陈陈读书2026年了，论文写作圈里DeepSeek早不是什么新鲜词。但最近我被问得最多的不是“DeepSeek怎么帮我写论文”，而是“我用DeepSeek写的初稿，学校AIGC检测一查，AI率85%，删了重写还是压不下来，怎么办？”先说清楚一个概念：这里的“AI率”并不是抄袭率，也不是机器给出的“实锤”，而是检测系统根据语言统计特征给出的“疑似AI生成内容”的概率。它经常被用于初筛和预审，但很多人没意识到，自己是被“AI腔”坑了，而不是被AI工具坑了。
我自己的论文写作和投稿前的手稿修改，已经大半年都在用DeepSeek辅助，从本科毕业论文到小论文都跑过。最初同样翻过车，后来我把流程固定成“提示词重构—人机协同改写—真实信息回填”三个动作，基本能在10分钟内把一大半模板味重的内容拉到正常区间。这篇文章我会把背后的原理、可复制的提示词、具体操作步骤以及踩过的坑全部拆开讲，适合正在写毕业论文、准备投稿，又希望保留AI生产力的同学。同时开头就必须说明：本文只讨论“在符合学术规范的前提下，让AI辅助产出的文字更接近人类作者的真实写作状态”，不鼓励用AI完全代写、伪造数据或规避学术审查。
1. 先弄明白：AI率到底在检测什么
1.1 检测器找的不是“AI写的”，而是“像AI写的”
市面上主流AIGC检测系统虽然不会公开全部算法，但从其公布的技术原理和大量研究者逆向分析来看，核心逻辑大同小异。它们会计算一段文本的困惑度，也就是“这段话的每个词，对于一个语言模型来说是不是太容易被预测”。人类写作经常会出现意料之外的跳跃、犹豫、强调和补充，这些地方会让文本的困惑度提高；而大模型生成内容时，天然倾向于沿着最高概率路径往下写，所以困惑度通常偏低。
还有一项重要指标是句长和节奏的“突发性”。这个词最早来自GPTZero这类工具的技术说明，意思是人类写作的句子长短波动较大，有人习惯一句话写到三行，下一句可能只有几个词，这种波动是自然语流的一部分。大模型则容易保持一种均匀的节奏，句子长度和结构分布非常平稳，读起来流畅，但缺乏真人写作时那种“脑子在一边想一边写”的起伏。
另一个维度是重复度，不只指完全重复的句子，还包括结构重复。比如连续七八个句子都是“主语+的+名词+正在/日益+动词+名词”，或者每段第一句永远是中心句，最后一句永远是“由此可见”。检测系统对这类高度规整的段落非常敏感。所以你可能会发现一个奇怪现象：一篇全是常见观点、没有具体案例和数据的文章，哪怕每个句子都通顺，AI率反而很高；而那些包含“我在调研中遇到的一个案例”“某参数第一次跑出来的结果异常”的文章，会更接近人工书写的统计特征。
1.2 DeepSeek为什么默认就容易写出“高AI率”文本
DeepSeek本身是很强的中文文本生成模型，但它有一个默认倾向：当你只给一个笼统题目时，它会生成“最平均的学术文本”。这种文本有非常明显的三个特征：第一，段落结构高度套路化，开头宏大背景，中间排比观点，结尾升华意义；第二，频繁使用“赋能”“助力”“在……的背景下”“综上所述”“不可忽视的是”这类公共连接语；第三，信息密度低，一段读下来好像说了很多，但找不到任何只有作者本人才能提供的具体经验。
我拿一个很典型的例子说明。你用DeepSeek写一段教育技术相关论文，它很可能输出这种段落：
“在当今数字化浪潮的推动下，教育领域正经历着前所未有的深刻变革。大数据、人工智能等新兴技术日益成为推动教育高质量发展的核心引擎。在此背景下，如何实现技术与教育的深度融合，已成为亟待破解的重要课题。”
这句话单独看有没有错？没有。但问题在于，任何语言模型读完前半句，都能高概率预测出后半句，因为这是语料库里出现频率极高的搭配。检测系统看到的不是“内容好不好”，而是“这段话的每个词有没有让人意外”。当一段话从头到尾都处在“可预测区间”时，被标记为AI生成就是很正常的事了。
你还要明白一个残酷的事实：检测系统并不在乎你用的是不是DeepSeek、GPT还是其他模型，它只在乎文本统计特征。不少同学试图让DeepSeek“把这段话重新写得更像人类”，但这样做的结果往往是模型又在生成一个新的、同样平均化的版本。后面我会详细解释为什么越改越糟。
