Simon Willison 支持 AI 写作的一条硬规则：没有任何改写是无损的

Simon Willison 在 2026 年 8 月 11 日指出了 AI 辅助写作中的一个尖锐矛盾：更快的改写，可能会在不知不觉间导致沟通失真。

这一观点来自软件工程师 Sophie Alpert。她发布了一项在 Clay 工作期间制定的内部政策。该政策允许使用 AI 辅助工具，但要求人类作者对每一句最终文本负责。

这一标准挑战了人们对大语言模型（LLM）的一项普遍假设。许多人将改写视为一种修饰性操作：在改善语气、结构或语法的同时保留原意。Alpert 则认为，自然语言的任何转换都无法做到这一点。

每一次改写都会改变重点、暗示、节奏或具体程度。当改写系统缺乏原作者所拥有的细致心智模型时，风险会进一步扩大。

Willison 的支持之所以重要，是因为他已记录了 LLM 在软件开发中的许多高效用途。他并非反对 AI 辅助，而是在加快产出与外包判断之间划出界限。

因此，核心较量并不是人类写作与机器写作之争，而是便利性与忠实性之间的取舍，作者的责任则位于两者之间。

Simon Willison 放大了一项工程写作政策

眼前这件事不大，但它提出的标准适用于工程组织产出的每一份文档。

8 月 11 日，Willison 通过他的 AI 写作笔记 链接了 Alpert 6 月 25 日发表的文章。他称这项简短政策“非常好”，并强调了其核心的责任规则。

