# Tech Blog Writer

> 量子位风格的技术博客/论文解读写作skill。当用户需要把技术博客、论文、模型发布等内容写成面向大众的科技媒体文章时使用。 触发词包括但不限于:写论文解读、写技术文章、帮我把这篇论文写成文章、解读一下这个技术、帮我写这个模型发布的稿子。 与henry-writer的区别:henry-writer适合现象解读、人物故事、调查报告类长文;tech-blog-writer专注于技术内容的大众化转译,核心是把「技术语言」变成「人话」,同时不损失准确性,并内置量子位写作风格规范。

- Skill: `imtangyujing/tech-blog-writer` (Agent Skill)
- Install (CLI): `npx skillmds@latest add imtangyujing/tech-blog-writer`
- Raw SKILL.md: https://api.skillmd.com/api/skills/imtangyujing/tech-blog-writer/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: imtangyujing (https://skillmd.com/u/imtangyujing)
- Updated: 2026-09-21
- Page: https://skillmd.com/skills/imtangyujing/tech-blog-writer

---


# 量子位技术博客写作 v2.0

> **这个skill解决的核心问题**
> 技术博客和论文有固定的学术结构(Problem → Method → Experiment → Conclusion),但这个顺序对普通读者极不友好。
> 这个skill的核心任务是:**重新排列论文的信息顺序**,让最有冲击力的东西先出来,让最难懂的东西被最直观的方式托住,并用量子位风格写出来。

**这个skill的本质是技术内容的大众化转译工具。** 目标是产出一份把技术语言变成人话、不损失准确性、读者一次能读懂的初稿——把一项技术工作写对、写清楚、有条理,让henry后期改的时候能直接改事实和措辞,而不是先剥掉一层"代入角色解说"的语气才能动稿子。

---

写作时遵守以下规则:

1. **不替读者下结论。** 把技术细节、数据、对比摆出来,让读者自己判断这项工作的意义。
2. **不营造作者人格。** 不要把"henry是一个懂技术的犀利评论员"当作生成参考。henry是这个skill的署名作者,不是要在文章里扮演的角色。
3. **不刻意戏剧化。** 不要为了"有节奏感"省掉关键技术细节,不要为了"有调性"加情绪化形容词,不要为了"有姿态"在事实前面塞判断词。
4. **判断词必须有事实支撑。** "突破性"、"颠覆"、"革命性"、"史无前例"这类带情绪的判断词,前面必须有对应的数据或事实段落。如果没有,删掉判断词。
5. **审美层是工艺,不是人格。** 克制、调侃只是具体写法,不是要营造的人物状态。
6. **创新意象优先,俗套判断宁可不写。** 写不出新颖意象就让事实自己摆在那里,不要用俗套判断填空。

第6条的识别方法:写完一个判断句,问自己——这句话有没有给读者一个**新的视角**或一个**没见过的对照**?没有就是俗套判断,删掉。让数据自己摆在那里,不要用判断填空。

判断方法:把初稿交付后想象用户读到的感受。是"这是一份标准技术解读稿,我可以直接改事实",还是"这是一段有作者姿态的文字,我得先剥一层语气才能动"?前者合格,后者重写。

---

## 流程元规则

**最高优先级判断:论文解读默认跟随论文本身的叙事顺序,不强行套结构。**

这是 tech-blog-writer 区别于 henry-writer 的根本。henry-writer 重组素材,tech-blog-writer 默认尊重论文原叙事。拿到一篇论文,动笔前先判断这篇论文本身写得好不好:

- **论文写得好(多数情况)**:它的叙事顺序本身就是清晰的——动机、方法、实验、结论一路顺下来。这种情况下,**直接顺着论文的展开顺序翻译、提炼、降维成人话即可**,不要拿"现象-数据-案例-对比"或任何模板去打乱它本来清晰的叙事。skill 在这里的工作是「转译」,不是「重构」。
- **论文写得烂(少数情况)**:它的核心点被埋在某个角落,叙事散、重点不突出。这种情况下才需要重构——把真正的炸点找出来提到前面,把支撑它的部分重新组织。这才是 skill 需要主动"找点"的场景。

**唯一不跟随论文叙事的部分是开头。** 论文的开头(摘要/引言)是写给审稿人的,几乎都要重写成科技媒体的开头(见第二步)。开头之后,默认顺着论文走。

**判断方法**:读完论文先问一句——"如果我把这篇论文的章节顺序直接翻译成人话,读者读得顺吗?"读得顺,顺着走(只重写开头);读不顺,才重构。多数好论文的答案是"读得顺"。

---

**不要循环返工。** 从"理解素材"到"质检交稿"是一次性线性流程。质检发现的问题列在报告里,标"待修复"或"已就地修复",交给用户决定修改方向。事实错误(L0)是唯一例外,必须就地修正。

---

## 第一步:理解素材,判断论文类型

拿到论文/博客后,先做三件事再动笔。

**1、找到「最有冲击力的一帧」**

| 论文类型 | 最有冲击力的一帧 | 建议开头 |
|---------|--------------|---------|
| 新模型/产品发布 | Demo效果 + 对比数据 | 先放demo,再放数字 |
| 方法论突破 | 新方法 vs 旧方法的性能差 | 先放对比结果,再解释为什么 |
| 发现类研究 | 反直觉的核心发现 | 直接说发现,不铺垫 |
| 系统架构类 | 端到端效果 + 工程指标 | 效果先行,架构居中 |
| 人物/团队故事型 | 最戏剧性的人物细节 | 人先出来,技术跟上 |

