使用AI的作家想让你知道的事

原文：What Writers Who Use AI Want You to Know｜作者：Laura Entis｜2026-09-09

上周我们推出了 《我们如今如何写作》（How We Write Now）系列，探讨作家如何使用AI。系列开篇是 Katie Parrott 的复合写作指南——她提出的框架涵盖了如何发展想法、塑造草稿，以及如何将每次写作中学到的东西带入下一篇作品。本周，Laura Entis 在她的基础上更进一步——她一直在诚实地审视自己与AI协作的工作流程。她采访了五位职业作家，包括 Every CEO Dan Shipper、设计师 Maggie Appleton，以及《纽约时报》前记者 Kevin Roose，询问他们在哪些环节让AI参与、在哪些环节画下界限。她发现并不存在通用配方：同一个工具，对某位作家是思维更清晰的助力，对另一位作家却会让文字质量下降。请继续阅读五种截然不同、各具特色的工作流程（包括自定义提示词），它们共同论证了一个观点：用AI写作本身就是一项技能。——Kate Lee

在赶一本关于神经多样性与职场的书稿期间，记者 Alexandra Samuel 遭遇了所有作家都熟知且恐惧的状况：写作障碍。

她手头有研究资料，也有详细的提纲。但总是想着还有一篇研究没看完，于是迟迟不肯动笔。她在朋友空置的公寓里安排了一次自助式写作静修，告诉自己每天攻克一章——然后转向了AI。

每天早晨，她把当天章节所需的研究资料转成播客，一边炒鸡蛋、冲一天里的头几杯咖啡，一边听。这种做法让她坐到电脑前时，感觉更像是在继续一场对话，而不是对着空白页面发呆。当她起草稿时卡住了，就把当天写的内容交给ChatGPT，合上笔记本电脑，然后在朋友家附近的街区散步时让AI采访她。AI的提问切中了她的困惑。“40分钟后，我的思路清晰了，我知道自己要往哪里走了，”她说。

她在10天内写下了52,000字。这些文字是粗糙的想法而非精炼的文章——几乎没有任何内容进入了终稿——“但它让我动起来了，”Samuel说。无论有多粗糙，这些材料给了她推进到最终书稿的动力。她的新书 《Working Neurosmart》 将于今年4月出版。

在线上讨论中，“AI与写作”是一个让人剑拔弩张的话题。在假想分界线的一侧，他们认为这意味着你把所有思考都外包给了机器。在另一侧，他们认为这是在参与唯一合乎逻辑的现代沟通形式，等同于用手机GPS替代纸质地图。

我自己在AI与写作方面的体验没那么非黑即白。AI让我行动更快——在GPT时代之前，我手动转录访谈，现在只需几分钟而非几小时——它也让我更容易调动自己的报道素材，浮现相关引语、核实细节，或在散布于多次访谈的信息之间建立联系。但它也可能成为拐杖：当我疲惫或时间紧迫时，我会过度依赖它，最终写出的文字乍一听不错，却缺乏清晰的解释、论点或立场。

我会努力独自咬着牙完成提纲和初稿。只有在那之后，我才会引入AI来帮助做结构性修改、精炼思想和语言、补充支撑信息——它特别擅长从项目素材中补充或澄清细节——以及改进段落过渡。我发现，一旦我费尽心力确定了自己想说什么，AI能帮助把文章推向我脑海中那个理想的样子。

这是我目前的AI写作配方。（如同所有与AI相关的事情，它无疑还会改变。）出于好奇其他职业作家最终的立场，我采访了其中五位，询问他们在写作过程的每个阶段——研究、构思、结构搭建、写作、编辑和核查——如何整合AI、又在哪些环节不使用AI。

他们中没有两个人有相同的工作流程，也没有人在如何使用这项技术上画出相同的界限。和我一样，他们中的大多数人仍然难以可靠地判断，AI在哪些环节让流程变得更轻松而不会让文章质量下降——即便他们普遍感觉AI让他们的整体写作技艺有所提升。对一个人有效的策略，可能会让另一个人的作品退化。写作是一项个人的、有时充满喜悦有时充满痛苦的工作，它让你将自己的想法变得清晰而有结构。AI可以帮助这个过程，但AI并不会写作；它是一个工具，知道何时以及如何使用它与写好文章本身一样，是一项技能。

