AI网文写作实验笔记（九）：为什么删了情绪词，AI 写的还是很假？——揭秘“载体单一化“

承接上一篇：戏有了，情绪还是假

承接AI网文写作实验笔记（八）：1轮追问就够了。

Part 8 处理了追问轮数的问题：剧情蓝图生成后，让 AI 追问优化 1 轮就够。但稿子读起来仍然差一口气——故事该有的都有了（反派在攻心、主角在反击、反转也有），就是没有真人作者那种"跟着心跳"的感觉。问题出在情绪。

网上的去 AI 味教程普遍说"情绪词堆太多，要 show don’t tell，用动作表现"。我们照做之后发现无效。本文就是回答"为什么无效、问题到底在哪"的。

写给谁： 用 AI 写完后觉得"故事对但没感情"、被去 AI 味教程反复折腾、想搞清楚问题在哪的作者。

本篇的实验目的（两个实验，各回答一个问题）

实验一（测量+找差异）： 先立一套能区分"真情绪"和"堆情绪词"的测量方法。为什么不能直接数情绪词？因为 AI 稿情绪词最多、读起来却最假。再用这套方法测出 AI 稿和真人原文到底差在哪。

实验二（解法验证）： 网上常见的去 AI 味手段（情绪词黑名单 + 行为映射表 + 弧线指令）能不能让 AI 的情绪表达向真人靠拢？——验证一个具体假设：词表层面的约束能否解决情绪假的问题。

最终结论： AI 稿和真人原文的差距，主要在于"情绪载体单一化"——AI 把所有情绪塞进同一种表达方式。而网上流行的词表约束（黑名单、映射表、弧线指令）对这种差距没有作用。下一步，得换一种思路：不在写的时候管它用什么词，而是先在结构上规定好情绪怎么铺。

一、 先解决"怎么测情绪"

1.1 数情绪词为什么不行

最朴素的测量是统计情绪词密度（紧张/愤怒/悲伤这类词的出现频率）。拿一批真人原文和 AI 稿对比，结果是：AI 稿情绪词密度高达 104/千字，真人原文仅为 9.2/千字，约 11 倍。

但真正的问题在于：真人网文——以男频垃圾话风格为例——表达情绪靠嘴炮、动作、表情符号，几乎不用"他感到紧张"这类词；而 AI 稿恰恰相反，标准情绪词堆得越多，读起来反而越假。情绪词密度测的不是"情绪好不好"，是"用了多少标准情绪词"。拿它当"情绪好不好"的尺子，AI 词多反而得分更高——可 AI 写得最假。方向是反的。

这里要补充一点：这批 AI 稿是攻心对峙戏、真人原文是男频垃圾话风格。"垃圾话"指角色靠嘴炮、互怼、粗口或表情符号表达情绪，而非书面化的心理描写。两者题材和对话密度本就不同，所以 11 倍里含一部分题材偏差——方向相反是确定的，倍数只能当量级参考。

1.2 LLM 语义标注：把"情绪靠什么撑"显形

既然数词不准，就不数词了。改让大模型逐段阅读，每段标三个字段：

情绪载体（本文的核心概念）——这段情绪主要靠什么撑起来的：

• 直述情绪词：“他感到愤怒”“心情复杂”
• 动作-微表情：“指节发白”“攥紧纸杯”“碾碎碎石”
• 对话-台词：嘴炮、垃圾话、表情符号
• 节奏-结构：短句骤停、留白、句长变化

需要说明：这个四分类是本文提出的工作分类，参考了 show-don’t-tell 的写作常识——情绪用行为而非直述承载。但它没有引用成熟的叙事学或心理学框架，是否完备（比如内心独白、环境烘托算哪类）、四类是否正交，都没有验证，属于"先够用、后补验"的工作定义，下文结论受此限定。

本文的核心假设（先抛出来，第二节用数据验证）：

AI 与真人原文的情绪差异，不在"有没有情绪词"，而在情绪载体是否单一化——真人原文分散使用多种载体，AI 倾向于把所有情绪堆到同一种载体上（初稿靠对话、校准后靠动作-微表情）。

1.3 测量流程与可复现方法

原始文本
  → 清洗（去 Markdown 标记/空白）
  → 切窗（每 500 字一刀，位置归一化 0-100%）
  → 逐窗喂 LLM（temperature=0，固定 prompt）
  → 每窗输出 {intensity, type, carrier}
  → 汇总：各 carrier 占比（这篇的"载体指纹"）
  → 多篇/多组做统计检验，看差异是否显著