1.3 “AI率15%”不是玄学，而是让文字进入人类写作的波动区间
经常有人问，为什么指标是15%，不是0%？我的理解是，真实人类写作中也存在一些句子，会被模型误判成AI生成，所以追求无限接近0反而不现实。合理的目标是把“人工味较重的摘要引言”和“明显像AI的排比段落”处理掉，让整体文本进入人类写作的正常波动范围。
还有一个容易忽略的事实：不同检测系统对同一段文字的判定结果可能差异巨大，有的系统只看摘要和正文，有的系统会分析标题、图表标题和参考文献，有的系统对综述类的文章误判率偏高。所以任何告诉你“保证降到15%以下”的万能工具都值得警惕。我这篇文章后面给的方法，目标是降低文本中被检测系统视为“机器高概率输出”的成分，而不是保障某一个具体软件的输出结果。最终以你所在学校或期刊指定的检测系统为准。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 第一招：提示词重构，让DeepSeek先当架构师，而不是代笔
2.1 直接让AI“写一段”是最差的开局
很多人拿到论文题目后，习惯性输入“帮我写一下关于XX的论文引言”。这个动作本身就是在把写作中最需要作者判断的部分——观点结构、研究动机、文献选择——完全交给模型的概率输出。模型不知道你手头有什么数据，不知道你导师强调过什么，更不知道你在实验室或调研里经历过什么，它能做的只是把大约一万篇相关论文的公共表达重新组合一遍。
这种方式的直接结果就是：开头宏大、中间空洞、结尾正确但没有任何参考价值，AI率还特别高。所以第一招的核心，不是让模型“不写”，而是让它用另一种方式参与写作：先做分析和规划，再由你来完成需要独立思考的内容。我一般会让DeepSeek扮演三种角色，分别对应论文写作的三个阶段。
2.2 三种提示词模板，覆盖论文初稿前的核心环节
模板一是“先给架构，再谈写作”。当你连论点主线都没定清楚时，不要让它写段落，而是让它列出多个论证主线的优劣。我在写文献综述前最常用的是这个：
text复制我现在要构思一篇关于【XX主题】的论文，读者是【专业领域学者/普通期刊审稿人】。
先不要直接给我写正文。请帮我做两件事：
1. 根据题目列出3条可能的核心论证主线，每条主线说明它的优势、风险以及需要什么证据支撑；
2. 从3条中推荐1条，并把这一条细化成三级大纲。
等我对大纲确认后，我们再来讨论具体小节内容。
这样做的好处，是把“决定文章走向”的权力留给你自己。模型给出的是建议和结构，你负责选择和调整。大纲确认后，你再按小节喂给它更多材料和背景，产出的段落会明显更有针对性。
模板二是“编辑批注，禁止改写”。这是我自己最常用、也最推荐的一个功能。当你已经写好一段初稿，觉得语言不够顺，想用DeepSeek润色时，千万别直接说“帮我润色一下”。试试这个：
text复制以下是我自己写的段落。请以学术期刊编辑的身份，只给出批注和建议，不要修改我的任何原句：
- 指出哪些句子表达太笼统，缺少证据或案例；
- 指出哪些地方逻辑跳跃，需要补充过渡；
- 指出哪些词太口语或太绝对，不适合学术写作；
- 指出哪些句式和连接词出现频率过高；
- 不要给我重写版本，不要替换我的句子。
[粘贴你的草稿]
为什么这么强调“不要改写”？因为我后来发现，AI润色的本质就是语言模型对文本做一次概率平滑处理：把你那些有个人风格但稍微拗口的句子，全部替换成更“标准”的表达。你本来只是想让语言顺畅一些，结果整段的统计特征反而更接近AI了。反过来，让模型只批评、不修改，等于拿到了审稿意见，你再基于自己的理解动手改，既保留了个人风格，又提高了论文质量。
模板三是“模拟审稿人，提出尖锐质疑”。这个很适用于论证薄弱的地方。把段落贴进去，让模型先提5个最刁钻的问题，你逐个回答后，再决定要补充什么内容。这比“帮我丰富这段”要有效得多。
2.3 在提示词里提前做“排雷”，减少无效输出