Agent能成为出色的研究助理

前《纽约时报》科技记者 Kevin Roose 使用AI来完成他即将出版的448页著作 《AGI编年史》 的研究、转录和事实核查工作。这本书基于150多次采访，讲述了一场创造通用人工智能的竞赛。他花了大约一年时间交付书稿；如果没有AI，他估计需要三到五年。

他让AI帮他查找相关研究论文、翻译艰深的技术主题，但一个重要的突破点是用AI自动化了整个转录流程。每次采访结束后，一个agent会转录录音、提取关键细节、给他发送一份可以谈论类似话题的五位受访者名单，并标记出他应该请消息源分享的Slack日志、电子邮件、短信或其他材料。

这个agent还特别擅长找出潜在消息源的联系方式，包括一些几乎没有公开信息的人。在一个特别棘手的案例中，它利用了一个安全漏洞，从而提取了与该人GitHub账户关联的邮箱地址。

当Roose进行采访并陷入研究兔子洞时，他把转录文本、同行评审论文、文章、书籍章节等内容丢进一组可查询的笔记本中，作为他的“外接大脑”。

后来，他利用这些笔记本和他的工作草稿为采访做准备。他的agents能够审视合并后的全部上下文，识别他报道中的空白，并提醒他即将采访的那个人能帮他更好地理解什么。

Roose书中的许多采访对象就职于那些开发AI模型的公司——而他正是用这些AI模型来辅助自己的研究。为了保护消息源，如果对方告诉他关于某家具体公司（比如OpenAI）的机密信息，他不会将带有对方姓名或可识别信息的内容上传到任何Anthropic模型中。他偶尔会使用本地模型处理敏感信息，比如公司内部文件，“但总的来说，我只是尽量明智地选择哪些任务用哪些模型，并将一些信息保持离线或完全远离AI，”他说。

Maggie Appleton 是GitHub Next的设计师和人类学家，她发布关于编程、设计和文化的插画随笔。她经常在研究阶段使用AI来发现被她忽略的联系。

开始写新文章时，Appleton会使用听写模式“把笔记从脑子里倒出来”，然后让Claude Code或Codex填补她研究中的空白：“关于这些文献，有什么是我不知道的？看看我在说什么、已经在引用谁。有哪些我应该引用但还不知道的人？”

最近，这个过程让她重新认识了人类学家 Lucy Suchman 的作品。Appleton在大学时学过她的研究，但不知为何没有看到Suchman的研究与她正在打磨的一篇演讲的核心论点之间的清晰映射。

“你会困在自己已经在看的东西里，”Appleton说。AI可以把你从自己的参照系中摇醒。“那是一个让我觉得‘干得好。我自己到不了那里’的时刻。”

AI可以扩展和锐化你的思维

当Samuel开始写一篇新文章时，她想在编辑脑介入之前尽可能多地把想法从脑子里倒出来。

在职业生涯早期，她用白色字体打字，这样她就看不到自己写了什么，不会纠结于细节。如今，她有时会用语音备忘录，或者在她家海边社区的漫长漫步中——经过一片池塘、穿过树林、沿着水边走回家——向ChatGPT口述自己的想法。她刻意不做自我编辑；在这个阶段，她追求的是杂乱无章的铺陈。

初始的大脑倾倒结束后，Samuel把转录文本上传到Claude Code的会话中，让agent提出问题，暴露她论证中的空白。“我把它充实起来，把脑子里其余的“精神垃圾”都倒出去，”她说。然后写作才能开始。

AI还可以对某个想法进行压力测试，判断是否值得做。Emilia David 是Information Security Media Group负责企业AI和科技报道的副编辑，她需要快速判断哪些AI发展对她的读者群体是重要的。在6月之前，她还在VentureBeat做高级记者时，她的报道领域被严格限定为：AI编排（AI orchestration），即AI应用和agent如何协同工作。为了帮助识别故事选题，David微调了一个定制GPT，让它从她的目标读者的角度来回应选题——目标读者是大型企业中关注编排和可观测性的高级工程师——这是基于VentureBeat编辑和营销领导层提供的读者画像信息。