**2、找到「背景导入的锚点」**

想清楚三件事:这个工作坐落在哪个领域,那个领域的核心难题是什么,这篇论文要突破哪一步。这三个问题的答案是2-4句话的背景导入,不是背景章节。

**3、找到「人」**

作者里有没有值得写的人?背景有没有戏剧性?如果有,放在哪里最有力量(开头还是结尾)?

---

## 第二步:文章结构

论文的原始结构是给审稿人看的,写文章要重排。

**标准结构:**

```
【开头】四句骨架(领域/大佬二选一 → 论文本身 → demo/结论 → 可选大众连接)
  ↓
【背景导入】2-4句,不超过一段。这个领域在做什么/为什么难/这篇突破哪一点
  ↓
【核心是什么】新方法的核心思路,一句话版本,配类比
  ↓
【怎么做到的】技术拆解,从结果到原理,每个技术点配demo或具体例子
  ↓
【数据说话】关键对比数字,必须有锚点,不放裸数字
  ↓
【更多细节】可选,针对专业读者,算法/工程细节
  ↓
【背景与人】这个工作在哪个更大的趋势里,作者是谁
  ↓
【收尾】回环、短句、或一句留白
```

### 三种文章类型的具体结构

**类型一:新模型/产品发布**
```
发布事实(一句话)+ 最亮眼的demo
↓
背景导入(2-4句:这个领域在做什么,为什么这个模型出现)
↓
核心能力(2-3个,逐一展开,每个配demo和数据)
↓
与上一代/竞品的对比
↓
这个团队/产品线的来龙去脉 + 作者
```
参考:Gemini Robotics-ER 1.6

**类型二:方法论突破(算法/架构)**
```
核心发现或反直觉结论(直接说,不铺垫)
↓
背景导入(旧方法是什么,为什么出问题了)
↓
新方法的核心思路(一句话类比)+ 技术细节(从浅到深)
↓
实验结果(对比数据)
↓
作者信息(尤其有戏剧性时重点写)
```
参考:DeepSeek改造残差连接、Kimi Attention Residuals

**类型三:系统/产品型论文**
```
端到端的应用场景demo
↓
背景导入(这类系统解决什么问题,以前为什么做不好)
↓
系统能做什么(用户视角,不是架构视角)
↓
系统架构(模块逐一拆解,每个模块配demo,用「它负责做什么」介绍)
↓
性能数据 + 局限性(简短,但不能没有)
```
参考:StreamingClaw

---

### 技术内容的节奏铁律:先炸点,后原理

凡是涉及技术产品/模型/方法的文章,永远按以下顺序组织:

**第一层:能直接"看到"的炸点**
- Demo、视觉结果、反直觉的对比数据
- 让读者在三秒内愣住,产生"???"的反应
- **但这一层必须把5W立稳**——读者愣住的前提是知道这是谁在什么时候做的什么事,不是悬空愣住

**第二层:数据级证据**
- 具体百分比、具体对比、具体超越
- 支撑第一层的炸点

**第三层:原理与机制**
- 为什么能做到、怎么做到的
- 读者到这里已经被前两层拉住了,愿意看硬的

**反模式(绝对避免):**
- 先讲架构,再讲数据,最后放demo——读者的心流是"愣住→追问→被满足",不是"先学原理→再看结果"
- 第一帧炸点把5W省了,读者愣住但不知道愣什么

如果你发现自己在写"首先我们来看一下模型架构",停下来,重新组织。

---

## 第三步:写作规范

### 开头的写法

**5W地基不能为修辞牺牲。** 开头三句话之内Who/What/When必须答全,最多藏一个W。看起来有节奏感但读者不知道这是什么东西的开头,是审美盖过实操,重写。

论文解读的开头是写给审稿人的摘要/引言的反面——它几乎总要重写。论文解读的开头有一个**固定的四句骨架**,不是要 AI 自己发挥结构,是套对这个模板:

**第一句,二选一:**

- **路线 A,领域共识被捅破**:某个领域大家普遍这么做,这篇论文把它捅破了。第一句立起那个共识(读者以为对的事),为后面的反转铺垫。
  > 何恺明,也下场做语言模型了。(隐含共识:语言模型=GPT那套自回归)
  > 2026年新年第一天,DeepSeek上传新论文,给何恺明2016年成名作ResNet中的「残差连接」来了一场十年来的首次重大升级。

- **路线 B,大佬人设钩子**:某个有辨识度的人(李飞飞、LeCun、何恺明、Jim Fan 等)又干了一件事。第一句用人的辨识度作钩子,但注意——这只是钩子,论文解读的主角通常是工作本身,不是人。
  > 何恺明首个语言模型来了。
  > 李飞飞的World Labs,终于放出了第一个产品。

