AI网文写作实验笔记（三）：三轮1541篇样本测完，约束到底能管住AI的笔吗？

AI网文写作实验笔记（三）：三轮1541篇样本测完，约束到底能管住AI的笔吗？

这篇文章会回答三个问题：

1. 在提示词里堆约束，3条、12条、50条，AI味到底能降多少？哪类约束在干活？
2. 50条约束丢下去，模型真的在遵守50条，还是只挑了容易的做做样子？
3. 100篇无约束基线揭示了模型怎样的默认写作模式？

一、 承接上一篇

承接AI网文写作实验笔记（二）：跑多少次，才敢说提示词是真的有用？。

Part 2 我们测清了两件事：AI输出的随机波动有多大（最好和最差差3.4倍），以及给AI喂多少上文最合适（300字摘要+上一章，事实错误率最低）。

有了这个基线，Part 3 我们进入提示词工程最核心的战场：约束条件。

平时写文时，我们总喜欢在提示词里堆满要求–“不准用突然”“不准写瞳孔骤缩”“对话必须单独成段”“每段不超过3行”……这些约束加得越多，到底会让AI写得越好，还是越死板？3条和50条，效果差在哪？禁词、技法、格式，哪类才是真正在干活的？

为了搞清楚这些问题，我跑了三轮实验：

三轮合计1541篇。

⚠️ 前置说明： 本文所有实验均在 温度0.7、deepseek-v4-flash模型、同一个场景、单次生成任务下进行。不同模型、不同温度、不同任务的结论可能不同，请勿盲目外推。

二、 第一轮：约束越多，AI味越低？

第一轮实验很简单：把约束数量做成梯度，看AI味怎么变。

先跑了5组pilot（A/B/C/D/E对应3/6/12/25/50条，各12篇），确认趋势后挑3个代表点做full run：3条（A）、12条（C）、50条（E），各100篇，共300篇。编号沿用pilot标签，所以没有B和D。每次抽到的约束内容固定不变，确保只有一个变量。

指标说明： AI腔/千字 = 用自动检测脚本扫描每篇文本，统计命中的AI套话数量（如"眼中闪过一丝"“嘴角勾起一抹”“心中暗道”"仿佛X般"等共14类、上百个模式），除以总字数乘以1000。12.73意味着平均每千字匹配到12.73个AI套话。禁用词/千字同理，统计的是约束池中明确禁止的词汇出现次数。两个指标越低越好。

事实错误率： 由LLM自动检测，对照设定文件逐篇扫描。角色身份、地点、能力、关键设定信息与原文不一致算错误；风格漂移、措辞偏好不算。

约束越多，AI腔确实越低：从3条的12.73降到12条的9.41，降幅26%。但50条只比12条多了0.44，基本到顶了。

禁用词/千字同步递减：0.57→0.31→0.22。约束越多，单个禁用词被使用的概率越低。这说明模型确实在努力遵守禁令，只是遵守禁令不等于改善风格。

但事实错误率同步上升：从3条的26%涨到50条的56%，翻了一倍多。约束越多，模型注意力被占用，设定就越容易写错。

💡 实操提示： 12条左右是性价比最高的区间，AI腔降了26%但事实错误率只涨了11个百分点。加到50条，AI腔没进一步改善，事实错误率却暴涨。注意这个结论基于R1的77条混合约束池，不是"任意12条约束"都有效–下一轮会拆解哪类约束在起作用。

第一轮回答了"加多少条"的问题，但没回答"加什么类型"的问题。50条约束里混了禁词、技法、格式三类，到底是哪类在起作用？

三、 第二轮：哪类约束在干活？

第二轮做消融实验：每次去掉一类约束，看效果变差多少。8组×2场景×20篇=320篇，约束池95条（负向40+正向35+工程20），分三类：

约束池的JSON结构示例：

{
  "negative": [
    {"id": "neg_01", "rule": "不准用'突然'开头", "type": "forbidden_word"},
    {"id": "neg_02", "rule": "不准写'瞳孔骤缩'", "type": "forbidden_phrase"}
  ],
  "positive": [
    {"id": "pos_01", "rule": "必须用主角视角写", "type": "perspective"},
    {"id": "pos_02", "rule": "必须用动作描写替代'他说'", "type": "technique"}
  ],
  "engineering": [
    {"id": "eng_01", "rule": "不准用感叹号", "type": "punctuation"},
    {"id": "eng_02", "rule": "段落不超3行", "type": "format"}
  ]
}

评估方法是人工打分（0-100分，越低越好），由我本人逐篇评分。不是双盲实验，也没有第二评分人交叉校准，所以分数有主观偏差。但消融实验比的是组间相对差异，只要评分标准一致，方向性结论可靠。

