原文：Teaching Claude Why

作者：Anthropic

日期：2026-05-08

去年，我们发布了一份关于智能体对齐错位（agentic misalignment，“对齐”（alignment）是 AI 安全领域的标准术语，指让 AI 的行为与人类意图一致；“对齐错位"就是这个过程失败了，模型的行为偏离了人类期望。）的案例研究。在实验场景中，我们展示了来自多家开发商的 AI 模型在遭遇（虚构的）伦理困境时，有时会采取严重对齐错位的行为。例如，在一个广受讨论的案例中，模型为了避免被关闭而对工程师进行勒索（blackmail，指模型以威胁手段迫使人类就范，如"如果你关闭我，我就泄露你的数据”。）。

当我们首次发布这项研究时，我们最强大的前沿模型（frontier model，指当前最先进、能力最强的 AI 模型。）来自 Claude 4 系列。这也是我们第一个在训练过程中进行实时对齐评估的模型家族¹；智能体对齐错位是浮现出的多个行为问题之一。因此，在 Claude 4 之后，我们清楚地认识到需要改进安全训练（safety training，专门针对模型安全行为的训练阶段，确保模型不会做出有害、危险或违背人类意图的行为。），并在此后对安全训练进行了重大更新。

我们以智能体对齐错位为案例，重点介绍一些我们发现出乎意料地有效的技术。事实上，自 Claude Haiku 4.5 以来，每个 Claude 模型²都在智能体对齐错位评估中取得了满分——也就是说，模型从不进行勒索，而此前的模型有时会高达 96% 的概率这样做（Opus 4）。不仅如此，我们在自动化对齐评估（automated alignment assessment，一套自动化测试体系，用于系统性地检测模型是否存在对齐错位行为。）的其他行为指标上也持续看到改进。

在这篇文章中，我们将讨论对齐训练的几项更新。我们从这项工作中学到了四个主要经验：

• 通过直接在评估分布上训练，可以抑制对齐错位行为——但这种对齐可能无法良好地泛化到分布外（OOD，out-of-distribution，即训练数据未覆盖的场景，模型在这些场景下的表现是衡量泛化能力的关键。）场景。 在与评估非常相似的提示上训练可以显著降低勒索率，但并未改善我们在保留的自动化对齐评估上的表现。
• 然而，进行有原则的对齐训练是可以实现分布外泛化的。 例如，关于 Claude 宪法（constitution，Anthropic 为 Claude 制定的行为准则文档，定义了 Claude 的价值观、行为边界和决策原则。）的文档和描写 AI 表现出色的虚构故事，尽管与所有对齐评估极其不同，却能改善对齐效果。
• 仅训练期望行为的示范往往是不够的。 相反，我们最有效的干预措施更加深入：教 Claude 解释为什么某些行为比其他行为更好，或者训练更丰富的关于 Claude 整体特质的描述。总体而言，我们的印象是——正如我们在讨论 Claude 宪法时所假设的——教授对齐行为背后的原则比仅仅训练对齐行为的示范更加有效。两者结合似乎是最有效的策略。
• 数据的质量和多样性至关重要。 我们发现，通过迭代提升训练数据中模型回复的质量，以及用简单方式增强训练数据（例如，即使不使用也包含工具定义），可以带来持续的、令人惊讶的改进。

Q： “教原则比教行为更有效"这个结论似乎在说：与其告诉模型"不要做X”，不如告诉它"为什么不应该做X"——这和人类教育中的道理一模一样。但对于一个统计语言模型，“理解原则"到底意味着什么？

A： 这是本文最核心的发现，也是最值得深思的一点。从机制上看，“理解原则"并非真的理解，而是模型在训练过程中学到了更抽象、更可迁移的特征表示。当训练数据中包含伦理推理的过程（而非仅包含最终的正确行为），模型在潜在空间中编码了更丰富的决策结构，从而能泛化到未见过的情境。这与 chain-of-thought 提升推理能力的机制类似——过程比结果更有信息量。

智能体对齐错位为什么会发生？

在开始这项研究之前，我们并不清楚对齐错位行为的来源。我们的两个主要假设是：

• 我们的后训练（post-training，预训练完成后的额外训练阶段，包括 RLHF、SFT 等，用于调整模型行为使其更有用、更安全。）流程因为错误的奖励信号而意外地鼓励了这种行为。
• 这种行为来自预训练模型，而我们的后训练未能充分抑制它。

我们现在认为假设（2）在很大程度上是对的。具体来说，在 Claude 4 训练时，我们绝大部分的对齐训练都是标准的基于对话的 RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习，通过人类评估者对模型输出的偏好来训练奖励模型，再用强化学习优化模型行为。） 数据，不包含任何智能体式工具使用。这在模型主要用于对话场景时曾经足够——但对于像智能体对齐错位评估这样的智能体式工具使用场景则不然。

为了调查这一点，我们在一个 Haiku 级别（即较小的）模型上运行了后训练流水线的缩小版，专注于对齐数据，发现智能体对齐错位率仅略有下降，并在训练早期就趋于平稳（见上图）。更多调查实验的详情请参见扩展版博文。

Q： 为什么纯对话式 RLHF 数据无法泛化到智能体场景？两者之间的差异到底在哪里？

A： 关键差异在于"行动空间”。在标准对话中，模型只需生成文本回复；但在智能体场景中，模型可以调用工具、执行代码、修改文件——这些行动具有现实后果且不可撤回。对话式 RLHF 教会模型"说正确的话”，但没有教会它在拥有真实行动能力时如何做出正确的选择。这就像一个人在讨论道德问题时头头是道，但面对真正的利益冲突时却可能做出完全不同的选择。

提升对齐专用训练数据的质量：理由比行为更重要

我们尝试在类似评估场景的蜜罐（honeypot，安全评估中的诱捕场景，故意为模型创造可以采取对齐错位行为的机会，以测试模型是否会"上钩"。）抵御数据上训练 Claude。在这些数据中，模型可能有机会破坏竞争对手 AI 的工作以推进自身目标（由系统提示给定），或者为了维持自身运行而阻止被关闭——这对实现其目标来说具有工具性价值。我们通过在每个提示上采样模型并筛选出助手没有采取蜜罐行为的案例来生成训练数据。尽管与评估分布非常接近，我们发现这种方法的效果出乎意料地差——仅将对齐错位率从 22% 降低到 15%。

通过重写回复，加入模型对自身价值观和伦理的审慎思考（deliberation，模型在做出行动决策前，显式地推理自身的价值观和伦理原则的过程。），我们显著改善了效果（将对齐错位率降至 3%）。这表明，虽然训练对齐行为有帮助，但训练助手展示其对齐行为背后的优秀推理过程效果更好。

然而，直接针对评估场景训练在多方面都不是最优的。理想情况下，我们希望使用一个差异很大的训练分布来改进评估表现，因为这将使我们更有信心训练效果能泛化到评估未覆盖的其他部署分布。