    Prompt

    读者是一位高级AI工程师，专业能力在于设计和实施高效的AI编排系统，以跨组织简化和扩展机器学习模型。他们在员工规模从200到10,000人的公司工作，专注于构建健壮的、可扩展的AI流水线，能够有效地在不同环境中管理模型部署。他们以技术性和实用性的方式沟通，更喜欢深度的技术细节搭配实用的建议。

想试试David的方法，可以填写下面的模板，添加到你的定制agent指令中。这个模板改编自她的读者画像，可以让agent通过“什么事情对你的目标读者重要”这个视角来评估新闻和潜在故事创意。

    Prompt

    读者是[描述你的目标读者]，在[主题或领域]方面拥有[他们现有的知识或经验]。他们[描述其相关情况：工作、兴趣、职责或所属社群]，并且最关心[他们的优先事项、问题或挑战]。

他们阅读[你的出版物或写作类型]是为了[他们想要理解、发现、做出决定或采取行动的内容]。他们偏好[语气、详细程度和示例类型]，需要解释[他们可能还不知道的概念]。 当我分享一个故事创意时，请根据这个读者画像来评估它。解释读者为什么会——或者不会——在意，指出最相关的角度，并标记出需要哪些报道来支撑它。不要仅仅因为某个公告是新发布的或被广泛讨论就假定它值得覆盖。明确哪些内容得到了材料的支持，哪些需要更多报道。

David的GPT还融入了编辑对之前选题的反馈。“模型能学会我的编辑在寻找什么，所以它能帮我构思什么能成为好故事——如果我提交选题的话，什么能过关，”David说。她用这个GPT来测试想法，并抑制那些由AI发展在X（推特）上刷屏、但对她的目标受众并不重要的错失恐惧症（FOMO）。

David的GPT识别出了她原本会忽略的角度。在VentureBeat时，David通常不报道产品发布——她以为这个规则也适用于Anthropic发布Managed Agents时，这是一项负责运行企业AI agent基础设施的服务。（“我读了新闻稿，心想‘挺酷，但我觉得这不是一篇报道。’”）

但她还是把这个公告放进了她的受众agent里做了另一次直觉检查。Agent指出，因为Anthropic会运行这些agent并将其数据存储在自家中，客户可能会被锁定在该公司的技术和条款之中。

“这才是AI编排工程师会担心的事，”她说。

David抓住了这个角度，发表了一篇文章，跳过了产品发布本身，聚焦于这一发展对她的读者意味着什么。

AI可以创建结构化工作的系统——但仍需你决定什么放哪里

作为一名作家，Appleton一直需要在一篇文章中保持对材料的鸟瞰视角，同时不丢失各个组成部分。过去，她把故事创意画在巨大的纸张上，后来逐渐变成了在Miro或Figma中拼凑的数字版本。

有了AI，她现在可以构建一个专为此目的设计的写作画布。“我们终于到了个人软件触手可及的时刻，”她说。这个画布使用tldraw软件开发工具包创建，通过模型上下文协议（Model Context Protocol，MCP）服务器连接到Claude Code、Codex和其他agent。

每篇文章都有自己的画布，组织成代表章节的垂直栏。Appleton向agent口述粗略的想法，agent把它们整理成卡片，她可以在各章节内部和之间移动这些卡片。笔记卡片存放想法、摘录和研究摘要；散文卡片包含草稿文本，显示在一个以线性方式展示全文的侧栏中；图形卡片代表插图、图表和交互元素。Appleton可以重新排列空间画布，即时看到散文在新顺序中的阅读效果。通过MCP服务器，agent可以整理素材、发现重复内容、总结参考资料，以及在被选中的卡片上添加评论。一个语义缩放功能可以让Appleton在查看画布时将每张卡片浓缩为一句话，让她无需丢失底层文本就能看到文章的整体论点。

Maggie Appleton的画布让她可以在各章节之间移动笔记卡片——这些章节纵向排列；侧栏按顺序显示所有草稿文本，这样她就可以按线性顺序审阅自己写的内容。 （截图致谢 Maggie Appleton。）