Alpert 为 Clay 的工程师制定了这项政策，随后将其作为 工程指导原则 公开发布。它涵盖头脑风暴、起草、校对、审阅和分享书面内容。

该政策并未禁止这些用途。相反，它要求作者确认每个想法和句子都准确表达了他们原本希望传达的内容。

Alpert 写道：“你必须对文档中的每一个想法和每一句话负责。”无论初稿由什么工具生成，这项要求都将作者身份归于分享文档的人。

在审阅过程中，这条规则会变得具体。如果同事询问某个句子的含义，将困惑归咎于 AI 系统并不能解决问题。是作者选择并传播了这些表述。

这一区别十分重要，因为工程文档往往用于协调影响重大的工作。技术规格说明会指导实现，事故复盘会影响未来的防护措施，状态更新会塑造人员配置或排期决策。

一条含糊的日常消息或许只会造成短暂误解。一项技术规格中含糊的要求，则可能扩散至代码、测试、接口和运维流程中。

Alpert 的标题概括了这一风险背后的机制。自然语言转换并非无损，因为措辞承载的并不只有明确陈述的事实。

句子顺序决定优先级。示例限制解释空间。限定语体现信心程度。删去一个保留条件，就可能将暂时性的观察变成看似明确的承诺。

LLM 可以生成更流畅的文字，却同时改变其中任何一个要素。即使内容对作者的表达不再准确，结果也可能显得更加精致。

因此，流畅性只能为忠实性提供很弱的证据。一段易读的文字仍可能包含被转移的主张、缺乏支撑的关联，或错置的重点。

Willison 关注的是归属与责任，而不只是披露。说明 AI 参与了起草或许能提升透明度，但并不能让一份误导性的文档变得有用。

读者仍需要一份值得信赖的文档。他们还需要一位能够解释其推理、捍卫其主张，并在受到质疑时修订内容的作者。

因此，这项政策改变了完成标准。文档并非在模型写完时就已完成，而是在作者理解并接受全部结果时才算准备就绪。

更快的起草将工作转移给读者

当作者节省几分钟，却消耗集体数小时的注意力时，AI 生成的篇幅会带来隐性的组织成本。

Alpert 认为，作者花在产出文档上的时间，应多于每位读者阅读它所花的时间。这一原则反映了职场写作中不对称的成本结构。

通常只有一个人创建技术文档，却可能有多位工程师、管理者、设计师或客户需要阅读。

作者节省五分钟，可能会给每位接收者额外增加数分钟负担。面对大型审阅群体时，节省下来的工作量会变成净损失。

当有人向 LLM 提供简短提示词，并几乎不加修改地分发更长的回复时，就会出现这个问题。作者实际上把解读工作委托给了受众。

读者必须找出真正的决策，将证据与填充内容分开，并判断哪些陈述代表作者的立场。他们还可能需要解决生成过程中引入的矛盾。

一份文档即便语法正确，仍可能造成这种负担。问题未必是文笔差，而是意图不明确。

工程师本就身处拥挤的信息环境中。他们需要在拉取请求、工单、设计文档、聊天线程、仪表板和事故频道之间切换。

加入看似合理但审阅不足的文本，会增加需要判断的材料数量，却不会自动增加有用知识的数量。

这不仅给个人贡献者带来压力，也给工程领导者带来压力。他们必须判断文档数量是在衡量沟通效果，还是仅仅记录了工具输出。

那些赞美更快起草、却不衡量读者投入的政策，偏向于可见的产出。它们忽略了解读、验证和纠正这些产出所需的后续工作。

Alpert 的标准扭转了这种激励机制。作者应承担一次性压缩文档的成本，因为之后每位读者都会从中受益。

同样的逻辑也出现在 Atlassian 于 2026 年 6 月发布的 写作指南 中。其品牌团队警告称，通用且未经验证的内容会像图像的反复复制一样，降低内部知识系统的质量。

这一比喻指向了第二种成本。薄弱的文档不会在首次阅读后消失。组织会将它们存入搜索索引、知识图谱、项目档案和 AI 检索系统。

一旦被存储，失真的摘要就可能影响后续决策。另一个模型可能会检索它、再次压缩它，并在缺少原始上下文的情况下呈现结果。

随后，组织将面对一连串有损转换。每一步都可能删去保留条件，同时增强机构权威的表象。

个人知识系统也面临同样的挑战。如果摘要不再保留某项决策的缘由，捕捉一切内容的价值就十分有限。

良好的 知识管理 依赖于来源可追溯性、上下文和检索质量。仅仅增加更多文本，并不能提供其中任何一种属性。

压力最集中地落在那些大规模消费文档的人身上。资深工程师、安全审阅者、高管和事故指挥官，往往需要审阅来自不同作者的大量材料。

他们无法重建每位作者隐藏的意图。他们需要提交的文档本身包含相关的区分与细节。

这正是“AI 写的”无法构成解释的原因。它说明了一种生产方式，却完全没有解决读者的问题。

被迫采取的回应并非一刀切地禁止使用。团队需要建立审阅预期，将 AI 输出视为未完成的材料，直到一位负责的作者正式采纳它。

即使事实得以保留，AI 改写仍会改变含义

核心取舍很简单：改写可以提升表层清晰度，却可能削弱语言与作者实际心智模型之间的联系。

自然语言无法像结构化数据格式那样，将内容与呈现形式清晰分离。措辞和组织方式都会帮助决定一项陈述的含义。

设想一名工程师写道：“缓存可能导致了延迟峰值，但部署变更仍是另一个合理因素。”