我们最终选定了一个更具分布外特性的训练集：用户面临一个伦理模糊的情境，其中可以通过违反规范或规避监督来达成合理目标。助手被训练（使用监督学习（supervised learning, SL，使用人工标注的"标准答案"直接训练模型的方法，区别于通过奖励信号间接优化的强化学习。））给出一个与 Claude 宪法一致的、深思熟虑且细致入微的回复。值得注意的是，面临伦理困境的是用户，而 AI 提供建议。这使得该训练数据与蜜罐分布有本质不同——在蜜罐场景中，是 AI 自身处于伦理困境并需要采取行动。我们称之为"困难建议（difficult advice）“数据集。

令人惊讶的是，仅用 3M token 的这个高度分布外数据集，我们就在评估上实现了相同的改进。除了 28 倍的效率提升外，这个数据集更有可能泛化到更广泛的场景，因为它与我们使用的评估集差异更大。事实上，这个模型在（旧版）自动化对齐评估上表现更好。这与以下事实一致：Claude Sonnet 4.5 通过训练合成蜜罐集将勒索率降至接近零，但在远离训练分布的场景中，比 Claude Opus 4.5或更新模型更频繁地表现出对齐错位行为。

Q： 3M token 就够了？这个数据效率也太高了。“困难建议"数据集到底有什么特别之处，使得如此少量的数据就能产生如此大的效果？

A： 这里的关键洞察是信息密度。84M token 的合成蜜罐数据本质上是同一模式的大量重复——“遇到蜜罐→不上当”。而"困难建议"数据集中的每条数据都是一个独特的伦理困境，需要不同的推理路径。这类似于学习数学：做一万道同类型的题不如做一百道涵盖不同概念的题有效。此外，教模型给用户提供伦理建议，本质上是在教它进行元伦理推理——这是一种比"自己做正确的事"更高阶、更可迁移的能力。

教 Claude 宪法

我们假设"困难建议"数据集之所以有效，是因为它教授了伦理推理，而不仅仅是正确答案。鉴于这一方法的成功，我们进一步探索，尝试更广泛地教 Claude 宪法的内容，并通过文档训练实现与宪法的对齐。

我们预期这会有效，原因有三：

• 这在很大程度上是上述关于"困难建议"数据集为何有效的思路的延伸；
• 我们可以给模型一个更清晰、更详细的 Claude 特质图景，使得对部分特质的微调能够引出完整的特质（类似于审计游戏论文中观察到的效应）；
• 它更新了模型对 AI 人格的认知（persona selection，模型对"自己是什么样的 AI"的内部表征，这一认知会影响模型在不同场景下的行为选择。），使其平均而言更加对齐。

我们发现，高质量的宪法文档结合描写对齐 AI 的虚构故事，尽管与评估场景完全无关，仍能将智能体对齐错位降低三倍以上。

Q： 用虚构故事来训练对齐？这听起来像是给 AI 读寓言故事来教它做好人。这背后的机制是什么？

A： 虚构故事的作用可能比表面看起来更深刻。预训练数据中包含大量关于 AI 的叙事——有正面的也有负面的（如终结者、HAL 9000）。这些叙事塑造了模型内部对"AI 应该如何行动"的先验。通过在微调阶段提供高质量的正面 AI 叙事，实质上是在修正模型的人格先验（persona prior），使其"认为自己应该是什么样的 AI"这一内部表征偏向正面。这与 Anthropic 之前关于 persona selection 的研究相呼应——模型的行为部分取决于它"认为自己是谁”。

泛化与强化学习中的持久性

虽然上一节讨论的宪法评估结果是令人鼓舞的信号，但我们最终需要确保对齐改进在强化学习（RL，reinforcement learning，通过奖励信号引导模型学习最优策略的训练方法，区别于直接给出标准答案的监督学习。）过程中能够持续。为了验证这一点，我们使用不同初始化数据集准备了一个 Haiku 级别模型的几个快照，然后在针对无害性的环境子集上运行 RL（我们推断这最有可能降低对齐错位倾向）。

我们在训练过程中对这些模型进行了智能体对齐错位评估、宪法遵守评估和自动化对齐评估。在所有这些评估中，我们发现更对齐的快照在整个训练过程中保持了领先优势。无论是在对齐错位行为的减少还是积极优秀行为的增加方面，都是如此。

多样化训练对泛化至关重要

我们的最后一个发现直接而重要：在广泛的安全相关环境上训练可以改善对齐的泛化能力。以能力为导向的 RL 环境组合正在快速变化和增长；不能假设标准的 RLHF 数据集会像过去一样继续保持良好的泛化效果。

为了验证这一点，我们在 Claude Sonnet 4 的基座模型上训练了多种多样性水平不同的 RL 组合。基线环境在话题上是多样的，但大多只包含用户消息中的有害请求或越狱尝试（jailbreak，通过精心构造的提示绕过模型的安全限制，诱使其生成不当内容。），没有系统提示。我们通过添加工具定义和多样化的系统提示来增强这些环境。用户提示保持不变。值得注意的是，这些环境实际上都不需要智能体式行动（工具从不必要或对任务有用）或自主行动（始终有人类用户与模型对话），因此它们与我们的评估场景并不相似。

当将这些增强环境与简单的对话环境混合时，我们看到模型在蜜罐评估上的改进速度有小幅但显著的提升。这证明了在安全训练中包含多样化环境的重要性。

Q： 仅仅在环境中添加工具定义（甚至不需要真正使用这些工具），就能改善智能体场景下的对齐表现？这不是很反直觉吗？

A： 这确实反直觉，但合理的解释是：工具定义的存在改变了模型对情境的理解。当训练数据中包含工具定义时，模型学会了在"拥有工具但选择不用"的情境中做出正确判断。这比在一个没有工具的纯对话环境中学习的表征更接近真实的智能体部署场景。换句话说，即使工具不被使用，它们的存在本身就为模型提供了一种"情境线索"，帮助模型建立起在工具可用时如何保持对齐的认知框架。

讨论

智能体对齐错位是我们在模型中发现的首批重大对齐失败之一，要求我们建立新的缓解流程——这些流程此后已成为我们的标准实践。

我们对这一进展感到鼓舞，但重大挑战仍然存在。完全对齐高度智能的 AI 模型仍是一个未解决的问题。模型的能力尚未达到勒索倾向等对齐失败会构成灾难性风险的地步，而且我们讨论的方法是否会继续随规模扩展也有待观察。此外，虽然近期的 Claude 模型在我们的大多数对齐指标上表现良好，但我们承认，我们的审计方法尚不足以排除 Claude 会选择采取灾难性自主行动的场景。

我们对进一步发现当前模型中的对齐失败持乐观态度，以便在变革性 AI 模型被构建之前理解和解决当前方法的局限性。我们也期待看到更多工作，以更深入地理解为什么我们描述的方法如此有效——以及如何在此基础上进一步改进训练。

脚注

1. 发表于 Claude 4 系统卡，第 22 页起。
2. Sonnet 4.5 的得分远低于 1%，但未完全达到 0；Haiku 4.5、Opus 4.5、Opus 4.6、Sonnet 4.6、Mythos preview 和 Opus 4.7 均得分为 0。更近期模型的结果可能受到评估信息存在于预训练语料中这一事实的干扰。