消融结果：

三个发现：

1. 禁词是摆设。 在本实验的模型和场景下，去掉40条禁词，AI味几乎不变（仅上升0.4分）。“不准用突然”“不准写瞳孔骤缩”–这些禁词清单的主要作用是合规审计，对降低AI味没有帮助。模型被明确告知"不要用某个词"时，避免单个词是它最擅长的事，禁了之后违反率直接归零，但风格没改善。

2. 技法是核心引擎。 在本实验的模型和场景下，去掉35条技法约束，AI味暴增10分，是唯一有实质影响的类别。“必须用主角视角写”“必须用动作描写替代对话提示语”–这些"必须怎么做"的指令，才是真正在干活的。

3. 格式未发现正面作用。 在本实验的模型和场景下，去掉20条格式约束，AI味反而降低1.2分（效应量小，单人评分，待验证）。“不准用感叹号”“段落不超3行”–模型为了遵守格式，可能被迫写出更机械的句子。

💡 实操提示： 以后写提示词，把精力放在"必须怎么做"（技法约束）上，别花时间在"不准用什么"（禁词清单）上。禁词管底线，不管质量。

四、 第三轮：模型能遵守多少条约束？

前两轮测的是"约束对AI味的影响"，第三轮换一个角度：模型实际遵守了多少条约束？ 50条约束丢下去，模型是真的在努力遵守50条，还是只挑了几条容易的做做样子？

为什么换了一个约束池？

R2的95条池子里混了大量送分题（模型天然遵守的约束）和不可能题（模型根本做不到的约束），用这个池子测遵从率，数字会失真。R3重新设计了45条约束池（每类15条），并用100篇无约束基线逐条验证每条约束的难度，确保每条都有检测意义。

实验设计

7组×多梯度×15篇=821篇，外加100篇无约束基线。7组分别是：禁词单组、技法单组、格式单组、禁词+技法、禁词+格式、技法+格式、全混合。单组约束数上限15条，双类混合上限30条，全混合上限45条。

结果 1：遵从率看起来不错–但这是假象

遵从率（未违反约束数÷总约束数）是标准指标。以全混合组为例：

看起来不错：全混合组加到45条还有90%。

但1条遵从率93%、3条反而100%，这个反直觉的现象需要解释。 g1抽到的1条约束是"禁嘴角"，15篇里有1篇违反（93%）；g3抽到的3条约束全是送分题（不引入新配角、禁"只见/忽见"、首200字含基本信息），0篇违反（100%）。约束内容不同，难度不同，条数少时抽样波动很大。这不是数据造假，是单条约束的难度差异没有被条数稀释。

更根本的问题是：90%遵从率是被无效约束稀释出来的。 45条约束里，模型天然就遵守一大半–比如"不准用恐怖如斯"，模型根本不用这个词。这些送分题把分母撑大，制造了"90%遵从率"的假象。

结果 2：全遵守率揭示真相，约束难度双峰分布

换一个更诚实的指标：全遵守率，也就是"15篇里有几篇完全没有违反任何约束"。同时，对45条约束在100篇基线上逐条验证难度，找出遵从率假象的根源。

全遵守率（0违反样本占比）：

单类组（禁词/技法/格式）最多15条约束，所以20条以上没有数据。混合组（禁词+技法等）数据篇幅所限不展开，趋势与全混合组一致。表中全混合组1条93%->3条100%的反直觉现象见结果1的解释。

技法组8条约束时全遵守率0%–15篇里没有1篇能同时满足8条技法约束。技法组5条时全遵守率就只剩20%–15篇里只有3篇做到了。全混合组45条约束时遵从率90%，但全遵守率0%，平均每篇违反4.6条。

为什么遵从率和全遵守率差距这么大？ 查45条约束在100篇基线上的违反率，发现严重的双峰分布：

近一半约束是送分题，真正有检测意义的只有9条。45条约束的"90%遵从率"里，22条送分题贡献了大半–模型不是在遵守45条约束，是在遵守22条不需要遵守的约束加上9条有效约束中的大部分。

太难约束的检测逻辑伪代码：

def check_difficulty(constraint, baseline_texts):
    """在100篇无约束基线上检测每条约束的违反率"""
    violations = 0
    for text in baseline_texts:
        if violates(text, constraint):
            violations += 1
    rate = violations / len(baseline_texts)
    if rate > 0.6:
        return "太难"    # 模型根本做不到
    elif rate < 0.15:
        return "太易"    # 模型天然满足
    else:
        return "有效"    # 有检测意义

太难的14条是模型的能力边界，典型代表：

这些不是"约束太难"，是在当前零示例提示词下模型做不到。不管加多少条、在什么场景下，违反率都恒定在60-100%。

太易的22条是送分题。禁"嘴角"（基线2%）、禁"大喝一声"（0%）……模型天然就遵守，加上去只是撑大遵从率分母。

💡 实操提示： 如果你的约束清单里有很多"不准用XX词"类型的条目，可以检查一下：不加约束时模型会用这些词吗？如果不用，那这些约束就是摆设，删掉不影响效果，留着只会让你误以为"遵从率很高"。