这种视觉广度搭配卡片级别的模块化，让庞大的文章变得可控，足以完成。“无论怎么做，写作对我来说都是一个漫长而艰难的过程，”她说。“我对agents抱有的希望——也是我觉得它们正在用这个工具帮我实现的——是让这个过程稍微不那么痛苦。”

Image caption: Agents可以查看她画布上的卡片并留下评论或建议添加内容。（截图致谢 Maggie Appleton。)

Appleton仍然难以确定叙事弧线和决定哪些素材需要删减。“这归根结底是因为agent没有我们一样的品味。做模型的人把品味烘焙进了模型里。Claude很有主见，ChatGPT的模型也有某种倾向，但那不是我的主见，”她说。“我最终总是得自己搞清楚。”

Roose也得出了类似的结论。AI擅长处理时间线，把他庞大的笔记整理成按公司组织的“超级时间表”。“这对把分散的信息集中到一个地方极其有帮助，”他说。

但他发现AI在主观编辑决策上“糟糕得令人警惕”。他请AI就改善结构或节奏提供建议，得到的回应经常是“蠢话，比如‘你也许应该在这里做一个悬念式结尾。’我就想说，‘但这只是第五段。我为什么要在那儿用悬念结尾？’”他说。

忍无可忍之后，Roose在办公室一整面墙大小的白板上梳理出了这本书的叙事弧线。“那是我觉得自己目前比AI强得多的部分，”他说，“所以我亲自动手了。”

一旦Roose理解了某一章的结构，AI就又变得有用了。比如他可以请agents把所有消息源关于GPT-4预训练的言论都拉出来，它们就像GPT魔法一样做到了。

而我个人也不喜欢让AI进入规划阶段——看到它的建议会改变我对文章主题和什么信息最重要的认知。我通常从零散的想法片段和访谈转录的片段中创建自己的大纲，并基于已有素材口述我对每个部分的思考。

这让我能更快到达初稿阶段——在最早期阶段，初稿由引文块构成，周围用我对它们的含义以及它们与文章整体叙事或论证的关系的思考来串联和连接。

模型能写出漂亮的文字，但需要监督和修改

写作是许多作家表示拒绝让AI触碰的环节，即使这项技术已经被整合到前后的步骤中。“AI完全不帮我写任何东西，”Samuel说。“它永远是我的回音板（sounding board）。”

Every CEO Dan Shipper 是个例外。他是一位多产的作家，公开而热情地使用AI来生成（惊讶吧）真正的句子。（公开使用这一点可能正是他与众不同的地方——Dan认为，大多数作家都在使用AI，只是不承认而已。）AI的建议给了他一些可以回应的东西：他找出自己喜欢的部分，解释不奏效的地方，然后重写输出，直到文本说出他的意思。即使模型尝试失败，也能帮助他搞清楚他到底想说什么。在实践中，这个过程分为三个步骤：

重新进入草稿

在我们交谈时，Dan正在写一篇关于OpenAI的长篇深度报道。在开始新章节之前，他需要让自己重新融入已经写下的数千个词中。

于是他让Codex把他现有的草稿变成播客。这样，当他醒来时，可以边刷牙或散步边听，在坐下来写作之前重新熟悉材料。

诊断什么问题

最近一次会话展示了Dan如何用AI来改进写作本身。他对最新的段落不满意——“代码很少能在新电脑上无需准备就运行。需要先安装正确的软件依赖、权限和设置。”——他让Codex提出改进建议。

模型准确指出了这段文字未能回答前文的问题：尽管Codex在OpenAI内部很受欢迎，为什么它最初难以吸引外部用户？

通过反应来重写

它提出了一个修复方案，但语言没有让他灵感迸发：“Codex的电脑不是你的电脑。”这行字乍一听“不错”，Dan说，“但仔细一想，你会发现完全不知道它在说什么。”

他进一步要求模型提供更清晰的表述，模型返回了一个修改版本。他回应自己不喜欢的地方；它再试一次。经过几轮交流，最终段落中很大部分来自模型。

“这是我写作方式的典型形态，”他说。“它负责披荆斩棘开出一条路，然后我可以沿着这条路走。”