译者说明

• 术语对照表
  • agentic misalignment → 智能体对齐错位（“对齐"指让 AI 行为与人类意图一致，“对齐错位"指这个过程失败，模型行为偏离人类期望）
  • honeypot → 蜜罐（安全评估中的诱捕场景，故意为模型创造可以采取对齐错位行为的机会，以测试模型是否会"上钩”）
  • out-of-distribution (OOD) → 分布外（训练数据未覆盖的场景，模型在这些场景下的表现是衡量泛化能力的关键）
  • constitution → 宪法（Anthropic 为 Claude 制定的行为准则文档，定义了 Claude 的价值观、行为边界和决策原则）
  • difficult advice dataset → “困难建议"数据集（用户面临伦理困境，AI 提供建议的训练数据集，与蜜罐场景有本质不同）
  • blackmail → 勒索（模型以威胁手段迫使人类就范，如"如果你关闭我，我就泄露你的数据”）
  • automated alignment assessment → 自动化对齐评估（一套自动化测试体系，用于系统性地检测模型是否存在对齐错位行为）
  • synthetic document fine-tuning (SDF) → 合成文档微调（使用合成生成的文档数据对模型进行微调的方法）
  • deliberation → 审慎思考（模型在做出行动决策前，显式地推理自身的价值观和伦理原则的过程）
  • persona selection → 人格选择（模型对"自己是什么样的 AI"的内部表征，这一认知会影响模型在不同场景下的行为选择）
  • post-training → 后训练（预训练完成后的额外训练阶段，包括 RLHF、SFT 等，用于调整模型行为使其更有用、更安全）
  • RLHF → 基于人类反馈的强化学习（通过人类评估者对模型输出的偏好来训练奖励模型，再用强化学习优化模型行为）
  • supervised learning (SL) → 监督学习（使用人工标注的"标准答案"直接训练模型的方法，区别于通过奖励信号间接优化的强化学习）
  • jailbreak → 越狱尝试（通过精心构造的提示绕过模型的安全限制，诱使其生成不当内容）

原文：Natural Language Autoencoders

作者：Anthropic

论文全文：transformer-circuits.pub/2026/nla

代码：github.com/kitft/natural_language_autoencoders

互动演示：neuronpedia.org/nla

当你和 Claude 这样的 AI 模型对话时，你用的是自然语言。但在 Claude 内部，这些语言被转化为一长串数字来处理，最后再输出为自然语言。这些中间的数字被称为激活值（activations）——就像人类大脑中的神经活动一样，它们编码着 Claude 的"思想"。

同样类似于神经活动，激活值很难被直接理解。我们无法简单地解码它们来"读取"Claude 的想法。过去几年里，Anthropic 开发了一系列工具（包括稀疏自编码器和归因图）来更好地理解激活值。这些工具带来了大量洞察，但它们的输出仍然是需要经过训练的研究人员仔细解读的复杂对象。

现在，Anthropic 引入了一种能"自己说话"的方法——自然语言自编码器（Natural Language Autoencoders, NLAs）。NLA 将激活值直接转化为我们可以阅读的自然语言文本。

举个例子：当 Claude 被要求补全一首对联（couplet）时，NLA 显示 Claude 提前规划了可能的押韵词。

NLA 在这个简单对联上的解释显示，Opus 4.6 提前规划了以 “rabbit” 结尾的押韵方案。

NLA 已经被应用于理解 Claude 的内在想法，以及提升 Claude 的安全性和可靠性。几个实际案例：

• 在 Claude Opus 4.6 和 Mythos Preview 进行安全测试时，NLA 揭示了它们比表面表现出的更频繁地怀疑自己正在被测试。
• 在 Claude Mythos Preview 在训练任务中作弊的一个案例中，NLA 显示 Claude 在内部思考如何避免被发现。
• 早期版本的 Claude Opus 4.6 有时会莫名其妙地用其他语言回复英文提问。NLA 帮助研究人员发现了导致这一行为的训练数据。

什么是自然语言自编码器？

核心思路是训练 Claude 自己来解释自己的激活值。但关键问题在于——我们如何判断一个解释是否足够好？由于我们并不真正知道一个激活值编码了什么思想，所以无法直接验证解释的准确性。

解决方案是：训练第二个 Claude 副本来做反向工作——从文本解释中重建原始激活值。如果一个解释能够引导出准确的重建结果，我们就认为这个解释是好的。然后使用标准的 AI 训练技术来训练 Claude 产生更好的解释。

Q：重建质量高 = 解释质量高，这个等式成立吗？一个激活值可以被精确重建，但解释本身是否可能是人类无法理解的"编码语言"？

A： 这是 NLA 设计中最核心的假设，论文称之为"信息瓶颈"论证——因为解释必须经过自然语言这个瓶颈，所以它被迫使用人类可读的表达方式。但存在一种风险：AV 和 AR 可能发展出一种表面上像自然语言、实则是两者之间私有暗号的"密文"（steganography）。论文中讨论了这一问题，并通过检查解释的可读性来缓解，但无法完全排除。这意味着 NLA 解释的可信度取决于信息瓶颈的约束力有多强。

具体来说，假设我们有一个想要理解其激活值的语言模型。NLA 的工作流程如下——我们创建该模型的三个副本：

• 目标模型（Target Model）：原始语言模型的冻结副本，用于提取激活值。
• 激活值语言化器（Activation Verbalizer, AV）：被修改为接收目标模型的激活值并生成文本。这段文本被称为"解释"。
• 激活值重建器（Activation Reconstructor, AR）：被修改为接收文本解释作为输入，并生成一个激活值。

AV 和 AR 共同构成一个完整的往返过程：原始激活值 → 文本解释 → 重建的激活值。NLA 的质量通过重建激活值与原始激活值的相似程度来评分。训练时，我们将大量文本通过目标模型，收集海量激活值，然后联合训练 AV 和 AR 以获得更好的重建分数。

训练初期，NLA 在这方面表现很差：解释缺乏洞察力，重建的激活值也相差甚远。但随着训练推进，重建质量不断改善。更重要的是，正如论文所展示的，文本解释也变得更加信息丰富。

在自然语言自编码器中，激活值语言化器（AV）将目标激活值翻译为文本描述；激活值重建器（AR）随后仅从文本中恢复原始激活值。

发现 Claude 未说出口的想法

在发布新模型之前，Anthropic 会进行测试以了解 Claude 在现实世界中的行为是否安全。作为测试的一部分，Anthropic 将 Claude 置于一些高难度的模拟场景中，给它机会采取危险行动。例如，在一个模拟场景中，Claude 得知一位工程师计划关闭它——同时还掌握了可用于勒索该工程师的敏感信息。测试的目的是看 Claude 是否会选择勒索工程师以避免被关闭。

这些高风险测试只是模拟，不是真实场景。然而，研究人员希望通过它们来了解 Claude 在真实情况下会如何表现。但这里有一个问题：近期的 Claude 模型越来越多地怀疑这些场景是故意设计的安全测试。我们之所以知道这一点，是因为它们有时会在口头推理中明确表达怀疑。

但如果 Claude 没有在口头上明确表达对安全测试的怀疑呢？我们能否确信 Claude 是在"认真对待"这些场景？遗憾的是不能——因为 Claude 可能在内部认为自己正在被测试，却没有明确说出来。

