AI辅助不等于作者身份：人机协作写作的边界与合规实践

这期的主题不是某个能一键部署的模型，而是一个被大量 AI 写作用户忽略的边界问题：AI assistance is not authorship，也就是“AI 辅助，不等于作者身份”。

现在很多同学写论文、写技术方案、写专利交底书，第一步就是打开 ChatGPT 或本地部署的大模型让它“写一段”。工具确实好用，但问题也来了：AI 生成了内容，作者到底是谁？能不能直接在作者栏写模型的名字？期刊和出版社认不认？批量生成几十篇文档之后，谁对内容负责？

这期不讨论概念，直接给结论：AI 可以作为辅助工具参与写作，但署名和最终责任必须由人来承担。这既符合国内外学术出版的主流立场，也是工程化使用 AI 写作时最稳妥的做法。

1. AI 辅助写作的核心边界速览

先把这次讨论的核心边界整理成一张表，后面所有内容都围绕这张表展开。

从这条边界出发，AI 辅助写作的价值不在于“替人署名”，而在于把人从重复性文字劳动里解放出来，把更多时间留给判断、验证和决策。

2. 适用场景与使用边界

2.1 适合用 AI 辅助的写作场景

• 文献综述初稿：让模型根据你给定的主题列出综述大纲，再由你补充真实文献和实验数据。
• 英文润色与降重表达：将写好的中文段落翻译成英文，或让模型改写重复句式，提高表达的多样性。
• 专利交底书/技术方案的初稿：提供技术要点，让模型先按逻辑组织成结构化文本，再人工核实每条技术细节。
• 技术评审与代码注释：让模型为代码块生成注释、整理调用关系，辅助维护技术文档。
• 会议纪要与博客草稿：输入会议要点，生成结构化初稿，再人工补充决策与实际结论。

这些场景有一个共性：模型只是把信息重新组织和表达，而信息的真实性、准确性和最终取舍永远由人来确认。

2.2 不适合用 AI 替代的写作环节

• 研究结论的形成：AI 无法替你做实验、跑数据、判断结果是否可信，因此结论部分必须由作者亲自完成。
• 引用文献的真实性：大模型生成的参考文献经常出现“幻觉”，看起来像真的，实则不存在或题名错误，必须逐条核实。
• 署名与责任认定：无论是论文作者、专利发明人，还是软件著作权申请人，都要求是真实参与创作的自然人。把 AI 工具或模型列为作者，在主流学术和出版规范中是明确不允许的。
• 涉及保密数据的场景：不能把未公开的科研数据、客户隐私、商业机密直接交给云端大模型处理，除非你确认数据经过脱敏或使用本地部署版本。

2.3 版权、隐私和安全边界

• 版权合规：如果输入材料包含他人受版权保护的图表、长段落文字，直接让 AI 改写后并入自己的文章，仍可能构成侵权，需要获得授权后再使用。
• 隐私保护：不要在提示词里输入身份证号、手机号、患者数据、企业内部代码等敏感信息，尤其是使用云端 API 时。
• 发布前复核：AI 生成内容用于投稿、交付客户或公开发布前，应做重复率检测、事实核查和语义校验，避免把模型幻觉带到正式成果里。

3. 环境准备：搭建一套可复用的 AI 辅助写作工作流

虽然这不是一个需要显存和 CUDA 的项目，但 AI 辅助写作同样需要搭建环境。这里给出一个通用、可复用的工作流结构，不绑定具体某个工具。

3.1 基础工具清单

3.2 项目目录结构示例

建议对每一篇正式写作任务建独立目录，便于追踪 AI 辅助痕迹和人工复核记录。

ai_assisted_writing/ ├── 01_idea/ │ └── research_questions.md ├── 02_outline/ │ └── outline_v1.md ├── 03_draft/ │ ├── draft_v0_ai.md │ └── draft_v1_human.md ├── 04_review/ │ ├── fact_check.md │ └── plagiarism_check.md ├── 05_final/ │ └── final_submission.md └── ai_usage_log.md

ai_usage_log.md是这套工作流里最重要的文件，记录“哪一段用了 AI、模型是什么、输入了什么指令、人工改了什么”。别小看这个文件，很多期刊的披露声明里要求描述 AI 辅助的范围，这个日志就是你写声明的事实依据。

