让 AI 写一段介绍，通常很快就能得到开头、几个小标题和一段总结。结构完整，语气平稳，单独看每句话也没有明显的问题。

困难出现在下一步：这段文字究竟说明了什么？如果把主题换掉，只改几个名词，大部分段落仍然可以使用，那么它很可能还没有进入问题本身。

这种空泛并不只存在于模型生成的文字里。人也会用熟悉的表达绕过尚未想清楚的地方。AI 只是让完成这种草稿变得更容易。

好看的结构会让人提前停下来

假设想写“纯函数为什么有用”，草稿很容易列出可测试、可维护、可复用三个优点。它们都像答案，却没有回答一个具体问题：哪段代码因此变得更容易理解？

补一个消息状态更新的例子，情况就不同了。需要说明输入是什么，什么情况下会更新，旧数据是否被改变，还要承认它没有自动解决并发问题。文字开始有了可以检验的部分。

这个过程里，真正费力的是选择例子、确定边界。语言润色可以帮忙，判断却不能只靠一组完整的小标题来代替。

先保留一份不太整齐的材料

我更倾向于先写下要讨论的问题、能支持它的例子，以及暂时不能确定的地方，再让 AI 帮助整理。原始材料可以很短，也可以不成句子，但里面需要有作者自己的取舍。

例如，别只要求“写得自然一点”，可以直接指出：这段只有形容词，没有说明发生了什么；这里把一个局部优点说成了普遍结论；这个例子没有交代失败的条件。

修改目标越具体，就越容易判断改完之后是否更好。所谓个人风格，也不只是加入几个口头禅，而是愿意说哪些话、对哪些结论保持保留。

流畅不是核实

模型可能给出不存在的引文、错误的出处，或者把合理的猜测写成确定的事实。关于这种错误，模型提供方的说明也提醒使用者独立核对信息。

所以书名、原文引句、日期和技术行为，都需要回到对应来源。没有找到出处的“金句”，删掉通常比给它补一个模糊的作者名更好。描述个人经历时也一样，细节应当来自记录，而不是为了让文章更生动临时填上。

这些核对工作常常不如生成一段文字显得高效，却决定了文章是否值得信任。

草稿之后，还要做减法

拿到整理好的版本，我会继续问：哪一段只是重复标题？哪一句看起来郑重，却没有增加信息？如果删掉最后的总结，文章是否反而更清楚？

这些问题没有固定答案。有时确实需要一个收束，有时例子讲完，文章也就可以停了。

AI 能降低起草的阻力。对作者来说，剩下的工作仍然很具体：核对事实，选择例子，承认边界，然后决定哪些话值得留下。