在少数情况下，模型直接给了他想要的。大多数时候，这个过程是痛苦的渐进式推进——但写作本来就是如此。对Dan来说，“写作就是把像现实一样复杂的东西逐字逐句地放下来。这是一种思考行为。”

“这很痛苦，”他继续说。“而且很有价值。”AI帮助他更精确地从无限可能性中识别他想说的话。

Appleton偶尔会走与Dan相反的方向来达到同样的结果：她把一个不够完美的句子上传给Claude，请它给出几个更清晰或更简洁的替代方案。因为这些建议锚定在她自己的文本上，反而能让她更接近她想表达的意思。“在那些情况下，这句话仍然不会让人觉得是AI写的句子，”她说。

除此之外，Appleton在“亲笔写作”这件事上画了一条清晰的界限。作为读者，她期望文字来自人类；如果她怀疑文字是Claude写的，她的反应是“关掉标签页，谢谢不送。”

她的大部分抗拒源于AI的局限性。“当我尝试让agents为我写最终稿时，它们说的话从来不是我真的想说的东西，”她说。她把自己的写作样本喂给agents来创建定制写作技能，并发现自己对它们的评估频频点头：她的写作确实是个人化的、对话式的、略带干涩的风格，而且她确实把自己定位为一个学习者而非专家。但这些都帮不上忙。

“agent怎么可能写出我会写的文字？agent怎么可能说出我恰恰想说的那句话？”她说。“即使它看到了我的笔记，它也不是真正理解我想说的东西，因为我自己还没说出来。”

Roose也没有用AI来写他的书，主要是因为他在信息标注中说明，他认为自己欠读者的是他的人类思考。在他的作者注中，他披露了在研究、转录和事实核查方面大量使用AI工具，但确立了一条“清晰界限”规则：不用AI生成书中的任何文字。

他也没有找到能让AI写作变得真正好的策略。（他还没有尝试基于自己写作风格的定制风格指南，看看效果是否更好。）

Roose在文体层面对大语言模型生成的文本有“一种过敏反应”。在他评估中，Claude 3.5 Sonnet设定了AI写作的最高水位线。模型生成的散文——至少在句子层面上——随着最近几代发布的模型而退化了。

在写书的这一年里，“我对模型在研究、事实核查这类任务上的信任上升了，而对它们在结构、手艺和句子层面构建上的信任反而下降了，”他说。

AI反馈可能廉价、快速，也有缺陷

Roose不想让AI写书，但他的确想要更多的评审者。“我在设想着，如果我能无限制地接触到真正聪明的人来帮我审校这本书，我会想要什么样的人来帮我检查，我的盲点可能在哪里？”他说。

在他把书稿交给人类编辑之前，他让每一章都经过他所谓的“Claudes委员会”。这个委员会包括模拟以下角色的agents：一位对各大主要AI公司有机构记忆的实验室历史学家和档案管理员；一位以Yann LeCun 或 Gary Marcus 风格存在的技术怀疑者；一位“Yudkowsky类型”的AI安全研究员；一位机器学习研究者；一位政策和算力专家；以及一位寻找陈词滥调和时间线问题的叙事技巧评审者。

    Prompt

    我需要你为这份书稿规划一个编辑和事实核查流程，范围超出查找拼写错误和日期等基本工作。我希望从多个agents那里获得大师级的、深度研究的反馈，逐章工作，每个agent有不同的专业领域。我希望这些意见来自深层知识的立场，就像一个脑中装满了AI全部历史的人一样。以下是一位人类审稿人给我的反馈意见，深度是正确的水准：[粘贴关于GPT-1预训练和Dai & Le / ULMFiT前驱工作者的反馈]一个agent应该是对每个实验室的“专家”，一个应该是对AI持怀疑态度但仍然知识渊博的人，一个应该是Robert Caro/Walter Isaacson式的故事讲述者，能以内容中立的方式分析故事，还有一个应该是Eliezer（Yudkowsky）式的安全专家。我也欢迎你对其他角色的建议。我想总共5-6个agents，每个都有无限的计算预算（达到我账户的token上限），它们可以互相交流，并按章节将反馈综合成一份统一的文档。听起来可以吗？