量级参考：2000 字约 4 窗，7000 字约 14 窗。每窗一次 LLM 调用，60 篇约 100+ 次调用，deepseek 花费几块钱以内。完整的切分代码和标注 prompt 在文末附录，想复现照着做就行。

测量方法的两个已知局限（先交代，免得误导）：

1. 单模型单次标注，未做信度检验。 所有窗口都是 deepseek 标一次。严谨做法应抽 10% 窗口用第二个模型或人工重标、算 Cohen’s kappa（标注者间一致性指标，越高说明标得越一致）；没做这一步之前，“测量可行"的说法需要打个折扣——准确地说，应该是"该测量在单模型标注下能区分三档样本，但标注信度与分类效度尚未验证”。temperature=0 降低随机性，但不能保证完全可复现。
2. 强制单选载体。 prompt 要求"只能选一类，若混合取主导"。真人原文的情绪往往是"台词+动作+节奏"混合承载，强制取主导可能低估其混合度，甚至**“载体单一化"这个发现里，有一部分是标注规则逼出来的**——标注器被迫在每个窗口只能挑一个主导载体，自然显得"集中”。验证方法：改用"主载体+辅载体"双字段或打权重，看分布是否还高度集中。

二、 测量结果：三档样本，载体分布差异显著

实验一要回答的： 这套 LLM 语义标注方法能不能把真人原文和 AI 稿区分开？以及测出的差异是什么——即 1.2 的核心假设是否成立。

样本设计： 真人原文 5 章（男频垃圾话风格）为基准；AI 校准正稿 3 章（经过文风校准，出自正稿流程）；AI 未校准初稿 15 篇（生成初稿）。三档窗口数 17-30 不等。

载体分布（窗口占比）：

统计检验： 卡方=21.96，p=0.0012。（表中各行为四舍五入后的百分比，合计约 100%。统计保留见 4.2。）

三个可观察到的现象：

1. 初稿的情绪类型高度单一。 未校准初稿 30 个窗口里，"紧张对峙/紧张"出现 15 次，几乎只有这一种情绪。强度虚高到 7.67，因为它靠对话反复表达同一种紧张。

2. 校准后载体转移到动作-微表情。 校准正稿的直述情绪词确实清零了（校准有效），但动作-微表情升到 76%。"指节发白/攥紧/瞳孔颤动"成了新的高频写法。强度从初稿的 7.67 拉回到 5.94，但仍高于原文的 5.19——校准压低了虚高，但没有完全回到真人的水位。

3. 真人原文四种载体都占，没有哪一种被堆满。 对话 62% 为主，但动作 19%、情绪词 10%、节奏 9% 都有。情绪类型多样，强度适中 5.19。

用一段具体文本感受"载体单一化"：基于对 60 篇生成稿的通读观察，AI 稿的典型写法是连续堆砌动作描写；真人原文的典型写法是对话与动作交替。下面用示意文本各演示一段（两段均为人工构造，不来自任何真实作品，仅用于直观展示概念）：

AI 稿（载体集中到动作-微表情）： 陆清玄攥紧封魔印，指节压得发白。他瞳孔微缩，死死盯着鼎口，喉结上下滚动。玉衡真人猛地攥紧扶手，骨节发白，嘴唇颤抖了好一阵。

真人风稿（载体分散）： "凭什么是我去？！"小师弟一拍桌案站起来，"就因为我入门最晚？"大师兄眼皮都没抬："你少来这套，上次你也是这么说的。"小师弟愣了半秒，气得笑出来："行，你厉害。"大师兄这才慢悠悠补一句：“我不厉害，我就是不想背这个黑锅。”

拆开看真人风稿的载体轮换："拍桌站起来"是动作，"凭什么是我去"是对话，"眼皮都没抬"又是动作，"行，你厉害"是对话——载体在交替。而 AI 稿从头到尾都是"攥紧/发白/颤动"这类动作描写。这就是"载体单一化"的直观感受。

这里说明一下样本量：AI 校准正稿只有 3 章 17 窗，明显小于初稿的 30 窗，因为校准正稿生产成本高、需人工逐句审校。方向性结论可靠，具体比例待扩大样本验证。

回到核心假设：数据支持"载体单一化"。 AI 稿（无论校准与否）都把情绪集中到一种载体；真人原文四种载体分散使用。1.2 提出的核心假设成立。

三、 验证一个常见解法：词表约束有没有用

实验二要验证的假设： 既然差异是载体单一化，那网上主流去 AI 味教程给的三个药方——① 情绪词黑名单（别写"愤怒"“紧张”）；② 行为-情绪映射表（把情绪转写成动作）；③ 弧线/结构指令（先定情绪曲线再写）——能不能把载体分布扳向真人原文？