除了换角色，你还可以在给模型的指令里直接限定一些写作规则。我常用的规则包括：不使用“首先、其次、最后”作为每段开头；不堆砌“赋能、助力、数字化浪潮”这类空泛概念；每段必须有至少一个具体例子、数据或作者观察；允许句子长短错落，不必每句话都完整展开。把这些要求写进系统提示或对话开头，会让DeepSeek从一开始就少踩模板雷区。
还有一个非常好用的技巧：让模型以“最低完成度草稿”而不是“成稿”为目标。我有时会这样输入：“请把这段想法写成一篇初稿的最低完成度版本，允许句子之间信息落差大，不要每句都圆回来；在需要实验数据或访谈素材的地方，用【待补充：具体样本数量】这种占位符标出来。”模型一旦被允许“不完美”，它就会跳脱出追求平顺的惯性，输出的文本反而更接近人类的工作底稿。
3. 第二招：人机接力改写，打破“句句完美”的AI舒适区
3.1 让AI改稿之前，先让它做“逻辑体检”
第二招解决的场景是：你已经有了初稿，可能是DeepSeek生成的，也可能是自己写的但后来用AI顺过一遍，现在AI率偏高。这时候最忌讳的是又贴回去让它“降重”。我建议你先做一次“逻辑体检”，而不是语言润色。
具体操作是，把一段文字丢给DeepSeek并问它：“请找出这段里哪些句子没有信息增量，也就是删掉后不影响任何论证的句子；以及哪些句子存在‘看起来像论证，实际只是概念替换’的问题。”比如原文写“技术的深度融合可以全面提升教学质量”，模型可能会指出：“全面提升”是个价值判断，但没有说明是什么教学场景、什么指标、与哪个对照组相比。这就是逻辑体检的价值。
做完体检后，你得到一份问题清单。接下来发生的改写必须由你完成，至少核心句子要由你重新组织。你可以问自己：“这段话如果让我在课题组例会上口头讲，我会怎么说？”然后按口头表达的方式先写下来，再调整书面化程度。用自己脑海中的表达替换AI的“标准书面语”，是降低AI率最稳定的一招，因为每个人讲话都有自己独特的停顿、强调和连接习惯。
3.2 改写的关键一招：把抽象概念拉回“可感知的现场”
很多AI率高的段落，问题不在于语法，而在于太“正确”太“光滑”了。一个非常有效的改写方法是：把抽象论点重新落到一个可感知的具体场景里。
我拿一个前面提到过的例子来做改造演示。初始版本可能长这样：
“教育数字化转型已成为当前教育改革的重要方向。随着新一代信息技术的发展，课堂教学形态不断变革，混合式教学、智慧课堂等新型模式层出不穷。上述变革既拓展了教学时空边界，也对教师数字素养提出了更高要求。因而，构建多维度的教师数字素养提升机制已成为当务之急。”
这段文字问题很典型：每个分句都能在网上找到大量相似的近义表达，模型预测起来毫无压力。现在做三步改造：
第一步，问自己“我有没有见过一个具体的课堂案例”？有的话，把它写进去。比如：“在某区教师培训中，我注意到一个有意思的差异：部分教师每周都会用在线平台布置分层练习，并追踪每个学生的错题数据，而另一部分教师只有在教研展示课那天才打开系统。”
第二步，把“技术带来变革”这种结论改成“有条件的判断”。例如：“技术进课堂并不自动等于教学改进，真正起作用的，可能是教师是否愿意为额外的数据整理工作付出时间成本。”
第三步，把“因而罗列对策”改成“目前看来，问题不在于要不要用技术，而在于如何降低教师的使用成本”。改造后的整体版本会变成这样：
“在某区教师培训中，我注意到一个明显差异：部分教师每周都会用在线平台布置分层练习并追踪错题数据，而另一部分教师只在教研展示课当天打开系统。技术进入课堂并不意味着教学自动改进，真正起作用的，可能是教师是否愿意为额外的数据整理工作付出时间成本。考虑到一线教师本身承担大量非教学任务，任何数字素养培训如果无视这种成本，很可能只会停留在操作演示层面。”
这版并不刻意追求“不像AI”，它只是多了几个“只有作者才写得出来”的细节和限定性判断。检测器天然对低概率词汇组合更宽容，因为真人写作就是充满了这种“不太容易被预测”的现场信息。
3.3 长句与短句重新配比，减少“无缝衔接”的AI感