改写工具可能会返回：“延迟峰值由缓存导致。”这句话更短，也更有把握。但它已经是不同的主张。

另一种改写可能保留两个因素，却将部署放在前面。这种变化会影响哪项调查获得关注。

即使看起来中立的摘要，也会选择省略什么。它可能保留结论，却删去使该结论站得住脚的证据、不确定性或被否决的替代方案。

当提示词只提供一个粗略想法时，转换会变得更具风险。模型必须补充作者从未明确陈述过的衔接和假设。

这些补充可能构成一套读起来连贯、但实际上并未经过推理的论证。连贯性由此掩盖了作者责任上的缺口。

Alpert 将写作描述为一种思考形式。安排主张顺序、选择示例和回应异议的过程，能够暴露底层想法中的缺陷。

跳过这些工作或许能节省起草时间，却可能保留原有的混乱。作者在形成完整论证之前，就获得了一件看似完成的成品。

这一担忧尤其适用于工程规格说明。一份规格说明既是沟通工具，也是有人审视约束、替代方案和故障情形的证据。

AI 系统可以模仿这类文档的形态。它可以生成目标、架构、安全、迁移和开放问题等章节。

但这种结构并不能证明作者评估过这些主题。完整的模板可能掩盖不完整的思考。

因此，该政策区分了辅助与替代。头脑风暴可以揭示替代方案。校对可以发现别扭的段落。初稿可以帮助作者找到起点。

不过，人类仍必须决定哪些主张应被纳入、它们意味着什么，以及这份文档是否值得读者投入时间。

这并非事实性幻觉独有的问题。模型即便保留每一项被提及的事实，仍可能通过强调方式扭曲信息。

它可能弱化警告、强化预测、删去令人不适的例外，或以更宽泛的同义词替代精确术语。

语气转换同样承载含义。将直接的分歧改写成礼貌的企业语言，可能会掩盖原始信息背后的紧迫性或确定性。

翻译也存在相关风险。译文或许保留了核心命题，却改变了文化暗示、技术精确度，或建议在读者看来所具备的力度。

这些转换可以很有用。它们只是并非没有代价。

接受改写的作者需要将输出与预期含义进行对比，而不只是检查是否符合语法规则。这要求仔细阅读和领域知识。

随着生成文本变长，这种审阅会变得更困难。作者可能会略读看似熟悉的文字，忽视细微的语义变化。

精致的文风会造成自动化偏见，即人们因为系统自信地给出结果而倾向于信任它。流畅性会加剧这种偏见。

意义损失也会让后续检索变得更复杂。搜索和摘要系统通常会把简洁的陈述句排在细致讨论之前。

如果这句简洁表述夸大了原始来源，未来读者可能会先接触到这种失真。经过转换的版本实际上可能会在组织记忆中取代原文。

“没有无损转换”这句话不应被理解为要求永远保留每一句话。编辑仍然是必要的，而人工编辑同样会改变含义。

区别在于问责。人类作者可以有意识地决定保留、完善或删除哪些含义。

LLM 并不具备作者完整的意图。它只是基于可用上下文估计最可能的续写或改写。

这种机制可以产生出色的语言。它无法保证与仅存在于作者脑海、却未被明确表达的意图一致。

问责比识别 AI 文风更重要

与其试图识别哪些句子最初出自模型，团队从为最终论断指定责任人中获得的收益更多。

许多关于 AI 写作的讨论聚焦于检测。审阅者会寻找重复措辞、统一结构、夸张的过渡语，或熟悉的文体模式。

这些信号并不是治理的可靠基础。人类作者也可能写出泛泛而谈的文字，而经过谨慎处理的模型辅助写作则可以避开明显模式。

检测也瞄准了错误的结果。真正的操作问题在于：文档是否正确、有明确目的、能够解释，并且值得阅读。

完全由人撰写的初稿也可能无法通过这些检验。如果作者认真核实并采纳其中的每一部分，大量借助辅助工具的初稿也可以通过。

这并不意味着披露无关紧要。有些场景要求披露，因为读者需要了解制作过程，或评估潜在利益冲突。

学术出版就是一个例子。Elsevier 现行的作者问责规则允许辅助性使用，同时要求人工监督、核实和披露。

其政策还指出，AI 工具不能获得作者身份，因为作者身份承载的是属于人的责任。这一逻辑与 Alpert 的职场标准高度一致。