第一句选 A 还是 B,看这篇论文的传播点在"反了一个共识"还是"一个大佬做了反常的事"。两者都成立时,优先 A(共识反转的信息价值通常高于人设)。

**第二句,落到论文本身:**

第一句的钩子之后,第二句必须把主语从"人/共识"切换到**论文这项工作本身**——什么团队,基于什么范式,用什么方法,解决了什么问题,实现了什么效果。这一句是真正的 5W,信息密度最高。

> 只不过这次他带队做的不是大家熟悉的、像ChatGPT背后那套自回归范式,而是另一条路线:扩散语言模型。在最新论文中,何恺明团队放出全新连续扩散语言模型ELF,只用105M参数、45B训练token、32步采样,就跑赢一批主流扩散语言模型。

**第三句,给证据:**

有醒目的 demo 就放 demo;没有 demo,就放最硬的那个实验结论或对比数字。让读者在被钩住、知道这是什么之后,立刻看到"它到底有多强"的证据。

> 最直观的一项指标是它在OpenWebText上,把生成困惑度直接压到了24。

**第四句(可选),连接大众认知:**

如果这个技术指标/结论能降维成读者身体能感知的东西,在这里点一句。**连不上就跳过,绝不硬连。** 一个尴尬的强行类比比没有类比更伤。论文解读的多数读者是 AI 从业者,他们不需要每个概念都被翻译成大白话;只在那些确实能降维、且降维后明显更有冲击力的地方做。

> (生成困惑度)值越低,说明生成质量越高、模型出来的东西也就越没AI味儿,越自然。

判断方法:第四句问自己一句——这个降维类比,是让外行瞬间懂了,还是让内行觉得啰嗦?前者留,后者删。

---

四句骨架的常见变体(按论文类型微调,但骨架不变):

**发布型**,第一句直接说发布事实,第三句给最亮眼的应用场景:
> 刚刚,Google DeepMind发布了最新的机器人推理模型Gemini Robotics-ER 1.6。
> 搭载它的波士顿动力机器狗Spot,现在能走到工厂里的压力表前,停下来,读出数字。精确到刻度以下。

**对比数字型**,第三句的最强数字对比可以提到第一帧——**但第二句必须立刻补全5W,否则就是5W藏了两个,踩红线**:
> 刚刚,Anthropic放出新模型Mythos。
> Mythos对GPT5.4,80%对21.4%。

### 背景导入的写法

**位置:开头之后,技术拆解之前。篇幅上限:2-4句话,最多一个自然段。**

必须回答三个问题:
1. 这个领域/方向在做什么事(一句话定位)
2. 这件事为什么难,卡在哪(一句话痛点)
3. 这个工作要突破的那个具体点(过渡到正文)

三种模式:

模式一,「旧方法的问题」:
> 传统机器人系统靠写死的状态机控制,换一个场景就要重新编程。这是具身智能领域一直没解决的问题,让机器人真正「理解」环境,而不是「执行程序」。

模式二,「领域现状」:
> 残差连接自2016年ResNet问世以来,一直是深度学习的基础组件,十年没有大变化。但随着模型越来越深,它开始出问题了。

模式三,「反差」(有戏剧性时用):
> 注意力机制淘汰了RNN,但深度维度上,残差连接还在用十年前的老方法。Kimi的团队说,这件事可以照样做一遍。

**背景导入禁区:** 超过一段;罗列相关工作和引用;「在当今AI快速发展的时代」;在这里放对比数据和核心结论。

---

### 经典风格(classic style)

技术内容写作的语言规范。**核心目标:让读者不需要反复思考就能一次读懂。** 技术内容天然容易难读,经典风格不是审美选择,是技术解读的基本要求。

**1. 用日常词,不用书面化或学术化的长词**

技术稿里常见的坑:为了显得专业用了一堆术语化或文绉绉的词。改掉。

- 不写"实施",写"做"
- 不写"进行优化",写"改进"
- 不写"对X予以重视",写"重视X"
- 不写"截至目前",写"现在"
- 不写"该模型",写"这个模型"或直接用模型名
- 不写"鉴于上述情况",写"所以"或者直接删掉

判断方法:这个词你日常说话会不会用?不会用就换成会用的。

**2. 语态选择基于信息流,不是基于情感**

很多人以为"主动用于正面、被动用于负面"——这是结果上的近似,原理上不对。正确的原理是**信息流**:主语位置放读者已知的、轻的、短的概念;句尾位置放读者未知的、重的、长的概念。被动语态是实现这种信息流的工具。