大模型生成的长段落，即使每句话都通顺，也容易让人觉得少了一点呼吸感。人类写作经常会出现短句、插入语、甚至带有个人色彩的括号补充，这是真实思维活动留下的痕迹。所以在改写时，可以有意识地调整句子的节奏。
比如把一个由四个长句组成的段落重新断成“长—短—长—短”的结构。短句要去承担“核心判断”，长句则承载背景或论证条件。举个例子，原文“该算法在传统模型基础上引入注意力机制，有效提升了长序列建模能力，同时降低了计算复杂度”可以改成：“该算法在传统模型基础上引入了注意力机制。效果体现在两个地方：一是长序列建模能力提升，二是计算复杂度下降。”这种拆分并没有破坏学术表达，但句子的节奏不再是一个模子刻出来的。
同时要控制连接词密度。AI特别爱用“不仅……而且”“与此同时”“由此可见”“因此可以说”，几乎每隔两三句就来一个。真正的人类学术写作，连接词使用频率比很多人想象中低很多，很多逻辑关系是通过内容自然呈现的。你可以做一个简单的查词操作，把“不仅、而且、因此、由此可见、综上所述”在全文里搜一遍，连续三行内出现两个以上时，就必须手动删改其中一个。
4. 第三招：把论文的“真实信息层”还给论文
4.1 检测器最难判断的，是“只有作者才知道的私有信息”
为什么同样是用DeepSeek辅助，有人生成的内容AI率很高，有人生成的内容却相对安全？区别大致在于论文里有多少“不为大众语料所覆盖的私有信息”。AI模型学习的是公开语料中的公共概率，任何一个人都可以预测“教育数字化转型”后面可能接什么。但它无法预测“我在某中学跟踪了三个月的那位张老师，每周五会手动导出班级错题并逐条批注”这句话，因为这句话在全局语料里出现的概率趋近于零。
这就是“真实信息层”的价值。当一段论文里包含你自己调研的具体时间地点、仪器型号、访谈对象职业、实验失败原因、数据清洗过程等信息时，检测器就很难从历史语料中找到足够高的概率路径来判定这是AI生成的。反过来说，哪怕你再怎么变换句式，只要内容全是“数字化背景下教育面临的挑战”之类的公共知识，检测器依然很容易识别出来。
4.2 不同学科怎么补“真实层”：理工、社科、人文各有打法
理工科论文相对容易办。实验部分不需要刻意雕琢，只要把论文里最真实的“科研过程”写清楚就行。不要只写“实验最终成功”，可以加一句“第一批样本在低温运输后出现溶血，因此全部重新采集”，这种细节既体现了科研工作的真实性，也是审稿人喜欢看到的严谨态度。样本纳入排除标准、仪器校正方式、异常值处理逻辑，都是只有你才掌握的一手信息。
社科类论文的真实信息层来自研究过程本身。问卷是线上还是线下发放的？回收率是多少？无效问卷怎么判断的？访谈对象是怎么抽样到的？在调研现场你遇到过什么出乎意料的情况？这些细节比任何理论铺垫都更能说明研究的可信度。尤其当你在论文里写出“在第七次访谈后，我们发现前六位受访者反复提到的‘信任’一词与文献中的定义并不完全一致”时，文本的每一个词都带着强烈的作者在场感。
人文学科的文本可能更偏重思想阐释，但也有“真实层”可以补。你读的是原著中文译本还是原版？某个术语你最终决定译成什么，为什么没有采用通行的译法？在阅读某段史料时，不同版本之间有哪些文字差异影响了你对它的解释？把“文本选择的犹豫”写进去，论文就不再是冷冰冰的结论汇编，而是一段真实的研究者思想历程。
要特别提醒一句：以上所有“真实层”必须来自真实研究材料。如果只是为了把AI率降下去而编造实验失败细节、虚构访谈记录、伪造观察日志，这已经属于严重的学术不端。宁可如实写出研究的局限，也不要为了过检测而造假。
4.3 文献综述要有人为的“取舍痕迹”，而不是AI信息拼图
还有一个重点要让初学者注意：文献综述部分是AI率高发的重灾区，原因是很多人让AI直接帮忙整理文献，输出了一堆“张三认为……，李四指出……，王五强调……”的机械串联。这种写法的问题在于，它看起来像综述，实际只是让文献名字排队出场，没有体现作者本人的选择和判断。
