附加性编辑
摘要
本文描述了“附加性编辑”——一种AI工具的故障模式,即它们不是纠正过时信息,而是在文本中添加附录,并提供了缓解建议。
暂无内容
查看缓存全文
缓存时间: 2026/07/14 22:20
# 累积式编辑 | Justin D Fuller
来源:https://justindfuller.com/programming/accretive-editing
累积式编辑是当前 AI 工具的一种失败模式。你可能已经见识过它的发生。
累积式编辑累积式编辑## 什么是累积式编辑?
1. 你有一段已有的文本。
2. 某些内容发生了变化,导致文本不再准确。
3. 你要求基于 AI 的工具进行更新。
4. 它没有修正文本,而是添加了一个括号注释或其他类型的补充说明。
下面是一个昨天发生在我身上的真实例子。
我有一段这样的文本:“此项目可与 Amazon Bedrock 进行身份验证。”在一次更新中,我移除了对 Amazon Bedrock 的支持,并添加了对 LiteLLM 的支持。Claude 将文本更新为:“此项目可与 LiteLLM 进行身份验证,但不再支持 Amazon Bedrock。”
现在,明确一点:如果你做了重大更新,移除了对某个提供商的支援并换成了另一个,你很可能确实需要传达这一点。然而,把这类信息作为补充说明散落在文档各处显然不是正确的做法。相反,你应该在文档中设置变更日志、公告,甚至醒目的提示框。
AI 工具不仅没有采取上述任何一种做法(有时还会额外添加),反而使用了累积式编辑。它保留了之前现在已无关的信息,并将其附加到新的信息上。
不幸的是,这不是你通过告诉模型“写少一点”就能解决的问题。那样只会让你得到简洁的累积:“此项目可与 LiteLLM 进行身份验证,而非 Amazon Bedrock。”
这也无法通过调整风格来解决。告诉它“避免在句子末尾添加修饰语”只会把累积移到新句子里:“此项目可与 LiteLLM 进行身份验证。它不再使用 Amazon Bedrock。”
## 为什么会这样?
由于大语言模型的本质,我们不知道,也可能无法知道为什么会发生这种情况。但我很乐意进行推测。
当一个人撰写文档时,他是为另一个人而写。他明白人类不关心文档的历史。他们关心的是其中的信息。因此,当更新文档时,他会删除并重写过时的陈述。他的重点是确保文档对读者来说是真实的。
大语言模型无法拥有这种视角。相反,它有两个输入(旧信息和新指令),需要预测接下来最可能的内容。由于“LiteLLM”和“Bedrock”很少只产生“LiteLLM”,它便输出了两者。
## 如何修复
我的目标是识别问题。虽然我已经能够做出一些改善,但还没能完全阻止它。这可能是一个更深层的架构问题。
对于大多数与 AI 相关的问题,我发现告诉它*不要*做什么,不如告诉它*要*做什么有效。
因此,我*不*建议在你的指令中添加类似这样的内容:“避免累积式编辑。在进行修改时,不要将旧信息附加到新信息上。”
相反,专注于解释它应该如何思考更新文档这件事。
> 在更新文本时,用准确的文本替换过时的文本,而不是保留过时的文本并添加修正。最终文档应读起来仿佛从一开始就是正确编写的。
现在,AI 输入有了三个部分:旧的(过时的)、新的,以及一条“删除过时内容”的指令。
相似文章
EditLens: 量化文本中AI编辑的程度 (2025)
EditLens是一个回归模型,用于量化文本中AI编辑的程度,在区分人类、AI及混合写作的二元和三元分类任务上达到了最先进的性能。它弥补了检测AI编辑文本而非完全AI生成文本的空白,对作者归属、教育和政策具有重要意义。
如何在教育中使用AI,它比人类编辑更好吗?
文章探讨了AI在教育中的应用,以及AI编辑工具能否取代人类编辑,旨在了解其真正的好处。
大多AI记忆系统是无意间只增不减,而非有意为之。后果显而易见。
本文批评AI记忆系统默认采用只增不减的机制,导致随时间推移产生冲突信号和知识管理不善,并质疑是否有人真正在解决这一问题,而不仅仅是依赖更好的嵌入技术。
游戏工具中真正的AI垃圾问题不是初稿,而是编辑
文章指出,游戏开发工具中AI生成内容的主要问题并非初稿生成,而是编辑和调整输出使其达到质量标准的难度。
模态解耦的在线递归编辑
提出M-ORE,一种模态解耦的在线递归编辑器,用于多模态大语言模型的终身适应,解决跨模态冲突和编辑间干扰,且每次编辑开销恒定。