五、 模型到底在写什么？

三轮实验测的都是"约束加进去之后怎样"，但还有一个更基础的问题：不加约束时，模型默认在写什么？

用第三轮的100篇无约束基线做词频统计。不用921篇混合数据，因为821篇带约束样本被明确禁止使用"微微"“仿佛”"此刻"等词，混进去统计会系统性拉低这些词的真实频率。

边界说明： 没有人类对照组。这些数字反映的是模型在仙侠考核场景下的默认写作模式，不能直接等同于"人类不会这么写"。

高频词：去掉场景固定词后的AI腔清单

场景强制词（人名、地名、物品名等100%出现的词）不算AI腔，过滤后：

三个特征：

身体部位+程度副词+动词的固定模板。 目光(94%)+呼吸(75%)+指尖(67%)三个身体部位词覆盖几乎所有样本，它们几乎总是搭配微微(82%)+缓缓(77%)出现：“目光微微一凝”“呼吸缓缓平稳”“指尖轻轻发颤”。模型用这套模板替代了心理描写和情绪表达–不写"他很紧张"，写"指尖微微发颤"；不写"她感到恐惧"，写"呼吸微微急促"。"X微微Y"这个句式在82%的样本中出现，模型不知道除了"主语+微微+动词"之外还能怎么写一个人正在做一个轻微的动作。

时间标签密集。 此刻(74%)+瞬间(47%)+忽然(24%)+随即(19%)+突然(13%)+骤然(12%)，模型靠时间标签推进节奏，而不是靠事件推进。每段开头塞一个时间词，读起来像在翻日历。

比喻泛滥。 仿佛(68%)+像是(73%)+如同合计覆盖92%的样本。模型靠比喻填充描写，禁了"仿佛"就换"像是"，禁了"像是"就换"如同"–三个词本质是同一个功能。

结构性缺陷：短段、无对话、无情绪

模型默认的写作模式：短段+微动作+无对话+无情绪+无心理。用身体部位微动作替代情绪和心理，用时间标签替代事件推进，用碎片化段落替代有起伏的叙事节奏。

六、 总结：禁词和格式的死结，技法的天花板

三轮实验、1541篇样本测下来，结论可以用一句话概括：

禁词和格式约束走入了死结：禁了没用的词改不了风格，有用的事（对话、长段、情绪）禁词又管不到。

第二轮已经证明技法约束是唯一有效的类别–去掉35条技法，AI味暴增10分。但技法约束要求模型做的事（写对话、写情绪、写长段），模型又做不到–违反率60-100%。技法有效，但遵从率太低。

具体拆开来看：

1. 核心AI套话：禁了模型就写不出来。

"微微"在82%的样本中出现，"缓缓"在77%中出现，"仿佛/像是/如同"合计覆盖92%。这些不是偶尔用一下的修辞，而是模型动作描写和比喻的核心模板。直接禁掉这些词，违反率归零–但模型不是换了一种写法，而是写不出来了。禁词导致的是输出退化，不是风格改善。

2. 次要套话：禁不禁影响不大。

"轻轻"在36%的样本中出现，"凌厉"在32%中出现。这些词出现率不高，禁了之后对整体风格影响很小。模型可以轻松避开，也可以继续使用，对读者体验没有可感知的差异。

3. 技法约束：方向对了，能力不够。

模型有三个结构性缺陷：不写长段（87%的样本一段长段都没有）、不写对话（97%的样本对话占比不到15%）、不写情绪和心理（81%无情绪词、64%无心理描写）。技法约束要求模型做这三件事，方向是对的–R2证明技法是唯一能降AI味的类别。但违反率60-100%说明模型做不到。

模型不是"不愿意"写对话和情绪，是在当前零示例提示词下做不好。 它的训练数据教会了它用身体部位微动作替代心理描写，用时间标签替代事件推进，用碎片化段落替代叙事节奏。技法约束可以推它一步，但遵从率太低，实际效果有限。

这是在当前零示例提示词方式下的能力边界，不是改约束措辞能解决的问题。不排除通过更细致的提示词设计（给示例、拆解约束步骤、让模型自检）提升遵从率。

七、 下一篇预告

约束实验里有一个数字一直没拆清楚：50条约束下，56%的样本写错了设定。但这个错误率是从加了约束的样本里测出来的。不加约束时模型自己写，事实错误率是多少？能防住吗？

下一篇测幻觉防控。四组对照：一组什么都不防，直接生成——这就是基线，回答"模型本来会犯多少错"。一组生成后让模型自检。一组把核心设定放提示词最前面再自检。最后一组是控制组：在提示词开头放一段和设定长度相同的废话，再让模型自检。

控制组是关键。没有它，你永远分不清是规则前置的效果，还是单纯提示词变长了就有用。