机器文案已无处不在。读起来像真人，才是稀缺的东西。
Natural Writing 是我们的内部写作工具：拿到机器初稿后，对照一整套已发表的语言学研究反复调校，直到它读起来像真人写的，再由真人签发。这不是为了掩盖机器的参与，我们的版权页坦然写明了这一点，而是因为当每一条渠道都被生成文案填满时，语言正在成为一家企业最大的差异化优势之一。
机器文案，一句话就露馅。
每一条渠道都在被机器写作填满，读者早已学会辨认那些痕迹。套话，工整的三段式排比，没人要的总结。最明显的痕迹是过度衔接：每个论点都焊在下一个上，每个从句都收得干干净净，不给读者留任何余地。人不是这样写字的。而且你没法靠让模型“写得自然点”来解决，因为模型自己心目中的自然，恰恰就是产生这些痕迹的东西。随着这类文案越堆越多，语言正在悄悄成为最大的差异化优势之一。我们希望署着自己名字的文字经得起看，所以动手做了这套工具。
一套以语言学为根基的规则引擎，而这些规则模型从未当作规则读过。
我们派出 14 个研究代理通读已发表的文献，带回 462 条研究发现，其中 60 条经过对照原始来源的对抗式核验。这些沉淀成一套可用的语料：116 条机器痕迹短语黑名单，278 条结构规则，335 条硬统计数据，85 条行业专属规则。来源涵盖英国文体指南（GOV.UK、Plain English Campaign 简明英语运动、经济学人、金融时报、卫报、泰晤士报）、同行评审的语言学研究、AI 检测领域的文献，以及样本量扎实的英国职场调查。
承重的研究锚点都有名有姓，可以查证。Biber 的语域维度理论，衡量一段文字偏向亲近还是偏向信息，这样一封邮件就不会被当作律师函来改。Burrows's Delta，作者归属统计方法，证明每位写作者都有稳定的功能词指纹，于是调校的目标是作者本人的语言习惯，而不是某种泛泛的口语腔。Appraisal 评价理论框架，用于在初稿只剩一堆干巴巴的断言时，把写作者的立场找回来。困惑度与突发度，检测器背后的词元机制：模型总是以均匀的节奏挑选可预测的词，而打散衔接、改变节奏，就能从源头上化解这一点。还有关于人类感知的研究（其中一项发表在 PNAS 上，测试了 4,600 名读者），表明大多数辨认 AI 的民间经验要么无效要么正好相反，所以这套工具做的是移除痕迹，而不是注入假装的怪癖。真实的、出自创始人本人的文字样本用来锚定语域，让每一处修改都朝着一个具体的人靠近，而不是一个人设。这一切都不在模型自身之内。
起草，过检，真人签发。文字和视频，英文和波兰文。
机器写第一稿。初稿随后过检：黑名单命中的词句剔除，结构补上人类编辑会做的变化，语域对照语料调校并锚定目标，用地道的英式英语或母语级波兰语交付，跨语言双向皆可。然后由真人通读并签发。任何东西都不会仅凭一个分数就发出去。同样的纪律也用在视频上：视频引擎带着大约 21 道质量关卡，其中包括配音语域，确保在任何画面渲染之前，语气始终平实，不带吆喝。
我们自己就是第一个客户。
这套工具的第一个客户就是这个网站。规则一旦成形，我们先把它用在卖它的页面上：对整站跑了一遍完整的检查，抓出了起草时留下的机器痕迹，同一句打磨过的话在多个页面重复出现，段落首尾接得过于整齐，然后把它们删掉，这一页也不例外。黑名单也是这样校准的，用真实收件箱而不是理论：140 封机器标注的垃圾邮件对照 66 封真人来信，教会了评分器人写的文字究竟长什么样。视频关卡出自同一个习惯。先立规则，先在自己的活儿上跑一遍，留下经得住的。