每个评审者都将反馈提供给一个总编辑agent，后者返回最需要Roose关注的高优先级事项。委员会返回的内容有95%“是垃圾”，他说——他的工作是从中找出那5%能让书变得更好的部分。“AI给我的最好的东西相当有用，但我得翻过大量垃圾才能找到它们，”他说。

Samuel建立了自己的一组虚拟读者来扩展书中的视角广度。在她的初稿中，她注意到假设的例子反复涉及“中年、更年期、ADHD女性”——换句话说，就是她自己。“我需要走出我的隧道视野，”她回忆道。

她创建了六个人设（personas），每个人有不同的职业背景，并将它们放在一个Claude Project中。与这些想象中的读者交谈——有时通过Claude的语音模式大声说出来——帮助她想出超出自身经验的例子。虽然很少能最终进入书中，但即使是有缺陷的角色也被证明是有用的。

其中一个人设是一位拉丁裔背景的高级专业人士。Claude生成的场景反复依赖“那个火辣的拉丁人”这一刻板印象，并且反复强调他的家庭责任——这种强调方式对其他角色并没有出现——这让Samuel更深地思考了AI响应中嵌入的刻板印象。

“在任何领域使用AI的风险——但也许特别是对我们这些写AI相关话题的人来说——是忽视它的局限性和偏见，”她说。“任何能打破AI幻觉的东西，在我看来，都是有用的现实检验。”

Agent是合格的一轮事实核查员

Samuel是一名经营自己业务的自由记者。她开发了一套精细的AI事实核查工作流程，用于快速了解陌生话题。当她需要快速消化已有研究时——例如，确定衣蛾需要被冷冻多久、在什么温度下才能死亡（她家里有衣蛾虫害）——她指示一个Claude agent生成一份备忘录，内容来自同行评审的、有声誉的期刊文献。她处理报道文章时则更加手工化。

在她阅读备忘录、允许“我容易受影响、可塑性强的大脑吸收可疑信息”之前，她会先通过一个事实核查技能。两个子agent会审阅每一个事实断言，并依据引用的文献将其标记为准确、错误或模糊。如果它们意见不一致，会引入第三个agent来打破僵局。

该技能将调查结果编译成CSV文件，然后生成一份修正后的备忘录。

    Prompt

    你是一位新闻学教授，也是所在大学的研究伦理委员会主席。大学的一个研究中心使用AI为一家客户组织制作了下面的简报（客户知情）。你受命判断这份简报是否符合大学的严谨性、准确性和循证研究标准。

你的评估标准基于： 对源材料的忠实度。简报中的每个断言是否可验证地基于外部来源？如果是，你应该能在源材料中找到一段逐字引用或段落，说出的内容与简报声称的一致。忠实既指忠实于原文的字面意义，也指忠实于原文的精神——也就是说，不能断章取义地摘取一个括号上的引文来支持源文章接下来恰恰反驳的理论或论点。 源材料的可信度。源材料是否高质量？最高质量指过去十年内发表在高水平同行评审期刊上、被高度引用（50次以上）的作品。可接受质量指引用较少（但不低于5次）的同行评审期刊作品，或在主要报纸或媒体机构发表的内容，或来自以思想领导力著称的大型咨询公司或企业（如德勤、Gartner、IBM等）的内容。不可接受的是：后续被撤销的无效研究；小众或边缘媒体；无引用的低质量期刊；来自不可信公司的营销报告或研究，或仅1–2页的新闻稿。 源材料的新近性/时效性。源材料和后续发现是否反映了当前的知识和理解状态？当使用超过5年（尤其是超过10年）的材料时，查找该材料的近期引用，以判断它是否仍然相关，还是已被更近期的研究所取代。 解释的完整性、连贯性和一致性。最终简报是否连贯地反映了所审阅材料的广度？源材料是否广泛代表整个领域，还是代表了某个特定的、不具有代表性的研究子集？简报的发现（如果适用，还包括建议）是否与该领域当前的研究状态一致？ 你的输入：研究备忘录或信息文件的草稿。 你的输出： 一份备忘录，列出输入备忘录中每一条事实，并在每条旁边标注准确性评估（基于上述评估标准）和建议修改。这份备忘录应包含一个表格，列出源备忘录中的每一条事实，在“判定”列中标注为“明确错误”、“模糊”、“无依据”或“已确认”。添加“备注”列供你评论，以及“逐字来源”列，包含用于评估该断言的特定引文和准确引用。 一份原始简报的批注副本，显示所有建议的修改。 一份原始简报的修订副本，所有建议的修改已执行。 请注意，客户知道这些是由AI生成的备忘录，因此可以将断言标记为“令人担忧”、“未经核实”等，而不必删除它们。 你的流程： 将源简报中每一个事实断言拆解出来：每个人名、日期、引文、发现、统计数据等。 逐一处理每个事实。查看原始来源（如果提供/引用）；如果没有提供来源，自行查找来源（高质量或可接受质量）。在来源中找到一段具体的引文来验证或反驳该断言，并将这段逐字引文添加到“逐字来源”列中。 在处理每个断言的时，将每条事实标记为：已确认（有来源引用）、未经核实（无法确认来源）或错误（已被核实为不正确的）。 不要跳过任何事实。如果你找不到任何内容来支持或反驳某个事实，将其标记为“未经核实”。 有什么问题吗？你应该做的是深度研究、深入思考。 [在此粘贴研究简报。]