这组约束并非闭门造车，而是来自被广泛传播的"去 AI 味"教程。在实验二中，我们按阶梯叠加的方式控制变量验证：B 组只在 A 组基础上加一层约束，C 组再叠一层，这样能看出每一层各自起不起作用。

实验设计（三组阶梯，控制变量）：

• 场景：陆清玄×情魔 攻心戏（与 Part 7/8 同素材，可比）
• 模型：doubao，temperature=0.7，每组 20 篇，共 60 篇
• 测量：上文的方法（同窗口、同标注 prompt）
• 指标：黑名单遵守率（写后 lint）+ 载体分布 + 强度

C 组弧线指令的具体内容（避免"无效"被误读为"任何结构指令都无效"）：C 组加的是主流教程推荐的结构级指令——先抑后扬的弧线定位、情绪最高点用短句骤停、氛围处用长句、结尾用动作或对话收束（禁止总结感悟）。它代表当前提示词工程在结构控制上的常见做法，不是随手写的。

但要提醒：这是"模糊的结构指令"——只规定了情绪出现的位置，没规定用什么载体实现。真正的结构级干预（强制载体轮换）不在本组测试范围，见 4.1。

先看约束被遵守了吗（写后 lint 扫描黑名单词命中）：

约束被遵守——B/C 组的黑名单词命中清零。

再看载体分布有没有变：（多样性熵：衡量载体分布均匀程度的指标，越高说明载体越分散，越低说明越集中、越单一。真人原文 1.53，生成稿约 1.1。）

统计检验： 卡方=21.43，p=0.0109。（表中各行为四舍五入后的百分比，合计约 100%；统计保留见 4.2。）差异主要来自"生成稿 vs 原文"这一档：三组生成稿之间几乎没差别，但三组都明显偏离原文——载体分布、情绪类型（都高度集中成"紧张对峙/紧张"）、强度（~7 vs 原文 5.19）彼此接近，都没有向原文靠拢。

（一个额外保留：熵的组间差异没做显著性检验，三组熵值 1.11-1.14 很接近，只能判断"组间差异不大"，不能下更精确的结论。）

结论：约束在词面层被遵守，在结构层没有效果。 模型不再用"指节泛白"和"一丝"，改用"指节压得发白"和"一点"——情绪还是用同一个载体、同一种强度、同一种类型表达。

一个帮助理解的比喻： 这像教一个只会用锤子的人干活。你告诉他"不许用铁锤"（黑名单），他会换成木锤或橡胶锤——换了词——但他解决问题的方式依然是"砸"，也就是同一个载体。词表约束改变的是工具的表面，没有教他用螺丝刀、扳手等其他工具（多样载体）。

一个过程记录： 这套实验先跑了每组 2 篇试跑，当时 C 组多样性熵明显上升（1.14→1.36）、强度下降，看起来弧线指令有效。补满每组 20 篇后，C 组的优势消失（熵 1.11）。载体分布这类结构性指标，小样本波动大，下结论前需要把样本跑满。

四、 结论与边界

4.1 对应实验目的，逐个回答

实验一：测量方法能用吗？测出的差异是什么？

• 方法： 数情绪词不是有效指标（AI 词多反而更假，1.1 已详述）。改用 LLM 语义标注（每窗标强度 + 载体），在单模型标注下能把真人原文和 AI 稿分开（三档差异 p=0.0012，方向性参考）。测量方法初步可用，信度与效度待补检。
• 测出的差异——载体单一化： AI 倾向于把所有情绪集中到单一载体上（初稿靠对话、校准后靠动作-微表情），而真人原文则是四种载体分散使用。校准能清零直述情绪词，但载体转移到动作-微表情，单一化的结构没有变。

实验二：词表约束能解决载体单一化吗？

• 不能。 黑名单+映射表+弧线指令三组约束，载体分布、情绪类型、强度与无约束基线几乎相同。
• 约束在词面层被遵守（黑名单命中清零），在结构层没有效果：模型换一套词，表达方式不变。
• 注意区分： C 组测的是"模糊的结构指令"（只规定情绪位置、不规定载体），真正的结构级干预（强制载体轮换）尚未测试，区别见实验设计节 C 组的说明。

