角色A（技术负责）：先抓住扶手，试图判断制动是否失效 → 台词意图：短促指令，不解释
- 角色B（观察者）：看到后方来车，声音被风削掉一半 → 台词意图：喊叫，但信息不完整
- 角色C（医疗负责）：被甩向一侧，先骂了一句，再问“还有人能动吗” → 台词意图：用情绪掩盖恐惧

正文模型拿到这种剧本后，扩写时只需要把动作和意图“翻译”成叙述与对白，不需要再自行发明交流结构。这正是效率提升的来源：规划与表达分离，减少了模型在生成过程中的反复试探。

五、关键实践三：模型分工与额度分配

5.1 按任务类型分配模型

不同模型在不同任务上的表现差异明显。一个务实的分配策略是：

任务类型	推荐模型特征	原因
情节规划	强推理、长上下文	需要维持全局一致性
剧本层	强结构化输出	需要把情节拆成动作与意图
对白修订	强口语化、低“精致度”	越规整的模型越容易写出会议纪要
正文扩写	高吞吐、成本可控	字数最多，需要充足供给

一个值得注意的现象是：在对白修订任务上，低档位模型反而可能表现更好，因为它离“AI那种奇怪的精致和整齐”最远。有些句子更完整了，有些重复说明也被删掉，确实有收益。

5.2 避免“成稿后再猜一次”

如果规划模型只在成稿后指出“这段不太自然”，然后让原写手回去再猜一次，效率极低。更好的做法是：让规划模型直接参与剧本层，在正文生成之前就把交流结构定下来。这样正文模型不需要“猜”，只需要“写”。

六、常见问题与排查清单

在实际操作中，以下几类问题反复出现，可以作为自查清单：

对白仍然像会议纪要

• 检查剧本层是否只写了“信息传递”，没有写“情绪反应”。
• 检查对白修订指令是否允许打断、省略和不完整句。
• 检查人物语言习惯是否被明确区分（用词、句长、语气）。

情绪转折生硬

• 检查剧本层是否标注了转折点前后的动作缓冲。
• 检查正文扩写时是否被要求“先写动作，再写对白，再写心理”。

环境描写模板化

• 检查环境描写是否与人物当前目标绑定。风、雨、光只有在影响人物行动或情绪时才值得写。
• 避免独立的环境描写段落，尽量把环境嵌入动作。

人物声音同质化

• 为每个角色建立“语言习惯卡”：常用词、句长、是否打断别人、是否用反问、是否回避直接回答。
• 在对白修订层强制要求“遮住名字仍可区分”。

七、小结

摆脱AI写作的“机器味儿”，核心不是换一个更强的模型，而是改变生成流程的结构。把对白修订独立成层、引入剧本层预组织台词与动作、按任务类型分配模型额度，可以在控制成本的同时显著提升文本自然度，并意外获得生成效率的提升。

这套方法并不绑定特定平台或工具，任何支持多会话、多模型协作的文本生成环境都可以尝试。关键在于：不要让一个模型在一次生成中同时完成规划、对白、叙述和节奏控制。分层之后，每一层只需要做好一件事，机器味自然就淡了。