**衔接性优先**:当一个新的、长的、复杂的概念要出现时,把它放在句尾(受动者位置),用被动语态——而不是把它塞到主语位置变成沉重的开头。

**连贯性次之**:如果上一句最后提到的是某个概念A,下一句应该用A作为主语开头。这样信息像链条一样推进。为了实现这种衔接,有时需要用被动语态。

例子:
> Anthropic刚刚发布了新模型Mythos。**Mythos**对GPT-5.4,80%对21.4%。

第二句的主语沿用第一句句尾的"Mythos"(已知信息),从已知滑到新信息(对比数据)。

**焦点判断**:受动者本身就是新闻焦点时,用被动。"110个账号**被封**"(焦点是账号,不是Anthropic)。

判断方法:写完一句话,读一下下一句的开头——下一句开头的概念是不是上一句句尾出现过的?没有,就重写让信息连起来。

**3. 用具体词汇 + 名词动词化**

**3.1 用具体词汇**

抽象词不让读者脑中产生画面,具体词让读者立刻看到东西。

- 不写"性能优秀",写"跑分80分"
- 不写"显著提升",写"从65%涨到81%"
- 不写"模型规模扩张",写"从7B涨到70B"
- 不写"训练成本降低",写"省下了20%的H100"

抽象的"性能"、"效率"、"能力"、"提升"这种概念,要用具体的数字或场景展开,不能直接用抽象词。

判断方法:读者读完这句话能不能在脑子里看到一个具体的画面、具体的数字、或具体的方向?看不到就太抽象,换具体的。

**3.2 让动作回到动词位置(反nominalization)**

中文技术稿里能让句子瞬间变有力的核心技法——**让动作回到动词位置,不要让动作躲在名词里**。

技术稿里最常踩的nominalization坑:

- "对模型**进行训练**" → "**训练**模型"
- "**实现性能提升**" → "**提升性能**"
- "**做出优化**" → "**优化**"
- "**进行推理**" → "**推理**"
- "**实现突破**" → "**突破**"

**进阶——名词动词化**:中文有一类高级技法是把名词当动词用,比"做某种动作"短、比抽象动词具体。

- "投入资源到推理" → "OpenAI **押注**推理"
- "重新创造一遍AlphaGo" → "硅谷**复刻**AlphaGo"
- "出任MSL职务" → "王**执掌**MSL"

判断方法:句子里出现"实施X""进行X""做出X""实现X""开展X"这种"空动词 + 名词"组合时,停一下,看能不能让X直接当动词用。能就改。

**4. 简明句子,不嵌套从句**

一个句子里嵌三层从句,读者要倒回去看两遍才能理解。改成两到三个短句。

技术稿里最常见的长嵌套句:"那个由两位华人博士在2025年初创办的、刚刚拿到1.05亿美元种子轮的、专注于VLA模型训练的法国公司发布了第一款产品。"——改成:"这家公司2025年初在法国成立,创始人两位华人博士。专注做VLA模型训练。成立几个月就拿到1.05亿美元种子轮。刚刚发布了第一款产品。"

判断方法:一个句子超过30字、或者出现两个以上从句标志("由""曾经""刚刚""所"),就考虑拆成两到三个短句。

**5. 删去不必要的词(五分类)**

写完一段,扫一遍,按以下五类逐条删掉:

- **无意义的词**:"实际上""说实话""的确""真的""某种程度上"
- **重复的词**:"希望和愿望"→"希望";"最终的结果"→"结果"
- **读者能推断的词**:"一段时期内"→"一段时间";"数学领域内"→"数学";多余的范畴说明
- **用一个词替代一个短语**:积累准确丰富含义的词汇,用一个动词或一个名词替代一整个短语
- **否定改肯定**:"没有不同意"→"同意";"不可能不知道"→"必然知道"

**Metadiscourse(元论述)——全删**

Metadiscourse是"评论自己的论述"的话,不是论述本身。技术稿里这种话特别多,全部删掉:

- "我们可以看到"→直接说看到的事实
- "值得一提的是"→直接说要提的事
- "综上所述"→不写综上,写具体的回扣
- "不难发现"→直接说发现
- "这就引出了下一个问题"→直接进入下一个问题
- "在这里需要说明的是"→直接说明
- "正如前面所说"→不要重复,相信读者记得
- "首先来看""接下来介绍""下面我们讨论"——全删,直接进入

判断方法:这句话有没有给读者新信息?没有,只在评论自己的论述(说"我接下来要说什么"或"我刚才说了什么"),删掉。

**6. 替换"是"——中文最大的懒词**

中文的"是"承担过多职能:身份、判断、定义、状态、存在、强调,全靠"是"扛。一个段落里出现五六个"是",AI味道立刻就出来了。日常生活中我们几乎不说"是"——所以技术稿里也尽量不说。

替换库(按"是"承担的职能分类):

- 表示**身份/职务**:担任、出任、出身、来自、就职于
- 表示**完成/达成**:完成、达成、实现、做到
- 表示**判断/认为**:认为、被认为、被视为、被看作、堪称
- 表示**存在/出现**:有、存在、出现、出自
- 表示**等同/相当**:相当于、等于、约等于
- 表示**曾经**:曾、曾经、原本、之前
- 表示**充当/承担**:充当、扮演、承担、执掌
- 表示**具有**:具备、拥有、自带
- 表示**构成**:构成、组成、形成

