年前給一個大學畢業(yè)生團隊，交付過一個GPT寫作指令，他們需要寫一份關(guān)于低空經(jīng)濟方向的創(chuàng)業(yè)計劃書，

我給他設(shè)計的一版指令，出來的文章AIGC率直接壓到10%以下，我梳理三個設(shè)計指令的策略：

1、強制注入"大學生視角"，讓AI寫出親歷者的口氣

創(chuàng)業(yè)計劃書有一個特殊的檢測難點，就是它本身是嚴肅文體，但大賽評委和老師判斷是否AI代寫，恰恰是在看那些"不嚴肅"的地方，也就是有沒有真實的大學生自己寫的、自己想的。

通用指令寫出來的計劃書，通篇是結(jié)論，沒有過程，是判斷，沒有摸索，讀起來像一個全知全能的分析師在做匯報，而不是一個大學生在云南街頭做了三天街訪之后得出的發(fā)現(xiàn)。

我在指令里加了第一條約束：禁止用無主語的宏觀表述開場，每一個核心判斷必須綁定一個"我們怎么發(fā)現(xiàn)這件事"的具體來源，包括調(diào)研地點、時間、對話對象，不允許只寫結(jié)論，要寫得到這個結(jié)論之前發(fā)生了什么。

比如痛點部分，指令要求AI不能直接寫"對于大部分人，無人機的操作門檻較高"，而是要先寫"我們在杭州市的xxx街頭做了三天街訪，一個帶著孩子的年輕爸爸說，他把大疆放在酒店沒拿出來，怕螺旋槳削到別人......"，再從這個細節(jié)推出痛點結(jié)論，這么一調(diào)，大學畢業(yè)生發(fā)現(xiàn)痛點的經(jīng)歷就站得住腳了。

2、把數(shù)據(jù)表格和測試記錄改成"我們怎么做這件事"的敘述邏輯

這個客戶為了這個創(chuàng)業(yè)項目，做了大量的測試數(shù)據(jù)和表格，格式規(guī)整，內(nèi)容也詳實，但是如果直接放在文章里，那么評委讀起來就是數(shù)據(jù)庫，不是報告，更缺乏真實感，容易拉高AI味道。

我在指令里加了第二條約束：每出現(xiàn)一組數(shù)據(jù)或測試結(jié)果，必須緊跟一段"當時的現(xiàn)場描述"，用第一人稱把這次測試怎么發(fā)生、出了什么狀況、大家什么反應(yīng)寫出來，不允許讓數(shù)據(jù)自己說話，要讓人帶著數(shù)據(jù)說話。

比如那次飛機飄到籃球架上的測試，指令要求AI寫出"風突然大了一級，飛機開始飄，撞上了籃球架卡住，我們拿了根桿子站在下面夠了五分鐘才把它捅下來，機身一點損壞沒有"，這一段寫進去，整份計劃書的可信度和原創(chuàng)感立刻就不一樣了，AIGC率一下子就下來了。

3、商業(yè)模式和風險分析段落，禁用"宏大敘事"，改用"我們怎么想到這個"的推導邏輯

計劃書里最容易暴露AI痕跡的，是商業(yè)邏輯推導部分，因為AI在處理商業(yè)分析時，天然會向"四象限模型"、"三大路徑"、"五個維度"這類結(jié)構(gòu)靠攏，段落整齊，層次分明，但讀起來像MBA課件，跟大學生創(chuàng)業(yè)團隊的思維方式完全對不上。

我在指令中加了第三條約束：風險分析和商業(yè)模式部分，禁止用標準化、書面化的排列句式，改為用："我們當時擔心的是……后來想到的解決方法是……"這種推導口氣，把團隊討論和決策的過程寫進來，哪怕只是一兩句，也要讓創(chuàng)賽評委看到這個結(jié)論是被一群真實的人想出來的，而不是模型生成的。

比如給無人機加裝微額保險這條風險應(yīng)對策略，指令要求寫出："我們咨詢了一個做保險的朋友，他說在租賃訂單里摳出五毛錢買第三者責任險是完全可行的，這個思路是他給我們提的"，這一句一加，整段的氣質(zhì)就從"戰(zhàn)略報告"變成了"大學生們在真實想辦法"。

說到底，計劃書的原創(chuàng)感不是靠文采堆出來的，是靠"一個真實的人在真實地做一件事"這個底層邏輯撐出來的，指令定制干的，就是把這個邏輯鎖死，不讓AI跑偏。