AI 文本的破绽：一套规则能测出什么

一个专门筛好文章的技术博客，做了个小工具给稿子打「AI 味」分。上线一个月，它先把编辑自己的文章判成了高度疑似。

一、发生了什么

The Consensus 的 Phil Eaton 在 2026 年 10 月 14 日写了这台检测器的来历。他是个每天给人推荐技术文章的人，动因很具体：Cynthia Dunlop 关于技术读者偏好的调查显示，读者普遍不喜欢 AI 写的文章，宁可读一篇「写得差的人写的」，也不想读「写得好的机器写的」。而他自己也翻过车——推荐出去的文章，评论区有人指出明显是机器写的，其中还包括一些天天讲「负责任地使用 AI」的公司。他把这种点击形容为浪费时间。

商用检测器有做得好的，他点名了 Pangram，站点也给他付了订阅费。但信息流每天进那么多篇，每篇都跑一遍，钱扛不住。

于是过去一个月他自己写了一个：不是机器学习模型，是一堆静态规则。做法是把 2023 年之前的写作和 2023 年之后的写作在多个维度上对比，再把此后每一年的文风漂移也算进去。选规则而不是模型，理由很实际：便宜，能对每篇进站的文章都跑一遍，还能直接长在站点里。落在「AI 味」第 99 百分位的文章会被打标：不进首页每日精选、不给信息流里的「有意思」图标、不进周报。但文章不会被删，读者仍能自己看，也可以在信息流搜索里用 aitells<90 这类条件筛掉。

他反复强调一点：这个工具不判断文章是谁写的，它只能提示，这篇文章读起来可能让人想起 AI 写作。它误判过他本人的稿子。

二、跟你有什么关系

写技术博客、公众号的人。 被判定「读起来像 AI」是有实际代价的——推荐位、Newsletter 位置会先没。而这类判定往往不看你用了什么工具，只看成品长什么样。你可能是自己写的，只是写得太顺、太全、太没有毛边。

用 AI 起草再改的人。 功夫要花在结构和例子上。把「因此」改成「所以」不算改写，统计特征几乎不动。

做内容审核的人。 单一分数不能当证据。作者自己都说这东西便宜、不总对、还能被绕过。

三、怎么判断

1. 先找具体物：时间、地点、数字、当事人、金额。一段话里一个都没有，人和机器写出来都会发虚。
2. 看句子长度的分布。规则类检测抓的是统计形态，人写的东西长短参差，机器更容易写得均匀。
3. 做「替换测试」：把公司名换成同行，段落照样成立，说明它没承载任何独有信息。
4. 用两个不同工具交叉，再加上你对作者过往文风的了解。单点结论只能当线索。

四、三个别信的说法

「有 AI 味就是 AI 写的。」 工具作者自己的表述最清楚：它只提示「读起来像」。模板化写作、翻译腔、行业黑话、被编辑反复磨平的稿子，都能触发同样的特征。他在文中还提了一个细节：那些一眼像机器写的稿子里，有不少出自公开强调「克制、负责地用 AI」的公司。这说明标签指向的是文本，不是立场。误伤是设计里的已知项，不是 bug。

「检测器给出的分数能当证据。」 静态规则可以被针对性规避。Eaton 说得很直白：如果有人教模型按各家自己的风格和规矩写，这工具就失效了——而他认为那反倒是好事，因为让人烦的本来就是「所有人写出来一个调子」。一个能被绕过的检测，不能用来指控具体的人。

「换几个连接词、少用破折号就看不出来了。」 这是换皮。读者的反感不来自某个标点，来自整篇没有具体经验、没有取舍、没有立场。把结构改掉、塞进只有你知道的细节，比调标点有用得多。

五、一句话结论

破绽不在某个词，在「换掉主语还成立」——那说明这段文字没有属于任何人的经验。

信息来源

• Phil Eaton, "Has AI tells", The Consensus, 2026 年 10 月 14 日：https://theconsensus.dev/blog/2026/10/14/has-ai-tells.html
• 文中提到的读者偏好调查出自 Cynthia Dunlop 在 writethatblog.substack.com 发布的调查，本文未直接引用其数据。

功能与价格以官方公告为准。本文写于 2026 年 10 月 17 日。