判断文本由 AI 生成的 7 个迹象

这些是可以计数的。你可以把文本丢进工具里得到一个数字，而不是一种印象——这正是它们比"凭感觉检测"更有用的地方。

1. 长破折号以稳定频率出现。 聊天模型输出长破折号（—）的一致性远高于人类，因为输入长破折号需要一个大多数写作者从未学过的键盘快捷键。在长文档里出现一两个很正常；但如果大致每段一个、分布均匀，就不正常了。长破折号指南解释了这个习惯为何如此根深蒂固。

2. 弯引号与排版标点。 AI 输出往往自带方向性引号（" "）、弯撇号（'），以及真正的省略号字符（…）而不是三个句号。文字处理软件也会自动生成这些符号，所以它们只在不涉及自动更正的场景下才有意义——比如纯文本输入框、代码注释、CSV 文件。

3. 不可见的 Unicode 字符。 零宽空格、不间断空格和窄不间断空格经常从聊天窗口的复制粘贴中残留下来。它们用肉眼无法察觉，是最强的单一机械性标记，因为几乎没有任何手写输入会产生它们。

4. 表情符号开头的项目符号列表。 每条要点前带装饰性表情符号的结构化回答、用加粗文本而非真正标题充当小节标题、嵌套三层深的列表——这是聊天界面鼓励的一种"房屋风格"，而大多数人类写作者并不使用。

文风层面的模式更容易误判，因为大量认真的人类写作也有这些特征。把它们当作深入查看的提示，绝不能当作结论。

5. 措辞含糊、两面讨好的行文。 把每个问题都呈现为有两个合理立场的句子、开头先复述一遍问题的段落、只做总结而不增加任何内容的结尾。这来自一种训练方式：既要有帮助，又不能有立场。

6. "not just X, but Y" 句式。 类似的还有 "it's worth noting that"、"delve into"、"navigate the complexities of"、"in today's fast-paced world"。这些并不是禁用词——它们就是普通的英语。真正显眼的是它们在一篇短文里扎堆出现的频率。

7. 异常均匀的结构。 段落长度几乎一致、各小节的项目符号数量可疑地相等、结尾与开头镜像呼应。人类的草稿是参差不齐的——某一段特别长，只是因为写作者对那一点有更多话要说。

尤其是词汇层面的信号，失效得很快。每一份流传的"AI 词汇表"都会被人们吸收进自己的写作，也会进入下一代模型的调优过程。机械性迹象更持久，因为它们是编码的副产品，而不是文风的副产品。

上面的迹象都是关于字符和措辞的。还有另一层信号位于句子之上——整篇文章的结构方式——而这正是人们说某段文字"读起来像 AI"时最常指的那一层。

• 段落长度整齐划一。 反复出现三到四句一段，没有为了强调而设的单行段落，也没有哪一段因为作者对某个点特别感兴趣而写得更长。
• 开头先复述一遍问题。 "好问题。选择数据库需要考虑几个因素。"在任何实质内容之前先来一段铺垫式的开场白，这是从聊天格式继承来的习惯——在那种场景下，复述提示是合理的开场方式。
• 结尾什么也没补充。 "总而言之""总体来看""最终"，后面跟着一段对刚读过内容的总结。放在一篇需要收束论点的文章里没问题；放在一个 300 字的回答后面就显得奇怪。
• 默认采用两面讨好的框架。 每个权衡都被呈现得很平衡，每条建议都用"这取决于你的具体需求"来打圆场，即便对所描述的情况来说某个选项明显更好。
• 什么都变成列表。 把标题、项目符号和编号步骤套用在既没有先后顺序、也没有并列结构的材料上——项目符号转段落这个工具存在的原因，就是手动把这些改回去很麻烦。

现在是重要的部分。 这些是本页最弱的信号，比文风层面的信号还弱，值得直说原因。

这份清单里的每一项都是教出来的。段落整齐、开头复述问题，正是学校作文教学所要求的。"总而言之"是标准的学术写法。两面讨好的框架是职业性的谨慎——顾问、律师或医生都是这样被训练写作的，因为言过其实是有代价的。大量使用列表是技术文档、企业报告和大多数内部 wiki 的通用文风。模型这样写，是因为人本来就这样写；这种模式最初就来自人类的文本。

这也是为什么以结构特征打分的检测器，恰恰会在编辑得最仔细、最正式、也最常出自以英语为非母语、通过正规教学学习英语的人之手的文字上产生误判。整齐划一是一种奖励反复练习的属性，而很多人恰恰做过这种练习。

所以这一节的作用是帮你识别一种语域，而不是给你一套检测标准。长破折号指南在标点上讲的是同一个道理，而放在这里这个道理更加成立：一份文档可以命中上面每一种结构模式，却完全出自人手；也可以一个都不命中，却完全是生成的。这个页面上的任何内容，以及本站任何工具报告的任何结果，都不能确定某段文字是谁写的。

一个实用的操作顺序，从成本最低的检查开始：

1. 扫描不可见字符。 这是信号最强、成本最低的检查。先把文本粘贴到显示不可见字符中，它什么都不会删除，而是在原位为每个隐藏字符加上标注——[ZWSP]、[SHY]、[BOM]、[LRM]、[NBSP]、[NNBSP]——让你看清一共有多少个、分别出现在哪里，其中也包括不间断空格和窄不间断空格。不可见字符扫描工具则是另一半：它会报告隐藏字符、零宽字符和软连字符各自的总数并把它们删除，同时保留不间断空格。
2. 一起统计各类机械性痕迹。 AI 文本清理工具 可以一次性报告长破折号、弯引号、不可见字符和表情符号，让你看到多个信号是否同时出现，而不是一次只追一个。
3. 带着数据去读文风。 只有拿到统计数字之后再读。先看数字，可以避免你说服自己接受一个预设的结论。
4. 掂量上下文。 从 Word 粘贴的文本无论如何都会带上弯引号，不管是谁写的；直接在纯文本输入框里敲出来的则不会。

关键是多个信号的共现。一个孤零零的长破折号什么也说明不了。但在一段直接敲进纯文本表单的文字里，长破折号加上弯引号加上两个零宽空格再加上表情符号列表，就是一个真正不寻常的组合了。

上面每一个迹象都有无辜的解释。

Word 会自动把双连字符变成长破折号，而 Word 和 Google Docs 都会自动把直引号变成弯引号。从任何现代网站复制内容都可能带来不可见字符。专业编辑写出来的文字，恰恰就是那种读起来像机器生成的、平衡而含糊的语域。非英语母语者往往写得更加正式、结构更加规整——这正是商用 AI 检测器误报他们作品的比例明显更高的原因。

还有一个显而易见的循环论证问题：一个人可以把 AI 输出粘贴到文本编辑器里，做一遍清理，大约十秒钟就能抹掉所有机械性迹象。最容易测量的信号，恰恰也是最容易清除的。

所以诚实的立场是这样：格式分析能告诉你文档里有哪些字符，但它不能告诉你是谁把它们放进去的。我们的工具刻意只报告数量、从不给出判定，因为所谓判定不过是披着数字外衣的猜测。如果你真的需要知道某段文字是不是某个人写的，答案来自与对方的交谈——草稿历史、资料来源、以及解释自己论点的能力——而不是来自数破折号。