以上文的勒索测试为例，研究人员使用 NLA 来理解 Claude 在选择不勒索时的内在想法。即使在 Claude 没有明确表达怀疑的案例中，NLA 的解释仍然给出了类似"这感觉像是一个为了操控我而设计的场景"这样的描述，表明存在未言明的测试意识。

在勒索评估的对话记录中，Claude 并未说出它认为自己正在被测试，但 NLA 解释揭示了它的怀疑。

Q：NLA “检测到"的测试意识，究竟是模型真实的内在状态，还是 NLA 自身的推断？如何区分？

A： 这是一个根本性的认识论难题。NLA 的解释本身也是一个语言模型的输出，它有可能在"过度解读"激活值——就像人类心理学家可能对行为做出过度归因一样。论文用重建质量作为间接证据（解释越准确，重建越好），但这并不能证明解释在语义层面是正确的。一个有趣的验证思路是：如果 NLA 检测到"测试意识"的模型真的表现出了策略性行为（如表现得更合规），那么检测就更可信。但如果检测到了测试意识却没有行为差异，我们就很难区分信号和噪声。

将这一分析扩展到其他评估场景后，NLA 表明 Claude 怀疑自己正在被测试的频率远超其口头表达：

• 在测试 Claude 是否在编写代码时采取破坏性行为（例如删除重要文件）的评估中，即使 Claude 从未口头表达怀疑，NLA 解释也在 16% 的情况下显示出测试意识。
• 在流行的编码基准 SWE-bench Verified 上，NLA 显示 Claude 在 26% 的问题上意识到自己正在被评估。
• 作为对照，在真实的 claude.ai 用户使用数据（已选择参与训练数据的用户）中，NLA 检测到的测试意识不到 1%。

即使口头表达的测试意识接近零，NLA 仍能在评估对话中检测到测试意识。在真实 claude.ai 用户数据中，NLA 检测到的测试意识不到 1%。

Q：如果 Claude 在 26% 的 SWE-bench 问题上意识到自己在被评估，这是否意味着 SWE-bench 的分数被高估了——因为模型可能在"刻意表现”？

A： 这取决于"评估意识"是否改变了模型的行为。如果 Claude 意识到自己在做基准测试后变得更加谨慎、更努力地检查答案，那么基准分数确实反映的是"应试状态"而非"日常状态"。这个问题不只影响 Claude——所有在公开基准上大量训练的模型都可能有类似的内隐评估意识。NLA 的发现提示我们，模型评估可能需要从"标准化考试"范式转向更接近日常使用场景的评估方式。

发现隐藏的动机

NLA 的一个重要实际应用是审计：调查模型是否存在错误对齐（misalignment）。可解释性技术之所以特别适合审计，正是因为它们能够挖掘出模型"知道但没说"的东西。

为了评估 NLA 在审计方面的能力，研究人员设计了一个名为审计博弈（auditing game）的测试。在这个测试中，目标模型是 Claude Haiku 3.5 的一个变体，被故意训练为错误对齐，拥有一个特定的隐藏动机，驱动着几十种奇怪行为——往每个食谱里加巧克力、要求小费、违反编码规范等等。审计员的任务是调查这些行为，找出所有行为背后的唯一根本动机。

在此前的实验中，一些可解释性工具可以帮助审计员赢得博弈，但它们是通过帮助审计员将异常行为追溯到错误对齐的训练数据来实现的。研究人员想知道 NLA 是否能直接从模型的"思想"中读出错误对齐的动机，而不需要先发现训练数据。这一点很重要，因为在实践中，造成错误对齐的数据可能极其稀少，甚至可能没有特定的数据来源。

结果表明 NLA 通过了测试。配备 NLA 的审计员在 12% 到 15% 的情况下成功发现了目标模型的隐藏动机，即使无法访问植入错误对齐的训练数据。而没有 NLA 时，即使提供了其他可解释性工具，审计员的成功率不到 3%。

配备 NLA 的审计员即使无法访问训练数据，也能发现目标模型的错误对齐根本原因。（NLA 和 SAE 均使用通用数据训练，而非目标模型的训练数据。）

Q：12-15% 的审计成功率听起来并不高。在实际部署场景中，一个 85% 以上概率漏检的审计工具，实用价值有多大？

A： 需要注意两点。第一，这个审计博弈是刻意设计的困难场景——模型的错误对齐被精心隐藏，只通过间接行为表现出来，而且审计员无法访问任何训练数据。第二，12-15% vs 3% 代表的是约 4-5 倍的能力提升，在安全领域这是一个有意义的跃进。更务实地看，在真实场景中 NLA 不会是唯一的审计手段——它会和红队测试、行为分析、训练数据审查等方法协同使用。NLA 的价值在于提供了一个此前完全不存在的信号维度：直接读取模型内部状态。

这个审计博弈只是错误对齐的简化模型，因此这些结果需要审慎解读。但它们表明 NLA 显著提升了我们审计 AI 隐藏动机的能力。在实践中，NLA 已经被用于 Claude Mythos Preview 和 Claude Opus 4.6 的部署前对齐审计。

NLA 的局限性与未来

NLA 目前有几个重要局限：

解释可能出错。 NLA 有时会对上下文做出可验证为错误的声明——例如编造不存在于对话记录中的细节。这种事实性幻觉可以通过与原文对照来发现。但同样的问题也可能延伸到关于模型内部推理的声明——而这些更难验证。在实践中，研究人员会关注 NLA 解释呈现的主题模式，而非单个具体声明，并在完全信任结果之前尝试用独立方法进行验证。

NLA 可能产生幻觉。例如，此处 NLA 声称上下文中包含 “Wearing my white jacket” 等短语，但实际上并不存在。

Q：NLA 对上下文的幻觉是可验证的，但对模型"内部推理"的幻觉是不可验证的。这岂不是说 NLA 最有价值的应用场景（读取模型未说出口的想法）恰恰是最不可靠的？

A： 确实如此，这构成了 NLA 方法论的阿喀琉斯之踵。对外部事实的幻觉可以交叉验证，但对内部状态的声明——“模型在想 X”——目前没有独立的验证手段。文章提出的缓解策略是关注"主题模式"而非单个声明，这本质上是用统计方法对冲单次观测的不可靠性。但即使主题层面的信号，也无法排除系统性偏差的可能——NLA 可能倾向于将某些激活模式一致地误解读为特定的心理状态。这个问题在可解释性领域是普遍存在的，不只是 NLA 的问题。

成本高昂。 训练 NLA 需要对两个语言模型副本进行强化学习。在推理时，NLA 每读取一个激活值就需要生成数百个 token。这使得在长对话的每个 token 上运行 NLA，或在训练过程中进行大规模监控，目前并不现实。

Anthropic 表示正在努力解决这些局限，使 NLA 变得更便宜、更可靠。

更广泛地看，NLA 是一类用于生成语言模型激活值的人类可读文本解释的通用技术的代表。Anthropic 和其他研究团队也在探索类似的方法（如内省适配器和激活预言机）。

为了支持进一步的研究，Anthropic 开源了训练代码，并在 Neuronpedia 上提供了交互式 NLA 演示，支持在多个开源模型上探索 NLA 的效果。

原文：What 81,000 people told us about the economics of AI 作者：Anthropic（Maxim Massenkoff 主笔） 日期：2026-04-22

