写一篇真正可以发表的长文，哪种AI工作流更可靠？

Geoffrey Chen

《AI工具怎样选？》· 第四篇

AI写出三千字并不难。输入一个题目，几分钟后就会出现开头、分节和结论，语法大体正确，段落之间也很顺。真正困难的是判断这三千字是否值得以作者的名字发表。

一篇文章可能没有明显事实错误，却把不确定的证据写得过于肯定；每个段落单独看都成立，连接起来却没有真正推进问题。更常见的是语言过分整齐。系统把五个不同层次的意思压成五句相同结构的短句，读起来有节奏，思想已经被句式重新排列。再经过一次“润色”，这种人造的完整感往往更强。

因此，比较AI长文写作不能只问哪个工具文笔最好。可发表性来自一条工作链：材料怎样确认，论点怎样形成，草稿怎样接受反向检查，语言怎样保留作者真正要说的差异，最终版本又怎样进入可追踪的文件与发布流程。

“写作工具”其实承担了几种不同工作

长文生产至少包含资料发现、来源阅读、论证设计、起草、事实核查、风格编辑和出版准备。一个聊天产品可以参与所有阶段，并不意味着让它在一个对话里一次完成所有阶段是最可靠的安排。

研究阶段希望系统尽量找到遗漏，起草阶段需要它在限定材料内展开；核查者应当怀疑草稿，而不是继续替草稿寻找更漂亮的表达。风格编辑又要关注节奏、重复、语义密度和作者声音。若同一条提示只是说“研究这个题目，写成一篇权威、自然、深入的文章”，这些互相拉扯的任务会被压在一次生成里。最后得到的通常是流畅的综合，不是经过检验的成稿。

这解释了为什么真正的比较单位应当是工作流，而不是模型名称。ChatGPT Projects或Claude Projects可以维持长期写作背景；Gemini Notebook适合围绕来源进行核对；Deep Research帮助扩大资料发现；Codex之类进入本地文件的工具则能处理批量格式、版本、链接与发布前检查。它们所做的事情并不相同，没必要争夺同一个“写作冠军”。

第一步不是让AI写，而是冻结证据范围

“冻结”不表示以后不准增加资料。它表示在开始形成论证时，作者知道当前依据有哪些，哪些已经核实，哪些只提供线索。

可以建立一份很简单的来源登记：标题、机构或作者、日期、链接、来源类型、它能支持什么，以及尚有哪些限制。法律、统计、产品功能、价格和现行政策应优先回到原始页面。新闻适合发现案例，不宜在能找到官方文件时独自承担关键结论。

深度研究工具在这一阶段最有用的产物不一定是完整报告，而可能是一张候选来源地图。把系统找到的材料逐项筛选，舍弃内容农场、无日期页面和无法追到原文的转述。自己的PDF与笔记可以进入Project或Notebook，但要分清原始资料、旧稿和未核实线索。

如果跳过这一步，AI会在起草过程中不断用常识或网页内容填补空白。文章看上去知识丰富，作者很难说清哪一部分来自何处。后续核查不得不从句子反推来源，成本远高于在写作以前建立边界。

论点需要一张结构图，但不需要一副固定模板

资料准备好以后，先写出文章要解决的一个问题与一个暂定判断。然后让每个部分承担不同的论证任务：定义事实范围、处理最强反例、解释制度结构，或者把抽象问题带回具体后果。小标题应该由这些任务产生。

AI常用模板之所以容易识别，并不只是因为喜欢某些词。更深的原因是它会把思想调整成语言上对称的形状。四个部分拥有同样长度，开头都用一个故事，结尾都用“这提醒我们”，于是不同文章逐渐长成同一个产品。

解决办法不是建立一张禁用词表。真正有效的编辑要回到思想关系。有些段落需要先给结论再解释，有些必须保持迟疑，另一个复杂概念也许需要比其他部分更长。若两点其实是一层意思，就合并；若一个转折改变了论证方向，应让它单独展开。句子可以长短不一，因为思考本来就不是等距排列的。

在这个阶段，AI适合作为结构对手。让它指出跳步、重复与未经支持的因果，再要求提出最强反论。作者不必接受系统建议的统一提纲。它提供压力测试，结构仍应由文章真正要解决的问题决定。

草稿要与证据账本同时生长

比较可靠的长文工作流会维护一张“主张账本”。不必记录每个普通句子，只记录那些改变论证的事实和判断：原文主张、来源、作者如何解释、适用范围，以及是否已经核查。

这张表把几种经常混在一起的东西分开。来源明确陈述的是事实；把多份材料联系起来形成的是推断；认为制度应该怎样改变，则属于规范判断。AI特别擅长用同一种自信语气写三者。如果账本没有标明差异，读者很难从句法中辨认。

起草可以按部分进行，而不是一次生成全文。每一部分带着相关来源、结构任务和禁止越过的事实范围。完成后先检查它是否真正推进论点，再看语言。这样做会慢一些，却能防止前文的模糊判断在后文被当成既定事实。

