同一篇 Issue 文章，在一天里留下了 14 条自动门禁 PASS 记录。质量、事实、AI 味和模型用户视角检查都曾放行。
但它仍被连续退回：案例背景看不懂，结尾金句不好，“还是不好”，再短一点，用更具体的例子讲。
这组记录揭开了 AI 写作中一个常被忽略的问题：评审通过，只能说明稿子没有撞上已知的坏法；它不能说明 AI 学会了作者的品味。
分数守住底线，差异暴露取舍
AI 评审擅长检查显性问题：事实是否越界、格式是否合规、句子是否像模板、章节是否完整。它很像代码里的 linter，能阻止明显错误进入下一步，却很难回答“为什么这句话虽然正确，我仍然不想这样写”。
真正的答案藏在改稿里。
我整理了三组人工修改。CDP 稿补上术语解释，把“请求成功”改成“行动后还要回读结果”；Issue 稿删除多系统架构，改用一次筛选器误修复讲清任务恢复点；谈经验传承的稿子删掉木匠、医生等泛化类比，换成初级程序员做数据库迁移的现场。
另一篇 tmux 稿更明显。AI 原稿从“老派工具”谈起，塞进诺基亚、烤面包机和插线板等比喻。用户把这些元话大段删除，先提出真实问题：怎么用 Codex 监督 Kimi Code K3，再依次写做法与感悟。
这些改动没有给文章打出一个更高的分数，却留下了更精确的偏好信号：少谈写作姿态，先交代问题；少堆类比，多给动作；抽象判断必须由真实后果托住。
人类终稿可以成为参照物
一篇最新论文采用了相似思路。研究者以高质量人类短剧成品作为 Skill 更新的参照，先把成品压缩成只剩故事骨架的大纲，再让 Agent 重建剧本。随后，另一个 Agent 必须把重建稿与人类原作逐项对照，差异再被写回外部文本 Skill 库；模型权重没有改变。
这套比较需要一个人类已经认可的终点。没有原作，评审模型只能表达自己的平均偏好；有了原作，它至少要解释人类为何在这里收尾、为何删掉旁白、为何让道具真正参与情节。
这项研究目前只验证了短剧创作，而且仍标注为 work in progress。它不能直接证明同一方法适用于技术文章。但“从成品差异中学习品味”的思路，值得迁移到日常写作流程。
偏好学习需要四道手续
第一，保存版本谱系。初稿、人工终稿、修改者和修改原因必须能对应，不能只留下最后一版。
第二，从多份 diff 提炼候选规则。单次删除可能只是局部修辞；跨多篇反复出现的“术语后置”“真实问题先行”，才可能是稳定偏好。
第三，每条规则绑定原文、终稿和解释，并由人确认后才能进入 Skill。Agent 可以提出候选项，不能自动修改 SKILL.md。
第四，用未参与提炼的留出稿验证。若规则只会复刻旧文章，或让新稿更僵硬，即使自动评分上涨也应撤回。
AI 评审仍然重要，但它应当负责守门。人类一次次改稿留下的差异，才为 AI 提供具体的取舍方向。