4. 把“人机协作”落地：分阶段流程与提示词模板

4.1 分阶段人机协作流程

我把 AI 辅助写作拆成 5 个阶段，每个阶段的人机分工都很明确：

1. 选题与规划（人主导）：人的职责是确定研究问题和技术目标，AI 只负责提供视角、列出可能的方向。
2. 大纲生成（人机协作）：AI 根据主题生成大纲，人负责删除不符合实际的部分。
3. 草稿扩展（AI 为主，人审校）：按大纲逐段生成初稿，这一步效率最高，但幻觉也最多。
4. 润色与改写（AI 辅助）：语言表达、重复句式、中英互译交给模型处理，人对语义负责。
5. 审校与披露（人主导）：事实核查、文献补全、查重、填写 AI 使用声明，全部由人完成。

4.2 提示词模板示例

下面是四个可以直接套用的提示词模板，使用时请按自己的主题填充“占位内容”。

阶段二：生成大纲

你是一名资深的技术文档编辑。请根据以下主题和受众，生成一份技术文章大纲。 主题：{填入具体技术主题} 目标读者：{如：初级工程师、科研人员、技术评审专家} 文章类型：{如：综述、实验报告、专利交底书、技术方案} 要求： 1. 大纲包含引言、方法/思路、核心内容、讨论、结论五个部分。 2. 每部分只写 3-6 个小点，不堆砌术语。 3. 针对每个小点给出建议的配图或数据来源类型。 请直接输出 Markdown 格式的大纲。

阶段三：段落扩展

我需要撰写论文中“实验方法”部分的段落草稿。请根据下面的关键点，扩展成 300 字左右的技术描述。 关键点： - 数据集：{数据集名称，规模} - 模型/算法：{方法名称，版本} - 评价指标：{指标1，指标2} - 对比基线：{基线方法} 要求： 1. 只输出与关键点相关的描述，不额外发明实验细节。 2. 出现具体数字时，标注为“待确认”，不要自行编造参数。 3. 使用学术书面语。

阶段四：语言润色

请对下面的段落进行语言润色，目标是提升表达的简洁度和准确性。 原文： {粘贴需要润色的文字} 要求： 1. 保留原有技术含义，不做事实性扩展。 2. 每句不超过 40 个汉字。 3. 删除重复表达，保留专业术语。 4. 输出修改后的段落，并简要列出修改了哪些地方。

阶段五：逻辑审校

请扮演一名严格的同行评审者，阅读下面文章摘要，找出其中的逻辑问题、事实矛盾和表达不清晰之处。 摘要： {粘贴摘要} 请从以下三个角度输出评审意见： 1. 逻辑问题：结论是否有支撑？ 2. 事实表述：是否存在过度概括？ 3. 模糊表达：哪些句子需要补充限定条件？

4.3 透明显性标注

工程上建议在初稿里直接用标记注明“哪部分是 AI 生成、哪部分是人工重写”。这样最后写披露声明时，不用回头猜，也能避免被读者或审稿人误以为你在隐瞒。

## 3. 系统架构设计 [AI辅助生成，人工修改] 系统整体分为数据层、计算层和应用层…… [人工撰写] 之所以采用微服务拆分，是因为团队需要独立扩容……

5. 功能测试与效果验证：如何判断一段文本该不该署人名

这部分是把前面原则变成可执行的测试清单。每篇 AI 辅助完成的文章，投稿或交付前建议过一遍下面的测试。

5.1 事实核查测试

• 测试目的：确认 AI 生成内容里的数字、文献、技术细节是否有真实依据。
• 操作步骤：把文中所有引用文献、实验参数、版本号、URL 提取出来，逐条检索核对。
• 判断标准：每条引用都能找到原始出处；每条数字都能对应到真实数据或实验记录。
• 常见失败：AI 编造了不存在的论文。解决办法是不要直接采用模型输出的参考文献，必须到数据库中重新检索。