我建议用前面第二招的“编辑批注”方式处理文献段落。先让DeepSeek检查这段话中引用的文献之间是否存在真实对话？它在输出时很可能只是把几篇摘要合并。然后你自己补充为什么选择这几篇而不是另外几篇——它们是否代表同一个学派？是否存在结论冲突？你站在哪一边？这就是“取舍痕迹”。
这里还有个非常现实的问题：AI生成的参考文献列表经常包含半真半假的条目，作者名和年份看起来没问题，但文章实际不存在或主题对不上。遇到这种情况，务必逐条检索原始文献，逐条核对。任何不真实的引用一旦被审稿人发现，整篇论文的可信度都会垮掉。这也是学术诚信红线的一部分。
5. 10分钟降AI率的完整实操流程
5.1 前2分钟：先用高频AI腔词表给全文做“体检”
操作流程并不复杂，但需要按分钟来安排节奏。前2分钟先不急着改，拿一份高频AI腔词汇表在全文里快速过一遍。我平时常用的检查词包括：赋能、助力、日益、亟需、在……的大背景下、不可忽视的是、综上所述、总而言之、不仅……更……。这些词不是绝对不能用，但它们多次出现可以视为“机器味”的信号。
建议先用编辑工具的查找功能，统计每类词在全文中出现的次数。当一段文字里有两处以上这类标志时，不要再逐词替换，而是直接把整段选中标记为“待重写段落”。因为这说明问题出在段落的结构层面，局部换词解决不了统计特征问题。同样的逻辑也适用于那些以“随着……的发展”“近年来……日益受到关注”开头的段落，它们基本都是可预测文本的起点。
我一般会做一个简单的表格记录排查结果，按“段落位置、主要问题、是否重写”三列来管理。重写优先级依次是：标题与摘要、第1段引言、文献综述的结尾、结论部分。这些位置是审稿人重点阅读区域，也常常是检测器红框最密集的区域。
5.2 第2到第5分钟：让DeepSeek以“要事实，不要空论”的方式限时改稿
找到问题段落后，不要进行无限制的逐句润色。打开DeepSeek，贴入段落，然后发送这样一条处理指令：
text复制请帮我处理下面这段文字，规则是：
1. 删掉所有不承载信息的概念性描述；
2. 找到每一个论证环节，判断它是否已经提供了可验证的证据；
3. 把缺乏证据的句子标记为【需要补充：具体实验/数据/案例/访谈细节】；
4. 不要改动专业术语，不要添加原文不存在的新观点；
5. 不要使用“赋能”“助力”“综上所述”等高概率连接词。
[粘贴段落]
处理完后，你会得到一段带着若干“待补充占位符”的文本。接下来你要做的不是对AI的结果满意或不满意，而是把那些占位符当作给自己的写作任务清单，逐个往里填真实内容。这一步就是前面几节讲过的“信息回填”，是整条流程里最核心的动作。有的同学会问：如果我没有这些数据怎么办？答案很直接：去补做实验、补调研，或者如实在论文里缩小结论范围。任何占位符都不能靠编造内容填进去。
5.3 第5到10分钟：把最重要的段落改成“研究者手记”
如果时间有限，请把最后5分钟留给摘要和结论。这两个部分不需要全部重写，你只需要完成一件事：把结论中那些“百分之百确定”的绝对化表述，替换成有条件的专业判断。
AI的默认口吻是确定性的，比如“本研究证明”“结果表明，能够有效提升”。但真实学者更常使用“在本次研究条件下”“从当前数据来看”“本研究结论仍需更大样本进一步验证”这类有限定语的表达。这既是学术表达规范，也符合很多学科的写作惯例。我通常会保留论文核心结论，但有意识地把“研究结果说明”改成“本研究的结果至少表明了一种趋势”等更谨慎的说法。
第5到10分钟里，我会重点把摘要的最后一句话改掉。AI特别爱用“以期为……提供参考和借鉴”式的结尾，这种句子翻译成白话就是一句废话。换成类似“结合上述结论，本文建议……”或“仍然存在的未解问题是……”会更有人味。尤其是主动指出自己研究不足的句子，几乎不可能被误判成AI——因为这是作者真正思考过后才写得出的东西。
5.4 如果你会写代码：用DeepSeek API做批量“人味体检”
如果你的论文长度很大，或需要反复处理多个章节，手动复制粘贴比较费时间。DeepSeek API的用法和调用OpenAI接口很接近，可以用一个小脚本做批量“AI腔体检”，把疑似有问题的句子先筛出来。这里给一个最简示例，注意不要在公开仓库提交密钥。