4.2 边界与局限

以下局限按严重程度排序：前两条（标注信度、强制单选）直接影响核心发现，务必先看；其余是常规边界，不影响"载体单一化"这个方向的成立。

以下是另外几条局限。标注信度、强制单选那两条已在 1.3 说过，这里不重复：

• 窗口非独立：卡方以窗口为单位，同章窗口自相关，有效样本量可能小于窗数，p 值可能被低估。正式结论应以"章/篇"为单位复检。
• 卡方前提：列联表有单元格期望频数 <5，严谨做法补 Fisher 精确检验，此处 p 值为方向性参考。
• 题材差异：情绪词密度约 11 倍对比中，AI 稿与真人原文题材不同，倍数含题材成分。
• 样本量有限：实验一每档 3-15 篇，实验二每组 20 篇。方向可靠，具体比例会有波动。
• 单一场景、单一模型：攻心对话戏 + doubao 生成/deepseek 标注。跨题材、跨模型未验证。
• 标注的循环性风险：我们让 LLM 来评判"情绪写得好不好"，但问题恰恰是"LLM 写不好情绪"。如果评判的模型和写文的模型对"好情绪"有同样的偏见，那测出来的可能只是"两个模型口味一致"，而不是"AI 和真人有差距"。本实验评判用 deepseek、写文用 doubao，两个模型不同，减小了这个风险，但没完全排除。
• "先规划情绪曲线再写正文"是推理方向，尚未做成完整实验验证。

五、 本期数据与样本

• 实验一（测量）：23 篇样本（真人原文 5 章 + AI 校准 3 章 + AI 初稿 15 篇），68 个窗口的 LLM 标注原始数据
• 实验二（约束实验）：60 篇生成稿（A/B/C 各 20 篇）+ 全部窗口标注 + 写后 lint 数据
• 标注 JSON、统计脚本、生成脚本——评论区或私信找作者要。

附录：完整可复现的测量代码与标注 prompt

切分和调用骨架（30 行）：

import re, json

def load_text(path):
    t = open(path, encoding='utf-8').read()
    t = re.sub(r'^#.*$', '', t, flags=re.M)      # 去 Markdown 标题
    t = re.sub(r'\*\*|`', '', t)                  # 去加粗/代码标记
    return re.sub(r'\s+', '', t)                  # 去所有空白

def split_windows(text, size=500):
    return [text[i:i+size] for i in range(0, len(text), size)]

def annotate_window(llm_client, window, prompt):
    out = llm_client(prompt.format(text=window), temperature=0)
    out = re.sub(r'^```json\s*|\s*```$', '', out.strip())
    return json.loads(out)   # {"emotion_intensity":7, "emotion_type":"紧张", "carrier":"动作-微表情"}

标注 prompt（完整版，直接可复制）：

你是网文情绪分析工具。下面是一段修仙网文的局部（约500字）。
请判断这段文字承载的主要情绪及其强度、以及情绪主要由什么载体承载。

【情绪载体定义】：
- 直述情绪词：直接写"他感到紧张/恐惧/愤怒""心情复杂""慌了神"
- 动作-微表情：通过动作/神态承载（"指节绷得发白""攥紧纸杯"）
- 对话-台词：通过对话/台词承载（嘴炮、垃圾话、表情符号）
- 节奏-结构：通过句子长短、段落节奏、留白（如短句连发）

【重要】：
情绪词的密集出现不等于情绪强度高。请基于整体叙事效果判断真实情绪强度，
并判断情绪主要靠哪种载体传递（只能选一类，若混合取主导）。

文本：
---
{text}
---

输出严格JSON（不要其他内容）：
{"emotion_intensity": 0到10的整数, "emotion_type": "情绪类型", "carrier": "直述情绪词|动作-微表情|对话-台词|节奏-结构"}

复现时的两个注意点（代码层面，不在 prompt 里）：

1. 调用 LLM 时 temperature 设 0——保证同一段文本重测结果一致，实验可复现。
2. 标注输出用固定模型（如 deepseek）——换模型可能改变标注口径，同批样本不要混用两个标注模型。

（prompt 里已经写死的"情绪词密集 ≠ 情绪强度高"是防 LLM 被情绪词密度带偏，属于 prompt 内容本身，不用额外改。）

本系列进度： Part 1（实验框架）→ Part 2（样本量）→ Part 3（约束数量）→ Part 4（规则形态）→ Part 5（文风标杆）→ Part 6（大纲端的剧情设计上限）→ Part 7（剧情蓝图）→ Part 8（追问优化）→ Part 9（情绪测量 + 载体单一化，本篇）