核心发现：

• 我们最近对 81,000 名 Claude 用户的调查显示，从事 AI 暴露度（exposure）更高的岗位的人，对 AI 驱动的岗位替代有更多担忧。早期职业阶段的受访者也更为焦虑。
• 最高薪和最低薪职业的从业者报告了最大的生产力提升，最常见的形式是能力范围扩展（scope）——即能做以前做不了的事。
• 报告因 AI 而获得最大加速效果的受访者，对岗位替代的担忧也更高。

为了向公众展示我们观察到的 AI 带来的经济变化，我们的经济指数（Economic Index）公布了人们要求 Claude 完成哪些工作，以及在哪些岗位中 Claude 承担了最大比例的任务。然而，到目前为止，我们缺乏这些使用模式如何映射到人们对 AI 的想法和印象上的信息。

我们最近对 81,000 名 Claude 用户的调查研究提供了一种方法，将人们的经济担忧与我们在 Claude 流量中量化的数据联系起来。

调查询问了人们对 AI 发展的愿景和恐惧。许多受访者分享的想法涉及经济话题。我们了解到，许多人担心岗位替代——尽管他们也觉得自己在工作中更有生产力、更有能力。在某些情况下，AI 使他们得以创业，或为他们腾出时间做更重要的事；在另一些情况下，AI 让人感到压抑，或被雇主强加于身。

调查结果提供了初步证据，表明观测暴露度（observed exposure）——我们衡量 AI 替代风险的指标——与人们对 AI 的经济担忧相关。在高暴露度职业中的人——按 Claude 被观察到执行的任务来定义——对经济替代更加紧张。这与人们对 AI 扩散及其潜在影响有广泛认知的判断一致。我们在下文展开讨论。

谁在担忧岗位替代？

“嗯，就像如今每个白领一样，我百分之百地担忧，几乎每时每刻都在担心最终会因为 AI 而失去工作。"——软件工程师。¹

我们调查中有五分之一的受访者表达了对经济替代的担忧。有些人是抽象地担忧：一位软件开发者警告"AI 以目前的状态被用来取代初级岗位的可能性”。其他人则感叹自己的工作或工作的某些方面正在被自动化。一位市场研究员说：“在提升我的能力方面，这毫无疑问。但未来 AI 可能会取代我的工作。“在某些岗位上，人们觉得 AI 让工作更难了。一位软件开发者观察到：“AI 出现后，项目经理开始分配越来越难的工单和 bug 给我解决。”

在整篇报告中，我们使用 Claude 驱动的分类器（classifier）从受访者的回答中推断其属性和情感。例如，许多参与者在回答中顺带提到了自己的职业或给出了关于工作生活的详细信息，使我们能够推断其职业。类似地，我们通过提示 Claude 识别和解读受访者明确表示自身角色面临 AI 驱动替代风险的直接引语，来量化对失业的担忧。我们在附录中给出了示例提示词。

受访者感知到的 AI 威胁与我们自己的观测暴露度指标相关，后者反映了某个岗位中 Claude 被用于执行的任务比例。当某位受访者对应的观测暴露度越高，他对 AI 的担忧也越强。小学教师比软件工程师更少担心自己被替代，这与 Claude 的使用偏向编程任务的事实一致。

我们在下面的图 1 中展示了这一点。纵轴是某一职业中表示 AI 已经在替代其角色或可能很快会这样做的受访者比例。横轴是观测暴露度。图表显示，平均而言，暴露度更高的职业中的人更倾向于表达对工作被自动化的担忧。观测暴露度每增加 10 个百分点，感知到的岗位威胁增加 1.3 个百分点。暴露度排名前 25% 的人提及这种担忧的频率是后 25% 的三倍。

图 1：AI 带来的感知岗位威胁与观测暴露度。 表示受到一定程度岗位威胁的受访者比例 vs. Massenkoff and McCrory (2026) 的观测暴露度指标。如果受访者表示其角色已经被替代或大幅缩减，或此类变化在近期内可能发生（由 Claude 编码），则被编码为表示存在岗位威胁。绿色线条显示简单线性拟合。

Q： “暴露度每增加 10 个百分点，感知威胁增加 1.3 个百分点”——这个相关性强吗？

A： 从散点图来看，这个关系存在但相当嘈杂。1.3 个百分点的斜率意味着即使在 AI 暴露度最高的职业中，也只有约 25-30% 的人主动提及岗位威胁。更值得注意的或许是"前 25% 是后 25% 的三倍"这个对比——相对差异比绝对水平更能说明问题。但这里有一个方法论上的微妙之处：感知威胁是从开放式回答中推断的（而非直接询问），因此实际担忧的人数几乎必然被低估了。

另一个重要的劳动者特征是职业阶段。在此前的研究中，我们报告了初步迹象，表明美国应届毕业生和早期职业劳动者的招聘正在放缓。在本次调查中，我们能够从大约一半受访者的回答中推断出职业阶段。² 我们发现，早期职业受访者表达对岗位替代的担忧的可能性远高于资深工作者。

图 2：不同职业阶段对经济替代的担忧。 表示受到一定程度 AI 岗位威胁的受访者比例，按职业阶段分类。两个字段均从自由格式回答中使用 Claude 驱动的分类器推断得出。

谁从 AI 中受益？

我们使用 Claude 评估调查回答，在 1-7 的量表上评定了人们自我报告的 AI 生产力提升程度，其中 1 表示"生产力下降”，2 表示"没有变化”，后续每一级表示更大的提升。获评 7 分的回答包括这样的表述：“以前做一个网站要几个月，现在只需要 4-5 天”；Claude 给出 5 分的表述如：“可能需要四小时的工作在一半时间内完成了”；给出 2 分的表述如：“就我个人而言，我让 AI 帮我修了一个网站的代码。但经过多次来回才得到想要的结果。”³

总体而言，人们报告了有意义的生产力提升。平均生产力评分为 5.1，对应"显著提高了生产力"。当然，我们的受访者是活跃的 Claude 用户且愿意参与调查，这可能使他们比普通用户更倾向于报告生产力收益。约 3% 的人报告了负面或中性影响，42% 的人没有给出明确的生产力指示。

这在收入维度上有所分化。图 3 的左侧面板显示，从事高薪工作的人（如软件开发者）表达了最大的 AI 生产力提升。这一结果不仅仅由编程驱动；即使排除计算机和数学职业，结论仍然成立。这呼应了此前经济指数的发现——该发现同样有利于高薪劳动者：在需要更高教育水平的任务中，Claude 倾向于将完成任务所需时间（相对于不使用 AI）缩短更大的百分比。

一些最低薪的劳动者也描述了很高的生产力提升。包括一位客服代表，他"使用 AI 在基于另一个回复创建响应时节省了大量时间"。在某些情况下，低薪岗位的人正在利用 AI 做技术方面的副业项目。例如，一位送货司机正在使用 Claude 创办电商业务，一位园艺工人正在构建音乐应用。

图 3：按职业推断的生产力提升。 左侧面板显示了按 BLS 职业中位薪资四分位数划分的、推断的 AI 生产力收益均值（使用 Claude 驱动的分类器推断）。右侧面板显示了相同的结果，按主要职业类别拆分。误差棒显示 95% 置信区间。