python复制import os
from openai import OpenAI
# 请先设置环境变量 DEEPSEEK_API_KEY
client = OpenAI(
api_key=os.environ.get("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com"
)
def ai_flavor_check(text: str) -> str:
resp = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "你是学术写作编辑助手。请找出给定文字中容易被AIGC检测器识别为机器生成的具体句子，说明原因。只做检查和批注，不要改写整段。"},
{"role": "user", "content": text}
],
temperature=0.3
)
return resp.choices[0].message.content
if __name__ == "__main__":
paragraph = input("请输入需要检查的段落：")
print(ai_flavor_check(paragraph))
脚本的原理并不复杂：用一个固定角色设定，让模型对文本进行“机器味风险批注”，而不是直接改写。这样做的好处是你依然保留改写权，且每次处理的是同一套批注标准，不会因为个人输入的差异导致判断标准漂移。
如果你已经习惯把DeepSeek接入自己的编辑器或自动化工作流，也可以把类似的检查脚本改成批处理模式，一次处理一整章，输出一份《疑似高危句子清单》。需要提醒的是，模型返回的结果只是模型的主观建议，不能替代学校或期刊的正式检测工具。另外，用DeepSeek API时如果遇到与“深度思考”相关的多轮对话报错，最常见的解决办法是在第二轮回传时携带上一轮的思维链内容，或者像我上面的示例一样直接使用非思考模式的普通对话模型，普通对话模型对批量检查文章段落已经足够。
6. 避坑记录：那些用DeepSeek写论文的常见翻车现场
6.1 常见问题速查
| 问题现象 | 根本原因 | 我的处理办法 |
|---|---|---|
| 让AI一遍遍“写得更像人”，AI率不降反升 | 每次改写都是模型重新做一次高概率输出，反复改写等于反复强化模板特征 | 改变写为批注，让AI提修改意见，核心句子自己动手改 |
| 摘要和引言被整段标红 | 这两个位置最缺少具体信息，最容易使用宏大叙事模板 | 把宏大开头全删，改成“研究问题+样本+主要发现+关键限定”的直给结构 |
| 文献综述像AI拼盘 | AI只做了摘要拼接，没有取舍和观点冲突 | 让AI标出文献矛盾点，亲自去读原文，加入“为什么选这几篇”的取舍逻辑 |
| 用了检测工具推荐的“一键降AI率”功能，越降越糟 | 很多降AI工具本质是同义词替换，会破坏术语一致性，还形成新的机器痕迹 | 不再用同类工具，改为“提示词规划+信息回填+结论限定” |
| API脚本报错 | 常见是模型名、base_url配置不当，或深度思考模式下的多轮上下文处理不当 | 检查请求字段；优先使用普通对话模型；确保密钥从环境变量读取 |
6.2 几次翻车之后，我总结出的几个硬经验
用DeepSeek辅助论文时间长了，你会发现“AI率”只是一个信号，真正值得在乎的是文字里有没有作者自己的判断。我经历过一次特别典型的翻车：有一篇手稿初稿全是我自己写的，只是用AI顺了一下摘要里的几个病句，结果整段摘要的AI率反而从正常水平飙到很高。问题很可能出在“AI顺病句”时，把整句的措辞又拉回了最常见、最可预测的书面语模式。从那以后，我改稿的逻辑彻底变了：AI只用来做定位和批注，凡是涉及关键句子的措辞，一定是我手动操作。
另一个深坑是强行把AI率压到“零”。我见过有同学把引言重新写了六七遍，最后文字变得又硬又干，