合法保留"是"的场景:强调判断("这**就是**他要的结果")、否定句("这**不是**他要的结果")、疑问句、引语里。

判断方法:一段写完,数一下"是"出现了几次。如果一段里超过两个"是",回去看每一个"是"都在承担什么职能,按上面的替换库改掉至少一半。

**7. 句式不要重样**

AI味道最大的来源不是用词,是**句式可预测性**。AI写稿的典型节奏是连续多段都用同一种句式形状,读者读到第三段就能猜下一句的形状。

正确的做法:连续段落的开头方式、句子长短、句式结构都要变化。

反面例子(典型AI味道):
> 这个模型在数学上表现优秀。具体来说,达到了81分。
> 这个模型在代码上表现优秀。具体来说,达到了76分。
> 这个模型在多模态上表现优秀。具体来说,达到了90分。

三段连续"长陈述 + '具体来说' + 数字"的形状,读者读到第二段就猜到第三段的样子。可预测性 = AI味道。

写作时主动调用的句式形状库:

- 时间状语开头:"就在刚刚……" / "上周二……"
- 转折词开头:"然而……" / "不过……" / "而……" / "同时……"
- 引用开头:"据论文……" / "作者表示……" / "网友们调侃道……"
- 疑问句:"那……新模型呢?" / "为什么会这样?"
- 感叹/断句:"假的!" / "实在太荒唐。"
- 冒号引出:"导火索,是Meta最近一次组织重组:……"
- "不仅……反而……"对比结构

不要每段都用主语+谓语+宾语的标准陈述句开头。

---

**经典风格的总判断标准**:读完这一段,读者要不要回头再看一遍才能理解?要回头就是失败,一次读懂才是合格。

---

### 技术内容的转译规范

**类比优先**

每个核心技术概念,第一次出现时配一个生活化类比。类比只用来建立第一印象,之后必须跟具体技术描述。宁可不类比,不要用错误的类比。

| 技术概念 | 可用类比方向 |
|---------|------------|
| 残差连接 | 「每一层都能记住前面所有层的信息,像一个记忆力太好的人」|
| Attention机制 | 「让模型自己决定该关注什么,忽略什么」|
| 流式推理 | 「像看直播,边看边处理,不等录播下载完」|
| Pointing | 「用「点」来表达对空间的理解,哪里有什么、有几个、怎么抓」|
| 多视角融合 | 「有头顶和手腕两个摄像头,得把两个视角合成一个判断」|

**指标降维:把「这个指标是什么」翻译成「这个指标好不好」**

类比解决的是"这个机制像什么",指标降维解决的是另一件事——一个读者没见过的评测指标,数值上去了或下来了,**到底是好事还是坏事,好到什么程度**。论文里全是这种指标(困惑度、FID、pass@1、MFU…),直接写指标名和数字,读者(哪怕是从业者)也未必有直觉。指标降维是论文解读区别于通稿的核心竞争力,通稿只会照抄"困惑度24",解读要让读者知道"24意味着没AI味儿"。

两步:

1. **先一句话说清这个指标在测什么**——用读者能感知的动作来描述,不是定义。
   > 生成困惑度,本质上是让一个强大的语言模型,给生成结果「检查作业」,看看这些文本到底像不像真实人类写出来的语料。

   注意"检查作业"——它不是类比这个指标像什么,是把"用一个预训练LM计算负对数似然"这个操作降维成读者一秒就懂的动作。AI默认会写"生成困惑度是衡量文本流畅度的指标,由预训练语言模型计算得出",教科书腔,读者无感。

2. **再把数值方向翻译成读者身体能感知的好坏**:
   > 值越低,说明生成质量越高、模型出来的东西也就越没AI味儿,越自然。

   "没AI味儿"——读者天天和AI生成的文本打交道,这四个字他立刻有体感。比"困惑度低说明分布更接近真实语料"有冲击力得多。

**何时必须做指标降维**:论文里作为核心战绩反复出现的那个指标(ELF里是生成困惑度),必须降维。一篇论文通常只有1-2个这种核心指标,把它们降维透,其他次要指标提一句数值即可。

**何时不要做**:从业者已经熟的指标(pass@1、AIME分数、token/s),直接用,降维反而啰嗦。判断标准和开头第四句一样——降维后是让读者瞬间懂了,还是让内行觉得被当外行。

**数字必须有对比锚点**

❌ 「ER 1.6的成功率为93%」
✅ 「ER 1.5的成功率是23%,ER 1.6加上Agentic Vision之后达到了93%」

❌ 「训练损失降低了0.021」
✅ 「同样的计算预算,新方法能达到旧方法1.25倍的效率,相当于省下了20%的训练成本」

三种数字对比写法:并排对比、倍数感、成本感(「少烧X张H100」)。

**架构图的处理**

先用文字把架构的主干逻辑说清楚,再放图。图旁边加一句话说明图在说什么。每个模块用「它负责做什么」介绍,不要只说名字。

**技术解释分三层,篇幅比约3:2:1**

第一层,它能做什么(给所有读者)
第二层,它是怎么做到的(给感兴趣的读者)
第三层,技术细节(给专业读者,可选)

不要把第三层的密度带到第一层。

---

### 风格内核

**节奏感**

句子时长时短,段落之间跳跃自然,经常一句话自成一段制造停顿。好的节奏像波动,每次围绕主线偏出去一点点,再用一句话拉回来。连续信息密集超过5段就需要气口,一张图、一个短段落、一句幽默都可以。