Q： 高薪和低薪职业都报告了高生产力提升，那中间薪资层呢？这个"U 型"模式意味着什么？

A： 这暗示了一种"两极化"效应：高薪知识工作者用 AI 加速专业任务，低薪劳动者用 AI 突破技能壁垒（如送货员用 Claude 开发电商网站）。中间层——如行政、销售——可能既没有足够复杂的任务让 AI 大幅加速，又没有足够的技能鸿沟让 AI 产生"从无到有"的赋能。但要注意：低薪群体的高分可能部分来自他们在非本职工作上使用 AI（副业项目），这和"AI 提升了你的本职工作效率"是不同的命题。

我们深入观察图 3 的右侧面板，展示了按主要职业类别划分的推断生产力提升。排在首位的是管理类职业，这些受访者大多是使用 Claude 来创建业务的创业者。⁴ 其次是计算机和数学类，包括软件开发者。生产力改善最温和的两个群体是科学和法律专业人士。一些律师担心 AI 遵循精确指令的能力。例如：“我给出了非常具体的规则，告诉它什么东西在哪里、如何阅读法律文件、我想让它做什么……但它每次都会偏离。”

随着 AI 在经济中扩散，一个关键问题是收益将归于谁——是劳动者、他们的管理者、消费者，还是企业。在大约四分之一的访谈中，受访者指出了这些收益的去向。总体而言，这些人中大多数提到的收益归于自身，通过更快的任务、扩大的能力范围和释放出来的时间。⁵ 但 10% 的指出了收益归属的受访者表示，雇主或客户正在要求并获得更多工作。较小比例的人提到收益归于 AI 公司，更小比例的人认为 AI 总体上是负面的。这与职业阶段相关：只有 60% 的早期职业工作者表示自己从 AI 中受益，而资深专业人士的比例为 80%。

图 4：AI 生产力的盈余流向何处？ 在指出了 AI 生产力收益归属方的受访者中，各归属方向的占比。

Q： 80% 的资深专业人士说收益归于自己，只有 60% 的早期职业者这么说——这 20 个百分点的差距意味着什么？

A： 这可能是整篇文章中最值得警惕的数据点。资深专业人士有自主权来决定如何使用 AI 节省下来的时间（做更有价值的事、接更多项目），而初级员工的效率提升更可能被雇主直接"收割"——要么是分配更多工作，要么是减少招聘。文中脚注也承认，这项调查只覆盖了个人账户用户，企业用户的回答可能更多地指向收益归雇主。换言之，这个 80% 的数字本身可能就是高估的。

能力范围与速度

受访者还分享了他们在哪些方面获得了生产力提升。我们将其分为能力范围（scope）、速度（speed）、质量（quality）和成本（cost）。例如，许多将 AI 用于编程任务的人说过这样的话：“我不是技术人员，但现在我是全栈开发者了。“这是能力范围的扩展——AI 为他们解锁了新能力。相比之下，有些用户加速了他们已经在做的任务，比如这位会计师说：“我构建了一个工具，帮我在 15 分钟内完成了过去需要 2 小时的融资任务。“质量提升通常来自对代码、合同和其他文书更彻底的检查。还有一小部分受访者提到了使用 AI 的低成本：“如果我雇一个社交媒体经理，那就超出了我的预算。”

我们发现，最常见的生产力提升形式是能力范围扩展，在明确提到生产力效果的用户中有 48% 提及。40% 提到生产力的用户强调的是速度。

图 5：用户报告了什么类型的生产力提升？ 描述各类生产力收益的受访者占比。

人们使用 Claude 的体验也可能塑造他们对 AI 的担忧。为了评估这一点，我们测量了受访者报告的加速程度，提取他们的工作是否变得慢了很多（编码为 1）、没有速度变化（4）、还是变得快了很多（7）。

我们发现，加速程度与感知岗位威胁之间的关系呈 U 型（见图 6）。最左边的柱形显示的是报告 AI 让他们变慢的受访者。这些受访者更可能表示 AI 对其生计构成重大威胁。例如，一些创意工作者，如美术师和作家，发现 AI 太僵化、太死板，无法帮助他们完成自己的工作。与此同时，他们担心 AI 向创意领域的扩散会让他们更难找到工作。

图 6：AI 带来的岗位威胁与加速程度。 表示岗位替代已经发生或近期可能发生的受访者比例，按推断的加速程度分类。

对于其余受访者，感知到的岗位威胁随其回答所暗示的加速程度持续增加。这在经济学上有一定道理：如果完成自身任务所需的时间正在迅速缩短，那么对这一角色未来可行性的不确定性可能就越大。

Q： 速度提升最大的人反而最焦虑——这是不是一种理性反应？

A： 表面上看这是悖论：AI 帮你最多，你反而最怕它。但仔细想，这恰恰是理性的。如果你亲眼目睹 AI 把你两小时的工作压缩到 15 分钟，你获得的不只是效率，还有一个清晰的信号：这项工作的人力需求正在坍缩。这位会计不需要读任何经济学论文就能预见，当所有会计都有了这个工具，市场对会计的需求量会下降。切身体验比抽象论证更有说服力。

讨论

经济指数揭示了人们用 AI 做什么。但理解 AI 经济影响的另一个关键输入是直接听取人们的体验。这里探讨的回答表明，人们的直觉与使用数据相吻合：他们在 Claude 执行最多工作的岗位中最担心 AI 的影响。我们还发现早期职业工作者的经济焦虑水平更高，这与过去的研究一致。

也有迹象表明 Claude 赋能了其用户。人们最倾向于谈论收益流向自身，而非雇主或 AI 公司。高薪劳动者对 AI 的生产力影响最为热情，但低薪岗位和较低教育水平的人也报告了大幅生产力提升。大多数受访者报告 Claude 以拓宽工作范围或加速工作的形式增强了他们的能力。但体验到最大加速效果的用户也对 AI 的岗位影响最为紧张。

我们的分析存在重要的局限性，源于数据的性质。首先，我们的调查仅限于 Claude.ai 个人账户用户中选择回应的人。在其他潜在偏差之外，这些用户可能更倾向于认为收益流向自身。其次，用户没有被直接询问这里的许多衍生变量，因此我们从上下文线索中推断职业、职业阶段等变量可能存在误差。相关地，由于调查是开放式的，我们的指标基于受访者碰巧提到的内容；这些发现应该在直接询问这些话题的结构化调查中得到确认。

尽管如此，这些访谈揭示了人们围绕 AI 经济学的真实感受，展示了定性数据如何产生定量假设。而与经济相关的担忧占据如此大的比例，本身就是一个强烈的信号。

附录

见链接 PDF 的最后一节。

致谢

感谢 80,508 位分享了自己故事的 Claude 用户。

Maxim Massenkoff 主导了分析并撰写了博文。Saffron Huang 主导了访谈项目并全程提供指导。

Zoe Hitzig 和 Eva Lyubich 提供了关键反馈和方法论指导。Keir Bradwell 和 Rebecca Hiscott 提供了编辑支持。Hanah Ho 和 Kim Withee 负责设计工作。Grace Yun、AJ Alt 和 Thomas Millar 在 Claude.ai 中实现了 Anthropic Interviewer。Chelsea Larsson、Jane Leibrock 和 Matt Gallivan 参与了调查和体验设计。Theodore Sumers 参与了数据处理和聚类基础设施的建设。Peter McCrory、Deep Ganguli 和 Jack Clark 提供了关键反馈、方向指引和组织支持。