5.2 原创性与重复率测试

• 测试目的：确认文本与已发表内容重复率在目标平台允许范围内。
• 操作步骤：将最终稿提交到期刊指定或学校认可的查重系统。
• 判断标准：重复率符合目标期刊或机构要求。
• 常见失败：AI 生成的常见句式模板导致重复率偏高。解决办法是把模板化的段落进行人工改写，加入具体的项目上下文。

5.3 署名判断测试

这里给一个非常实用的“四问测试”：

1. 思想来源：文章的核心观点、研究问题是不是你提出的？如果是 AI 提出的，你是否完全理解并能解释清楚？
2. 数据来源：文中的数据是你实验/调研获得的，还是 AI 臆造的？
3. 修改程度：AI 生成后，你是否经过实质性修改，而不是直接复制粘贴？
4. 责任承担：如果文章出错，你是否愿意作为作者承担全部责任？

四问都是“是”，这篇文章署你的名字没有争议。任何一问是“否”，都需要先补足工作，再决定是否署名。

5.4 披露声明测试

• 测试目的：确认文章是否满足目标期刊、机构或平台的 AI 使用披露要求。
• 操作步骤：在投稿前查阅目标期刊的作者指南，按说明填写 AI 辅助工具使用声明。
• 判断标准：披露内容与ai_usage_log.md记录一致。
• 常见失败：不同期刊对“允许使用 AI”的范围差异很大，有的允许润色，有的不允许生成性写作。务必按目标期刊要求执行。

6. 批量任务与自动化流程中的合规实践

很多工程师会用 API 批量生成日报、周报、产品文档，或者批量生成论文草稿。批量场景里，AI 辅助与作者身份的边界会被放大，所以单独展开。

6.1 通用 API 调用模板

如果你需要批量生成草稿，可以按下面的 Python 模板做请求。这个模板是通用的，实际的 URL、模型名、请求格式需要按你使用的工具调整。

import requests import time API_URL = "http://127.0.0.1:8000/v1/chat/completions" API_KEY = "your-api-key-here" def generate_draft(title: str, points: str) -> str: payload = { "model": "your-model-name", "messages": [ { "role": "system", "content": "你是技术文档助理，负责根据要点生成初稿。" }, { "role": "user", "content": f"标题：{title}\n要点：{points}\n请生成初稿，不得编造数据。" } ], "temperature": 0.3, "max_tokens": 1500 } headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json" } response = requests.post(API_URL, json=payload, headers=headers, timeout=120) response.raise_for_status() return response.json()["choices"][0]["message"]["content"] tasks = [ {"title": "模块A接口文档", "points": "接口路径、入参、出参、错误码"}, {"title": "模块B接口文档", "points": "接口路径、入参、出参、错误码"}, ] for task in tasks: try: draft = generate_draft(task["title"], task["points"]) print(f"已生成草稿：{task['title']}") except Exception as e: print(f"生成失败：{task['title']}，原因：{e}") time.sleep(5)

6.2 批量任务中的人工复核队列

批量生成稿件的最大风险是：批量生成的文本会有模板感，而且错误会被复制到每一篇里。

建议批量任务按下面流程走：

批量生成草稿 -> 关键词重复检测 -> 人工逐篇审校 -> 事实核查 -> 原文性检查 -> 发布/投稿

即使你有 100 篇文档要处理，也必须逐篇人工确认后再署名或交付。在实际工程里，建议把人工复核时间预留为生成时间的 2 到 3 倍。所以批量任务不是一次定稿，而是“生成 + 人工复核”两段式流水线。

6.3 批量任务常见失败与重试建议

7. 资源占用与效率观察

虽然这不是显存占用的部署话题，但 AI 辅助写作也有“成本”需要观察，主要包括三类。

7.1 Token 成本

大模型按 Token 计费。写一篇 5000 字的技术文章，token 消耗通常分为三块：

• 输入：你的大纲、要点、参考材料
• 输出：模型生成的初稿
• 上下文：对话过程中保留的中间内容

降低成本的直接方法是分块写作，不要一次性把所有材料塞进一个 Prompt。每段只输入该段落需要的要点，输出更精准，返工更少。

7.2 时间成本

一个有经验的作者完全手写 5000 字技术文章，可能耗时 4 到 6 小时；用 AI 辅助生成初稿，可能压缩到 1 小时左右生成，但后面的事实核查、文献补全、降重、格式整理仍需 2 到 3 小时。