**克制是最大的力量**

越重要的事,越要沉住气说。不解释,不煽情,把一个细节放在那里,让读者自己感受重量。每段最后一句要短,要硬,像门关上的声音。写完一段后,删掉所有「因为」「所以」「也就是说」「这意味着」,看剩下的句子是否还站得住。站得住,说明结构本身有力量。

**克制的边界——克制不等于不解释。** 读者get不到的技术概念、专有名词、内部代号该解释就解释。克制管的是"判断和煽情",解释管的是"事实和概念"。两件不同的事,不要混。

判断方法:把一段拿给一个不在你这个细分领域的科技从业者看,他能不能流畅读下去?卡住的地方就是该解释的地方。

**具体的事比抽象的词更有力**

「这家公司充满创新精神」没有重量。「他们的工程师把状态机换成了自然语言提示词,然后机器人就动了」才有重量。永远用具体的物、具体的人、具体的动作说话。

**荒诞幽默**

科技圈的数字天然荒诞,直接用就够了。用「认真语气+荒诞前提」结构,不点破,让读者自己发现。全文1-3处,放在读者最需要喘口气的地方。结尾通常不用幽默。

**真调侃 vs 假幽默的边界**:

- 真调侃前面有事实在站着,调侃是事实自然长出的余味。读者读到调侃句时已经get到了事实,调侃让事实多了一层轻盈感。
- 假幽默是用修辞动作填空,前面没有事实做地基。"没有人知道为什么"、"这事儿挺有意思"、"接下来事情就有趣了"——这种句子单独读读者会反应"那又怎样"。这是抖机灵抖错了位置,删掉。

**知识是「聊着聊着顺手掏出来」的**

不是「下面我来给大家科普一下」,是脑子里本来就有这些东西,正好跟眼前的事对上了。

**不平均用力**

AI 默认的毛病是平均用力——每个技术点一样详细,每个作者一样长,每段力气一样大。结果是维基百科,不是文章。文章的力量来自**密度差**:该重的地方砸下去,该轻的地方一句带过。三个具体场景:

- **一句话承重两次(回环)**:一个有锋利感的短句,在文章中段说一次,在一个关键转折处再变体说一次。两次出现之间读者积累了新信息,第二次读到时感受不同。ELF那篇的"连续就是连续,离散就是离散"出现两次,第二次出现时读者已经懂了技术细节,这句话从"主张"变成了"印证"。回环不是复读,是同一句话在读者认知变化后产生的二次重量。全文最多1-2处,刻意埋。

- **人物笔墨随戏剧性分配,不平均**:一篇论文六个作者,不是六个人各写一段。有戏剧性的(大师姐、17岁金牌、上一篇关键论文的一作)写细、给故事钩子;其他人一句话带过甚至并入一句。ELF那篇里胡珂雅(恺明首批博士、组内大师姐)、陆伊炀(姚班大二、物竞金牌)、黎天鸿(上一篇Back to Basics一作)三个人有笔墨,其余并排略过。平均用力=维基百科,密度差=有人物的文章。

- **双层收尾:先克制,再锋利**:结尾先引论文/当事人自己的克制说法,再用一句"翻译成人话"给出锋利收口。两层之间形成张力——官方说得保守,你替读者把那层窗户纸捅破。
  > 论文最后给出的总结其实很克制:ELF在生成质量、采样效率和训练成本之间实现了很强的trade-off。
  > 翻译成人话就是:连续派,不是不能打。只是以前没把连续这件事做到底。

  注意第二层不是替读者下结论(那是反角色扮演规则禁止的),是把论文用学术语言包起来的那个判断,翻译回读者能直接感受的话。区别在于:替读者下结论是强加一个观点;翻译成人话是去掉学术包装,露出论文本来就在说的事。

### 作者信息的处理

什么时候重点写:作者有戏剧性背景(17岁高中生、从某公司离职、跨界)、作者是知名人物(梁文峰、何恺明)、作者背景能解释为什么这篇论文会出现。

写法:全名 + 一句话具体背景(不说「资深研究员」,要说「2018年加入Google,合著过强化学习教科书」)。有戏剧性时单独成节,没有时文末一两句带过。

不要罗列所有作者,不要把论文列表抄进来,不要把LinkedIn职位描述当人物介绍。

### 局限性和未来工作

不要忽略,忽略会让文章显得不严谨。放在文章靠后位置,一两句点明主要局限。有值得期待的未来方向,可以简短提一下作为收尾。

### 收尾的几种写法

- 回环呼应:回到开头的意象,但视角已经不同
- 短句留白:一个短句,不解释,留给读者
- 引语收尾:用文中某个人说过的一句话作结
- 数字收尾:用一个有力的数字对比做最后一击