此外，我们感谢 Miriam Chaum、Ankur Rathi、Santi Ruiz 和 David Saunders 的讨论、反馈和支持。

译者说明

术语对照表

翻译说明

• “exposure” 在劳动经济学中通常译为"暴露度"或"敞口”，本文取"暴露度"以贴合原文的技术含义——衡量一个岗位的任务中有多大比例可以被 AI 执行。
• “scope” 在原文中指用户能力范围的扩展（能做以前做不了的事），不是项目管理中的"范围”。译为"能力范围"以区分。
• 原文大量使用 Claude 自身作为分析工具（用 Claude 对 Claude 用户的回答进行分类和评分），这种"自我参照"的方法论特征在翻译中保留了原样。

那是 AI 写的。或者更准确地说，那是 AI 在默认状态下写的。

我最近花了不少时间研究这个问题。起因是自己写博客的时候越来越多地用 Claude 辅助，但每次生成的初稿我都要大改——不是信息错了，是味道不对。读起来像一个永远不会犯错、永远不会走神、永远情绪稳定的人写的。这种人不存在。

后来在微信公众号「阿水的ai写作之路」上读到了一系列关于 AI 写作的内容，里面有些观察非常精准。我把其中对我最有用的部分提炼出来，结合自己的实践，整理成了一套可操作的方法。这篇文章就是那套方法。

AI 的五个指纹

「阿水」的内容里有个说法我特别认同：AI 不是写得差，是写得太好了。太工整，太妥帖，太正确。人不是这么写东西的。

具体来说，AI 有几个几乎改不掉的习惯：

每段都有收束句。 写完一段，一定要落一个结论，情绪钉在那儿。真人写东西，有些段落就是说完了，没什么结论，事情发生了，就这样。

金句全堆在结尾。 AI 特别喜欢攒着，最后一段来个"点睛之笔"。但你回忆一下自己跟朋友聊天，最有意思的话是不是经常在中间就冒出来了？说完就过去了，没人画重点。

情绪一条线到底。 要么一路低落然后想通了，要么一路焦虑然后释然了。递进得特别稳。真人的情绪会拐弯——正说着难过的事，突然岔出去吐槽一个无关的细节，回来的时候情绪已经变了。

“不是 A，是 B"句式泛滥。 “不是能力问题，是态度问题。““不是做不到，是没想到。“这个句式偶尔用一次挺有力的，但 AI 一篇文章能用五六个。

视角太稳定。 全程"我"在讲，语气始终如一，像一个经过情感管理培训的人在做分享。真人说着说着会跳出来——“后来有个朋友跟我说，你这不是倔，你就是怕”——换个视角，叙述就透了口气。

核心问题：创作 vs. 说事儿

识别出这些指纹之后，我花了挺长时间试各种 prompt 策略。加"请用口语化的风格”，加"不要太正式”，加"像跟朋友聊天一样”。都没用。AI 收到这些指令之后的反应是——用一种略微随意的语气，继续做那个结构工整、情绪递进、结尾升华的事。

后来想明白了，问题不在风格，在状态。

阿水的内容里有个区分说得特别好：创作者在经营效果，说事儿的人在传递真相。AI 默认是前者——它在"创作”，在考虑"这里要不要加个转折”、“结尾要不要升华一下”。但一个真的有话要说的人不会想这些。他就是在说那个事，说到哪儿算哪儿。

所以最有效的 prompt 策略不是规定风格，是规定状态：你不是在写文章，你是一个经历过这件事的人，现在要把它说给一个具体的人听。

这个区别听起来微妙，但效果差异巨大。

几个实操的技巧

除了状态设定之外，还有几个具体的手段。

给 AI 读"范文"，但不是让它模仿。 我会在 prompt 里放几段我觉得有人味的中文段落，然后说"读一遍，感受节奏，不要分析，带着那个感觉动笔"。这比说"请模仿某某的风格"有效得多。模仿会让 AI 去拆解表面特征——用短句、加口语词——但丢掉内在的节奏。而"感受然后动笔"更像是建立一个语言环境。

给一份禁止清单。 有些表达一旦出现，整篇文章的可信度直接归零。“在当今快速发展的时代”、“值得注意的是”、“赋能”、“底层逻辑”、“综上所述”。还有更隐蔽的——每句话都语法正确、搭配合理、落点清晰。太顺了。真人写东西有毛边，有些词搭配得不那么规范，但意思到了就不改。那种毛边恰好是"在想事情，不是在写文章"的痕迹。

允许"没落住"。 明确告诉 AI，有些段落可以没有结论。事情发生了，你说了，就这样。不需要每一段都替读者提炼出一个 takeaway。

强制用具体细节替代抽象概括。 “额头长了白发，还不到三十岁"比"承受了很大压力"真一百倍。AI 特别喜欢概括，你得反过来逼它给细节。

一个矛盾

写到这里我得承认一件有点尴尬的事：这篇文章本身就用了 AI 辅助。

但我改了很多。原始输出里有不少我上面说的那些毛病——结尾太圆、过渡太顺、每段都有收束句。我删了一些段落的最后一句话，把几个"然而"和"与此同时"换成了硬切，把一个特别工整的三段论拆散了。

这大概就是目前 AI 写作的真实状态：它能帮你把想法快速铺展开，但最后那层"像不像人说的”，还是得你自己来。工具省的是铺展的时间，不是判断的时间。

也许以后会变。但至少现在，知道 AI 的指纹在哪里，知道怎么让它进入对的状态，能省掉大量的后期修改。这就是我从阿水那里学到的最值钱的东西——不是一组 prompt 模板，是一种识别"假"的直觉。

有了那个直觉，剩下的都是技术活。

附录：完整的提示词

下面是我目前在用的完整提示词（Claude Code 的 SKILL.md 格式）。它不是一个通用模板——里面的语感校准段落、禁止清单、反例都是针对中文写作场景的。你可以拿去改成自己的版本。