ChatGPT Projects和Claude Projects都能保存项目指令与材料，适合维持术语、读者定位和各篇文章之间的连续性。Gemini Notebook的行内来源引用更适合回答“这句话在材料里究竟有什么依据”。选择哪个并不会替代主张账本；工具保存上下文，账本保存作者愿意承担的证据关系。

事实核查与文风编辑应当分开

一篇草稿看起来已经很顺时，人容易只改语句。更好的顺序是先进行一次冷处理：暂时不问好不好读，只检查人名、日期、数字、适用地区、因果词、引语和链接。要求AI列出可能需要来源的陈述，再由人打开原始资料。系统可以帮助发现，但不能自己证明自己的上一轮输出。

第二轮检查遗漏与反例。文章是否把产品设计写成实际效果？是否从个案推到整体？有没有对不利证据保持沉默？当一个来源与结论冲突时，可靠工作流会修正结论，而不是再生成一段把冲突“平衡”掉的文字。

风格编辑到这时才开始。删除空泛开场、同义重复和没有信息的结尾。重点观察段落是否被自动整理成相同节奏，是否连续出现“不是……而是……”或高度一致的排比。修改时不要只把连接词换成同义词，而要恢复各点之间真实的逻辑关系。

所谓消除AI痕迹，不是故意加入错别字或随机打乱句子。目标是移除系统为了显得完整而制造的虚假秩序，让文章再次服从作者的判断：哪里可以确定，哪里只能暂时推断，哪一个问题比其他问题更重要。

双语文章不能把翻译当作最后一道机械工序

一篇中文文章经过AI翻译，很容易成为语法正确的英文摘要。限定词被删掉，机构名称出现非正式译法，中文中的含蓄判断在英文里变得过于肯定。反过来也会发生。两种语言的篇幅相近，并不证明论证等值。

更可靠的方法是先冻结一个语言版本的事实范围和结构，再写另一语言的独立版本。机构、法律和指标使用正式名称；关键数字、日期与来源逐项核对。最后比较的不是句子对应，而是每一部分是否承担同一论证任务，结论有没有相同的限定。

风格也应当各自自然。中文可以通过语境维持某些连接，英文可能需要更明确的主语；英文中的短段落不应被机械复制成中文的整齐短句。双语等值要求两种语言对同一判断负责，并不要求它们拥有相同句法。

为什么最终文件不能只留在聊天记录里

聊天适合展开思想，却不是理想的出版事实来源。对话可以分叉，文件会更新，系统记忆也可能改变。最终文章应进入稳定的Markdown或其他正式文件，保留标题、slug、来源状态、核查日期与发布状态。重要修改通过版本控制或至少明确的文件历史保存。

把出版准备放到本地文件环境还有一个好处：可以运行机械检查而不让AI重写文章。脚本能够确认双语标记完整、链接格式正确、篇幅达到要求、标题与元数据一致。Codex这类能够读取目录和修改文件的代理还可以执行这些检查、形成差异并等待审查。它不应擅自把草稿发布到网站；文件操作能力越强，发布授权越要独立。

这也提示了一个可靠分工：聊天环境用于思考和成稿，来源型环境用于回查材料，本地项目用于保存、验证和发布准备。一个产品也许能够覆盖其中几个环节，但责任仍应分开。否则，同一个系统既写文章、判定自己正确，又直接把结果发布出去，错误会在没有真正停顿的情况下穿过整条链。

怎样比较两个实际写作环境

准备同一组经过筛选的来源，并选择一个能够在一周内人工核查的题目。不要只给一句提示词。向每个环境提供相同的读者、事实边界、核心问题和交付要求，同时允许它使用自己的Project、Notebook或研究工具。

完成以后，可以从五个方面判断：文章遗漏了哪些重要材料；承重主张有多少能迅速返回原始来源；人工纠正用了多久；连续工作时是否需要反复解释背景；最终文件能否清楚进入自己的保存与发布流程。

文笔可以作为其中一项，但不要先看。先读最容易出错的段落，再读结论是否超出证据。最后才检查文章有没有自己的思考节奏。两次运行通常比一次更有意义，因为真正的工作环境必须能够重复产生可接受结果，而不是偶尔写出一篇惊喜之作。

结论：可靠的不是某个模型，而是文章能否被追问

如果写作主要来自一组固定资料，并且来源回查是首要要求，可以从Gemini Notebook之类来源型环境开始；若项目包含长期讨论、研究、写作和多种工具，ChatGPT Projects或Claude Projects更自然。需要管理大量本地文章文件、双语标记和发布检查时，Codex式的文件工作环境承担的是另一阶段。

没有任何组合自动产生可发表文章。真正可靠的工作流会让每个重要判断都能被追问：依据在哪里？为什么这样推断？反例怎样处理？中文和英文承担的是不是同一个结论？如果明天发现错误，能否知道要修改哪些地方？

AI使初稿变得便宜以后，文章的价值更集中在这些问题上。写得流畅只说明语言生成成功。能够以作者的名字发表，还需要来源、判断、编辑与责任共同到场。

主要资料

继续阅读：《AI工具怎样选？》系列目录

了解 Geoffrey Chen 的更多信息

订阅后即可通过电子邮件收到最新文章。