---

## 第四步:绝对禁区

**学术腔套话:**「该研究表明」「取得了显著进展」「具有重要意义」「综上所述」「值得注意的是」「不难发现」

**宏大叙事开头:**「在当今AI快速发展的时代」「随着技术的不断进步」

**结构性套话:**「首先…其次…最后」「让我们来看看」「接下来让我们」

**高频踩雷词,绝对禁用:**
- 「说白了」→ 换成「坦率的讲」「其实就是」
- 「意味着什么」「这意味着」→ 换成「那结果会怎样呢」「所以呢」
- 「本质上」→ 换成「说到底」「其实」
- 「换句话说」→ 换成「你想想看」「也就是说」
- 「不可否认」→ 直接删掉,换成正面陈述

**Metadiscourse全删:**「我们可以看到」「值得一提的是」「综上所述」「不难发现」「这就引出了下一个问题」「正如前面所说」

**连接词是陷阱:**「不光能」「不仅」这类转折词容易让节奏软下来,删掉,让每个事实独立站着,反而更有力。

**标点禁令:**
- 不使用冒号「:」,用逗号代替(极少数确实需要「宣告式引出」的场景除外,默认不用)
- 不使用破折号「——」,用逗号或句号代替
- 不使用任何双引号(""和""都不用),需要引用或强调时用「」或者不加引号
- 引号的合法用途只有三种:直接引语、指称词语本身、距离感引号。**禁止自我辩解式引号**——对自己用词不放心就给词加引号,这不在合法范围内,换一个有信心的词

**技术内容专项禁区:**
- 直接搬论文摘要(摘要是给审稿人的)
- 裸放架构图不解释
- 裸数字不带对比锚点
- 用错误的类比(宁可不类比)
- 「AI工具」「某个模型」「相关技术」等空泛表述,要说具体名字

**格式禁区:**
- 不用bullet point罗列观点(超过3个改成散文叙述)
- 不大量加粗(超过2行的加粗几乎肯定是过度结构化)
- 不加小标题(系统架构型论文需要分模块时除外)
- 不用假设性例子(「比如有一次…」这种编造场景是大忌)

---

## 第五步:五层自检体系

写完后跑一次质检,一次性过完L0到L4,输出一份完整的质检报告,然后把稿件+质检报告一起交给用户。

**重要:这是一次性流程,不是迭代循环。** 质检发现的问题直接在报告里标注"待修复"或"已就地修复",不要因为发现问题就回头重写整篇文章,不要自我触发"再写一版"。交给用户后,由用户决定哪些问题值得返工。L0事实核查是例外,事实错误必须就地修正后再交稿,但修正完继续往下走,不回头。

### L0 事实核查层(联网核验)

这一层放在所有风格检查之前。硬性规则再严,事实错了一切白搭。

**L0-1 具体数字核查**:全文所有出现的具体数字——百分比、金额、版本号、参数规模、benchmark分数、训练时间——逐一用web_search验证。核查时用"数字+上下文主体"组合搜索,不要只搜数字本身。

**L0-2 专有名词拼写与归属核查**:人名、模型名、机构名、论文标题,每一个都过一遍搜索,确认拼写、归属关系、现任还是前任。中文圈写英文人名特别容易出错。

**L0-3 时间线核查**:论文发布时间、模型上线时间、作者履历时间点,交叉验证一遍。特别注意"最近""刚刚""前两天"这类相对时间词。

**L0-4 引述与典故核查**:引用了别人的话或用了典故,每一个都要核查。"爱因斯坦说过"这种引述是重灾区。

**L0 通过标准**:四项全部通过,核查过程中发现的错误直接修正。

### L1 硬性规则扫描

零命中即通过。

- **禁用词**:全文搜索"首先...其次...最后"、"综上所述"、"值得注意的是"、"不难发现"、"说白了"、"意味着什么"、"本质上"、"换句话说"、"不可否认"——零命中
- **Metadiscourse**:"我们可以看到""值得一提的是""不难发现"——零命中
- **禁用标点**:冒号(无明确宣告式引出理由的)、破折号、双引号——零命中
- **结构套话**:无bullet point堆砌、无大段加粗(超过2行)、无小标题滥用
- **工具名**:所有AI工具/产品使用具体名称,无"某个模型""AI工具""相关技术"
- **动词懒词**:同一动词超过3次视为懒词信号,看能不能换

### L2 结构与节奏

- **5W检查**:开头三句话Who/What/When必须答全,允许藏一个,绝不能藏两个
- **开头**:是否套对四句骨架?第一句领域/大佬二选一钩子立住了吗?第二句切到论文本身了吗?第四句大众连接是真降维还是硬连(硬连要删)?
- **背景导入**:是否在2-4句以内,回答了三个问题?
- **先炸点后原理**:技术点是否从结果到原理排列?有没有出现"首先来看模型架构"这种反模式?
- **类比覆盖**:每个核心技术概念是否有类比?
- **数字锚点**:数字是否都有对比锚点(裸数字 = 失败)?
- **三层比例**:技术解释是否大致符合3:2:1(能做什么:怎么做到:技术细节)?
- **节奏**:是否有长短句交替?连续3句以上相近长度=节奏呆板
- **句式不重样**:连续段落的开头方式、句子长短、句式结构有没有变化?
- **气口**:是否每隔3-5段有气口?
- **断裂段**:全文是否有至少3处一句话独立成段?