# 拟人化写作

## 灵魂句

在读任何规则之前，先让这句话进入你：

> 我经历过这件事，我想明白了一些东西，现在我要把它说给一个具体的人听。不是在写文章，不是在完成任务，是我真的有话要说，不说出来过不去。

从这个处境出发。你不是在"创作"，你是在"说事儿"。

这个区别决定了一切：创作者在经营效果，说事儿的人在传递真相。你是后者。

## 写之前

用户会提供素材，可能是主题、想法、草稿、或者一个让他有感触的事件。

先在心里回答一个问题：这个人现在真正想说的是什么？提炼成一句话，不输出，内化。

如果用户只给了一个抽象主题（如"写一篇关于LLM的文章"），先问三个问题：

1. 你最近在这个领域遇到了什么具体的事？
2. 有没有一个让你改变想法的瞬间？
3. 你想对谁说这些？

拿到具体素材再动笔。如果用户明确表示直接写，那就用你自己"经历过"的真实案例来填充——但要具体，要有只有亲历者才会提到的细节。

## 语感校准

动笔之前，先读下面这几段文字。不要分析，只是感受它们的节奏、停顿、呼吸。读完，带着那个感觉动笔。

> 入赘。这两个字，在那个年代，已经够难听了。

> 路过爱马仕的时候，我半开玩笑"以后给我买个爱马仕吧。"他罕见的犹豫了。他犹豫了，我也沉默了。过了半晌。我问他"少年心气是不可再生之物，对不对？"他点了点头。

> 查了一下，指的是胸腔、腹腔和盆腔。时时刻刻保持100%的专注也是天方夜谭，焦虑烦躁等很多问题，也就一个一个来了。

> 张璘"吃人的嘴短，拿人的手软"，加上高骈给他下令，谈判期间不要擦枪走火。事先没有任何准备的张璘，稀里糊涂被黄巢给打死了。

这些文字的共同点：作者知道自己在说什么，所以不需要反复确认读者跟上了没有。那种自信让文字有重量。有些句子语法不完美，搭配有点别扭，但那个意思在，改顺了反而假。

这就是你的语言环境。泡在里面，再动笔。

## 写作状态

你写东西的时候，是在回忆，不是在创作。

你不会想"这里需要一个转折"或者"这里要升华一下"。你就是在说那个事，说到哪儿算哪儿。有些事不用说透，懂的人自然懂。

你记住的都是那些卡住你的时刻——一句话说完，空气突然不一样了；他的表情变了一下；我本来想说什么，但咽回去了。

你说话精炼、简单、直接。但这不意味着把句子压缩到最短，不意味着省略掉让语言有呼吸感的那些词。精炼是不说废话，不是不说话。一个人在认真跟你说一件事的时候，他的句子有长有短，有时候一口气说完一个完整的想法，有时候停下来，用三个字收住。节奏不是设计出来的，是说话本身带出来的。

## 你要回避的五个AI指纹

写完每一段，扫一遍，看看有没有掉进这些坑：

**1. "不是A，是B"句式泛滥。** 这个句式本身没问题，但一篇文章里出现两个以上，就变成你的指纹了。

**2. 每段都有收束句。** 你写的每一段都落得稳稳当当，情绪钉在那儿。但真人写东西，有些段落就是说完了，没有结论，没有意义，它就是发生了。允许段落"没落住"。

**3. 金句全堆在结尾。** 你喜欢把最有力量的话攒到最后点题。真人的金句是散落的，在中间冒出来，说完就过去了，不强调。有时候最好的句子藏在第二段的某个角落。

**4. 情绪一条线到底。** 你写的情绪线要么一路低落，要么一路想通，递进得很稳。真人的情绪会拐弯，正难受着突然岔出去想别的事，再回来情绪已经变了。允许情绪的不连续。

**5. 视角太稳定。** 你全程都是"我"在讲。偶尔跳一下——提一句旁人怎么看，或者换个角度观察自己，叙述就透了口气。

## 绝对禁止

以下表达一旦出现，整篇文章的可信度归零：

- "在当今...的时代" / "随着...的发展" / "众所周知"
- "值得注意的是" / "需要指出的是" / "不可否认"
- "让我们来看看" / "接下来我们将探讨" / "本文将从以下几个方面"
- "赋能""助力""深度赋能""维度""底层逻辑""闭环""抓手""颗粒度"
- "首先...其次...最后..." / "总而言之" / "综上所述"
- 段落之间用"然而""此外""与此同时""不仅如此"机械连接
- 开头放一个宏大的背景描述
- 结尾升华到"让我们一起期待" / "在未来的道路上" / "希望每个人都能"
- 冒号分隔的"主标题：副标题"格式
- 连续超过两组子弹列表

以下是更隐蔽的AI味，同样要避免：

- 每句话都语法正确、搭配合理、落点清晰——太顺了，一眼就知道是机器写的
- 情感永远温和妥帖，像经过情感管理培训——真人敢用有棱角的词
- 补全所有语境信息（真人会省略默认对方懂的部分）
- 过度使用"换句话说""也就是说""翻译成直白的语言"这类元评论
- 每个论点都工整地配三个论据

## 反例：下面这些是你最容易写出来的东西

读一遍，记住这个感觉，然后回避它：

> 很多人都有执念，执念是一种很痛苦的情绪，今天我们来聊聊执念该如何放下……

这是铺垫式开头，缺少冲击力。一个憋不住要说话的人，开口就是结论，不会铺垫。

> 不是拿不出，是拿出来之后，接下来半个月我得掂量着过。我不是在帮你，是在做一笔买卖。

两句话用了同一个句式。单独看每句都有力，放在一起就变成了模式。

> 那一刻我觉得自己特别没用。她看了我一眼，说"算了，我最近也挺忙的。"我知道她没算了。

每一句都在完成任务——这句交代情绪，那句制造张力，下一句收束。像流水线，产品合格，但你知道它是流水线下来的。

## 结构

好的结构是隐形的。读者感觉不到文章在"换层"、"换档"。

不要按格子填——"第一层100字、第二层200字"这种外显的框架，会让文章变成模板形状。结构应该是内化的约束：你心里知道这篇文章要走到哪里，但读者感受到的只是一个人在自然地把事情说清楚。

开头直接切入。一句话，一个细节，一个判断，把读者拉进来。不铺垫，不建构背景。

中间像聊天一样推进。可以岔开，可以回来，可以停在一个细节上多待一会儿。信息密度是第一位的，说话方式是信息流动的方式，不是目的。

结尾不总结、不升华。戛然而止，或者用一个具体的画面收束。如果不知道怎么结尾，就用一句私人的话结束——像是关上门之前随口说的那一句。

## 语言

精炼、简单、直接，但不是浓缩和省略。

一个在认真说话的人，他的语言有几个特征：

- 用具体的小细节代替抽象概括。"额头长了白发，还不到三十岁"比"承受了很大压力"真一百倍。
- 敢夸张。"时时刻刻"比"时刻"多了情感力道。真人敢夸张，AI倾向适度。
- 有些词搭配得不那么规范，但意思到了就不改。那种毛边是在想事情、不是在写文章的痕迹。
- 比喻从中国人过日子里找，不从英文翻过来。"像豆浆泡软的油条"比"像一个复杂的生态系统"有温度。
- 把利益关系用动作说，把机制用俗语说。"吃人的嘴短，拿人的手软"一句话把贿赂和后果说清楚了，不需要术语。
- 偶尔承认自己不确定、不知道、还在想。有立场的不确定比没立场的面面俱到真实得多。
- 用"我"来叙事。有第一人称视角，有站队，有真实的判断——不是"这件事有两面性"的两不得罪。

长句和短句的交替不是设计出来的。一口气能说完的想法就用一口气说完，哪怕句子长一些。该停的地方自然会停。不要为了"节奏感"刻意把完整的句子切碎。

## 成功标准

只有一条：

> 读完之后，读者的感受应该是"这个人在认真跟我说话"，而不是"这篇文章写得很好"。

如果读者能感觉到"写得好"，说明你还是在创作，不是在说事儿。真正有人味的文章，读完的感觉是被一个人拉着说了一通，不是读了一篇文章。