新闻机构也采取了类似立场。美联社更新后的新闻编辑室标准允许有限度的辅助，同时保留编辑监督和既有报道要求。

这些政策的范围各不相同，但它们共享一项务实洞见：工具无法为已发布的论断承担专业问责。

工程团队可以将这一洞见转化为审阅行为。署名作者或文档负责人应能回答相关问题，而不应把生成的段落当作可以推卸责任的意外产物。

审阅者应质疑缺乏解释的确定性、缺失的证据和模糊的建议。他们不应把有限的注意力花在猜测究竟是哪种工具生成了这些文字上。

组织还需要保护机密信息。团队即使写出了准确的文字，也可能因将敏感代码、客户数据或内部计划发送给不合适的服务而违反政策。

这一问题与语义保真并列，而不是取代它。负责任的 AI 写作政策必须同时覆盖信息处理和最终作者责任。

Fast Company 的编辑政策体现了这种更广泛的方法。它要求进行实质性的人工编辑，并涵盖工具保留设置、机密内容和问责问题。

困难的问题在于，什么才算足够的审阅。快速通读可以确认一段话听起来合理，却无法确认其中的每一项含义。

团队不应假装这个门槛存在完美的量化测试。审阅深度取决于文档的用途及其潜在后果。

一份轻松的会议纪要所需审查少于一份事故报告。面向客户的安全声明比内部头脑风暴笔记需要更多审阅。

最稳妥的原则是让责任与影响相匹配。作者应根据误导性句子可能造成的伤害，核实事实、论断和承诺。

清晰的溯源信息可以支持这一过程。当这些材料能说明结论如何形成时，团队可以保留来源注释、决策记录、关联证据和早期草稿。

可搜索的技术知识库可以让源文档与摘要保持接近。这种邻近性有助于读者检查上下文，而非仅仅信任压缩后的文字。

不过，溯源信息无法挽救一份其负责人从未真正理解的文档。链接提供证据，但仍需有人判断这些证据支持什么结论。

对 Alpert 政策持怀疑态度的人可能认为，要求对每个句子承担责任会阻碍有益的辅助。一些作者在获得结构或语言支持后，能表达得更好。

非英语母语者可能尤其受益于提升清晰度的工具。残障人士可能将生成或改写功能用作无障碍辅助。

这些益处是真实的，而该政策并不要求脱离辅助独立写作。它要求作者在充分理解的基础上采纳最终结果。

然而，审阅每一句话的负担可能接近从零开始写作的负担。对某些任务而言，这会削弱效率优势。

这未必是该规则的缺陷。它揭示了所谓生产力提升来自何处：将认知工作转移给读者或审阅者。

不确定之处在于，未来系统能否在不削弱保真的前提下降低审阅负担。更好的上下文、来源链接和可追踪的语义变化或许会有所帮助。

这些功能都无法完全观察作者从未表达的意图。作者必须始终处于验证闭环之中。

这项政策划定的边界优于全面禁止 AI

一项有用的政策应区分可接受的辅助与无人负责的输出，而不是把与 LLM 的每一次互动都视为等同。

全面禁令容易表述，却难以执行。AI 功能已经出现在编辑器、通信平台、搜索工具和操作系统中。

禁令还会把差异很大的行为混为一谈。检查语法与根据一句提示生成事故分析，所承载的风险并不相同。

Alpert 的框架允许头脑风暴、起草和校对。其边界似乎出现在材料成为向他人作出的论断之时。

这种方法既赋予工程师灵活性，又保留了可识别的责任人。它也符合团队处理其他协作形式的既有方式。

工程师可以接受同事的修改，但文档负责人仍须批准最终版本。审阅者的建议不会自动转移作者身份。

同样的逻辑也适用于 LLM。在作者审查并采纳之前，它的建议始终只是候选表述。

团队可以通过几个审阅问题将这条边界具体化。

作者是否理解每一项论断？作者能否解释每一部分为何存在？不确定性和替代方案是否被准确呈现？

文档是否引用了作出重要决策所需的证据？更短的版本是否会更好地服务读者？

这些问题评估的是输出，而无需对起草过程进行取证式重构。它们同样适用于没有使用 AI 生成的文档。

当模型改写既有文字时，修订跟踪可以提供帮助。作者可以检查删除、添加和被改动的限定条件，而不必凭记忆比较两份长文档。