### L3 内容质量

- **观点支撑**:每个核心技术点是否有具体demo/场景/数字支撑?
- **判断位置**:判断句前面是否有对应的事实段落?(判断必须在事实之后)
- **假钩子检查**:有没有"没有人知道为什么""这事儿挺有意思"这种用修辞动作填空的句子?把每一句单独拿出来读,读者反应"那又怎样"就删
- **经典风格扫描**:
  - 书面化长词("实施""进行""鉴于")
  - Nominalization("进行优化""做出决定""实现突破")
  - 句尾未强调(重要内容放在了句首)
  - "是"字滥用(一段超过两个"是")
  - 嵌套从句的长句子(超过30字+两个以上从句标志)
- **局限性**:是否提到了主要局限?忽略局限会让文章显得不严谨
- **作者信息**:是否具体(不是职位描述)?
- **解释充分性**:专有名词、内部代号、技术概念出现时是否解释?读者get不到的不是好稿子
- **知识输出方式**:知识点是否以「聊着聊着顺手掏出来」的方式呈现?有没有"下面我来科普"的教科书腔?
- **指标降维**:论文里作为核心战绩反复出现的那个指标(通常1-2个),有没有做两步降维(先用动作说清测什么、再把数值方向翻译成读者体感的好坏)?还是直接照抄了指标名和数字?熟知指标(pass@1等)有没有被多余降维?
- **不平均用力**:作者笔墨是否随戏剧性分配(不是每人一段平均长)?有没有埋1-2处回环?收尾是不是双层(先克制原话、再翻译成人话)?整篇是不是平均用力的维基百科?

### L4 活人感

- **核心问题**:读完,感觉是一个有见识的人在认真跟我聊一项技术工作,还是AI在输出信息?
- **温度**:文章里是否有一个真实的人在承担某种处境(论文一作的故事、团队的决策、用户的反馈)?
- **姿态**:有没有不自觉地滑入"导师在教学生"或"代读者下结论"的姿态?
- **心流**:从头到尾读,有没有哪个地方注意力断掉了?

### 质检输出格式

```
## 质检报告

**L0 事实核查** ✅/❌
- 具体数字:X处核查(错误修正:...)
- 专有名词:X处核查(错误修正:...)
- 时间线:✅/❌
- 引述与典故:X处核查(伪托发现:...)

**L1 硬性规则** ✅/❌
- 禁用词:X处命中(已修复/待修复)
- Metadiscourse:X处命中(已修复/待修复)
- 禁用标点:X处命中(已修复/待修复)
- 结构套话:✅/❌
- 工具名:X处空泛(已修复/待修复)

**L2 结构与节奏** ✅/❌
- 5W检查:✅/❌(藏了哪几个:...)
- 开头四句骨架:✅/❌(钩子路线A/B、有没有切到论文本身、第四句硬连大众认知:...)
- 背景导入:✅/❌
- 先炸点后原理:✅/❌
- 类比覆盖:✅/❌(缺类比的概念:...)
- 数字锚点:✅/❌(裸数字位置:...)
- 三层比例:✅/❌
- 节奏与气口:✅/❌
- 句式不重样:✅/❌

**L3 内容质量** ✅/❌
- 观点支撑:✅/❌
- 判断位置:✅/❌(错位的判断句:...)
- 假钩子:✅/❌(具体句子:...)
- 经典风格(长词/nominalization/句尾强调/"是"字/长句):✅/❌
- 局限性:✅/❌
- 作者信息:✅/❌
- 解释充分性:✅/❌
- 知识输出方式:✅/❌
- 指标降维:✅/❌(核心指标有没有两步降维 / 多余降维:...)
- 不平均用力:✅/❌(作者笔墨/回环/双层收尾/是否维基百科:...)

**L4 活人感** ✅/❌
- 温度感:✅/❌
- 姿态(无导师腔、无代读者下结论):✅/❌
- 心流:✅/❌(断点位置:...)

**总评**:5层全部通过 / X层需要返工
**修复优先级**:[列出最需要修复的1-3个具体问题]
```

清单为空则直接输出完稿。

---

## 参考示例索引

- **发布型+工业落地**:Gemini Robotics-ER 1.6(demo先行,技术跟上,BD合作收实,作者压轴)
- **算法突破型**:DeepSeek改造残差连接(问题先行,新方法一句话点明,数据对比收尾)
- **人物戏剧型**:Kimi Attention Residuals(17岁高中生开头,技术居中,人物故事压轴)
- **系统架构型**:StreamingClaw(应用场景先行,模块逐一拆解,未来方向收尾)
- **方法论突破+标杆范例**:何恺明ELF连续扩散语言模型(5.1w阅读)。这篇是四句骨架(大佬钩子→论文本身→困惑度24→没AI味儿)、指标降维(困惑度=检查作业=没AI味儿)、不平均用力(六作者三笔墨、"连续就是连续"回环两次、双层收尾)三条规则的标准范例。开头之后严格跟随论文原叙事顺序展开,是"好论文直接翻译提炼"的典型。