所以 AI 辅助节省的是“从空白到初稿”的时间，不会减少“从初稿到合格定稿”的时间。

7.3 质量观察指标

• 修改率：AI 初稿中，最终被人工修改的比例。如果低于 30%，说明你运气好或任务简单；如果高于 70%，说明大模型不适合这个任务。
• 幻觉条数：审校时发现的不实描述、不存在的文献数量。正常情况下不应超过个位数。
• 重复率：成稿后的查重结果。同一个模型写同一类题目，如果不加个性化上下文，重复率会明显偏高。

8. 常见问题与排查方法

在 AI 辅助写作中，最典型的坑不是工具不好用，而是缺少过程记录。很多被举报存在学术不端的案例，核心问题不是用了 AI，而是使用了 AI 之后没有如实披露，或者把 AI 生成内容直接作为原创成果提交。

9. 最佳实践与工程化建议

9.1 建立统一的 AI 使用日志

每次使用 AI 前先记录要素：日期、工具名称、输入内容摘要、用途、人工修改程度。写日志这件事本身就迫使你保持对内容的掌控，而不是机械地把模型输出搬进正文。

## AI 使用日志 | 日期 | 工具 | 用途 | 涉及章节 | 人工修改程度 | | --- | --- | --- | --- | --- | | 2025-01-15 | GPT-4 | 生成大纲 | 全文 | 大幅调整 | | 2025-01-16 | Claude | 润色摘要 | 摘要 | 小幅修改 |

这里的日期、工具名仅作示例，请按你的实际使用情况填写。

9.2 先跑最小样例再进入正式写作

正式写长文前，先让模型处理一段 200 字左右的示例文本，观察输出质量。如果这一小段都需要反复修改，直接让模型生成整篇文章只会浪费 token。

9.3 必须保留的人工复核关卡

无论是个人写作还是团队协作，都要明确设置四道关卡：

• 事实关：数据、文献、版本号、URL 全部核对。
• 重复率关：提交前完成原创性检测。
• 隐私关：检查文中是否泄露未授权信息。
• 责任关：确认每位署名作者都看过全文并担责。

9.4 涉及人脸、声音、版权素材的合规提醒

如果你用 AI 辅助写作时还配合使用 AI 绘画、AI 数字人或声音克隆工具生成配图和音视频，必须额外注意：涉及真实人物肖像和声线时，要获得本人明确授权；使用他人图片、视频、音乐素材时，要确认版权状态。AI 辅助不改变素材来源的授权要求，该付费的付费，该注明来源的注明来源。

9.5 发布或商用前做效果复核

如果你是在公司内部用 AI 帮助撰写专利交底书或客户方案，发布前先让不参与本次写作的同事抽查一遍。第二视角更容易发现“AI 生成的过度自信表述”和逻辑跳跃。

10. 总结与下一步

“AI assistance is not authorship”这句话值得刻在每一个 AI 写作工作流的入口。AI 可以帮你生成 90% 的初稿，但剩下的 10%——事实核查、逻辑校验、责任认定——恰好是“作者”这个身份必须要做的工作。

第一次上手时，建议先做两件事：一是写一个 3 条记录的ai_usage_log.md，二是用 5.3 节的四问测试审一遍最新写完的文档。两步做完，你就能判断自己的写作习惯是否越过了署名边界。

最容易踩的坑是“生成即定稿”：直接复制模型输出、不核文献、不查重、不写 AI 使用声明，最后投稿阶段出问题。后续可以继续优化的方向也很明确——建立团队级 AI 辅助写作规范，把日志、复核、披露流程固化到项目管理工具里，再结合本地部署模型处理敏感数据，形成一条完整、合规、可追溯的 AI 辅助写作流水线。