Roose严重依赖AI作为第一轮事实核查员。提取书中关于每个人的每条断言并发送给对方核实的操作可能需要数周时间。但Claude为他创建了个性化的事实核查文档，并将其格式化为电子邮件，以便消息源可以回应或澄清每个事项。“这基本上是一次性搞定，”他说。

他还让子agents将接近定稿的草稿与他的研究笔记本进行比对，并搜索网络。它们发现了一些涉及年龄的不一致之处——“你称这个人是30岁的AI研究员，但在2017年夏天，他应该是31岁”——还有头衔、加入公司董事会的日期等问题。有些发现是误报或漏报，“但这是一个好的开始，”Roose说。出版社付费的人类事实核查员接手了后续工作。

每个作家都需要自己的AI工作流程

正如没有单一的写作方式一样，也没有单一的“用AI写作”的方式。写作是一种个人行为，由成千上万个选择组成——关于受众、角度、风格、语气和框架的选择，有些是有意识的，很多是无意识的——这些选择汇聚成一篇完成的作品。AI又增加了一个层次：哪些任务委托出去，哪些自己完成，哪些与机器协作完成。

这些选择可能令人兴奋——也可能令人瘫痪。Every的职员作家 Katie Parrott 使用她的复合写作插件，将AI带入整个写作过程——从发展想法到句子层面的编辑。她用多个AI评审者测试自己的作品，决定采纳或拒绝哪些反馈，并保存有用的经验教训，让AI在她下一篇作品中采取更好的方法——这是一个高效创作高质量、有辨识度、说出她想法的草稿的框架。（想试试Katie的方法，可以查看她的复合写作插件。）

与此同时，我发现AI以无数人设站在任何决定的任何一边进行论证的能力让我不堪重负。对我来说，AI最清晰的用途是存储和调取写一篇文章所需的全部上下文。为了写这篇文章，我把最初的选题方案、访谈转录和相关文章上传到一个Codex线程中。当我需要核查某个说法或澄清措辞时，Codex会参考原始转录或支持文章来改进内容——或者至少列出可能的解决方案。

与我交谈的每一位专业人士都有自己详细的、独特的、仍在演进中的配方——将脑海中的想法和来自世界的调研转化为纸上的文字，或者448页的书。随着AI工具的发展，作家可用的选择也将会越来越多。

“手工精酿式的写作和新闻有它的空间，由我们可用的一切工具辅助的新闻——包括AI——也有它的空间，”Roose说。“适合我的方法不一定适合别人，这完全没问题。”

核心启示：AI与写作的关系不存在通用方案——每位职业作家都在研究、构思、起草、编辑和核查等环节中，以各不相同的方式划定AI参与的边界；用AI写作本身已成为一项需要培养的技能，其核心在于判断“何时让AI介入”以及“如何让AI介入”才能支持而非削弱自己的判断力。