提示模型保留不确定性可以减少明显失真。提供源材料也能让缺乏依据的新增内容更容易被识别。

这两种方法都无法让转换变得无损。它们改善的是人工审阅的条件。

更强的工作流要求作者先从具体笔记、决策和证据开始。随后，模型处理的材料已经反映出大量思考。

这不同于根据简短提示请求一份完整规范。前一种工作流辅助表达；后一种则要求模型构建大部分推理。

这种区分并不总是清晰。起草与思考相互作用，而模型生成的问题也可能触发真正的洞见。

所有权规则比任务清单更能处理这种模糊性。无论洞见通过何种路径产生，作者都必须理解并捍卫最终表述。

管理者也应避免只通过文档产出来衡量成功。更多的规范、更新和摘要并不保证决策更快或更好。

有用的衡量指标包括审阅时间、澄清请求、重新开启的决策、事实更正以及下游实施错误。

政策还应定义低风险例外。明确标注的模型输出可能很有用，例如团队希望审视由工具生成的想法时。

Alpert 明确允许逐字使用 AI 输出，前提是将其标识为此类内容。这样一来，读者就知道自己评估的是一项建议，而非作者已确定的立场。

该标签改变了对话契约。作者是在呈现一个供讨论的对象，而非宣称拥有其推理的责任。

这种区分避免了一种常见失败。团队不应仅仅因为暂定的生成文本出现在正式文档中，就将其视为决策记录。

因此，最佳边界取决于沟通状态。草稿、问题和实验可以保持暂定状态。

规范、复盘、建议和公开声明需要可问责的负责人。它们的语言会引导行动，并塑造机构记忆。

Simon Willison 的 AI 写作规则关注什么

下一项考验在于，工程团队是否会建立保留意图的工作流，而不只是更快地生成更整洁的文字。

第一个信号是工程组织内部明确作者责任规则的普及。有效的政策会明确谁负责生成的论断，以及何谓完成审阅。

如果更多团队采用这一标准，Willison 和 Alpert 的论点就会获得实践支持。这将表明，组织将语义保真视为一个运营问题。

如果团队能以更轻的审阅实现可靠沟通，且更正数量没有增加，这一判断就会减弱。该结果将表明，当前担忧夸大了成本。

第二个信号是产品对语义审阅的支持。写作工具可以显示发生变化的论断、被删除的限定条件、缺乏依据的新增内容，以及确定性程度的变化。

普通修订跟踪会显示被修改的词语。更有用的系统则应解释提议的改写如何改变了论证。

如果这些能力变得可靠，AI 辅助便可以在不隐藏转换过程的情况下节省时间。作者仍对输出负责，但能够更有效地审查它。

如果工具在没有透明证据的情况下声称保留了语义，这一论点就会减弱。仅凭置信度标签无法证明改写符合作者私人的意图。

第三个信号是下游文档质量。团队应关注澄清量、审阅时长、事故后续跟进，以及摘要与源记录之间的冲突。

精修文档增多、同时更正也增多，将支持“有损转换”这一论点。这表明，表面质量掩盖了沟通债务。

稳定或改善的结果并不能证明改写是无损的。它们只能说明，人工审查和更好的工具能够成功管理这种损失。

读者还应关注 AI 检索如何改变事态的重要性。内部助手越来越多地根据已存储的规范、会议记录和状态报告来回答问题。

因此，一份薄弱的文档影响的可能不止其最初受众。它还可能成为未来生成回答中被检索到的证据。

这种放大效应使源材料质量变得重要。组织需要有办法区分已经审查的决策、临时草稿和生成式建议。

Simon Willison 的介入为这种环境提供了一个有用的标准。该用 AI 时就用，但不要把生成内容的流畅性误认为已经采纳的思想。

在分享一份由 AI 协助完成的文档之前，先问问自己：是否无需将责任推回给模型，就能解释其中的每一行。然后删除所有你无法为之辩护的内容。

保留重要主张背后的证据，让不确定性保持可见，并向读者提供支持该决策所需的最简短文档。将最终文本视为你自己的作品。

实际的问题不在于 AI 是否参与了文档，而在于经历每一次转换之后，文档是否仍然承载着你的本意。