上周我发了篇AI眼镜行业的万字战略分析，有个同事看了之后说："这是AI写的吧？
三分钟就出来了？"
我说，写了一周，跟AI对话几十轮，光核查它编的数据就花了一天半。最惊险的一次
——它给我引了一句某CEO的话，语气、用词、逻辑全都像真的。我差点直接用
了。翻出原文一看，意思完全反了。如果不是我恰好看过那篇采访，这篇文章发出
去，我的职业信誉就完了。
先交代下背景：我在互联网公司做产品经理，不带技术背景，但过去一年一直在用AI
写东西——行业分析、产品方案、PRD，大大小小的稿子写了十几篇。踩的坑够写另
一篇了，今天就把万字级长文的完整流程拆给你看。
"用AI写深度文章"和"让AI替你写"，根本是两码事。
一、选题：不是追热点，是你得问得出好问题
选题这步，大部分人凭感觉，什么火写什么。追热点这么干没问题，深度分析不行，
它得有自己的判断逻辑。
我用三个标准筛题：
标准一：你能不能问出好问题。
AI写文章的本质是"你问→它答"。如果你对一个问题完全没有自己的理解，你连该问
AI什么都不知道，它给你的东西你也没法判断好坏。但你要是有一定认知，只是深
度、广度差点意思——这时候用AI最划算，它正好补你的短板。
我选AI眼镜，是因为我在做相关产品，对行业有基础理解，但有些维度还没想透。我
知道该问什么，但回答不了。
标准二：这个话题有没有"被误解的空间"。
如果一个话题大家已经讲烂了，你写出来增量有限。但如果存在大量"大众认知和实
际之间的gap"，那就是好选题。
举个例子。很多人觉得AI眼镜端侧大模型参数量越大越好，3B一定比1B强。但实际
上参数量不等于能力——同样参数量，不同架构、不同量化策略、不同训练数据，能
力差距很大。这种"被误解的空间"就是文章的价值锚点。
标准三：你能拿到多少真实信息。
选题之前先扫一遍信息源够不够。核心数据都是公开能拿到的，可以写；关键信息全
是黑盒，你写出来也是白搭。
二、信息输入：90%的人喂料方式是错的
这一步直接决定你的产出质量。
我见过太多人的做法是：找几篇行业报告，链接往AI里一丢，说"总结一下"。出来的
东西呢？像一个面面俱到但毫无锋芒的摘要，读完等于没读。
问题出在哪？说白了，你给了AI信息，但没给它方向。它的总结能力很强，但你要是
不告诉它"我关注什么、要得出什么结论"，它只会给你一个安全的、平均的、什么都
不得罪的概述。
我的做法分两步：
第一步：自己先读，把信息分成三类。
不是从头到尾精读，是扫一遍，标记三类信息：
确定的事实（有数据支撑、多方交叉验证过的）
有争议的判断（不同人对同一问题看法不同）
缺失的拼图（你想知道但信息源里没提到的）
为什么这么分？因为后面喂给AI的时候，每类处理方式完全不同：事实直接用、争议
要展开两面、缺失的部分明确告诉它"这里我不知道，你帮我推"。
第二步：结构化喂给AI。
不是丢原文，是把你消化过的信息按结构喂进去。我当时大概是这样组织的：
我在分析AI眼镜行业，目前掌握的信息：
【确定的事实】
• Meta Ray-Ban发售约7个月后全球销量突破百万，累计约200万副
• 端侧模型主流方案参数量在1B-3B区间
【有争议的判断】
• 有人认为AI眼镜终局是"手机替代品"，有人认为是"手机配件"，理由分别
是……
【我想分析的问题】
• 行业现在处于什么阶段？
• 终局可能是什么形态？
AI拿到的是你消化过、有结构、有明确方向的输入。它在这个基础上帮你往下推，出
来的东西完全不是一个档次。
踩坑提醒： 喂信息时一定要标注哪些是"我确认的事实"，哪些是"我听说的但没验证
的"。AI分不清这个区别。如果你把没验证的信息当事实喂进去，它会在后面整篇文
章里都当成事实来用，越传越远。
我就犯过这个错——把一个来源不靠谱的销量数据当成"事实"喂进去了，结果后面三
段分析全建立在这个错误前提上。发现的时候已经写了两千多字，全部推翻重来。那
种感觉就像你盖了三层楼发现地基是歪的。
三、结构搭建：拿另一个行业套一下就知道好不好
信息喂完了，下一步搭框架。两种常见错误：
错误一：让AI直接写全文。 没有骨架约束，AI每段都在自己跟自己说话，写出来的
东西是散的。每段都有道理，拼在一起没有完整逻辑链。
错误二：让AI出大纲，直接用。 AI出的大纲往往是"教科书式"的——现状、竞争格
局、趋势展望，看着没毛病，但其实是万能模板。
我让AI出框架之后，会做一个动作：拿另一个行业套一下试试。如果我把"AI眼镜"换
成"智能手表"，框架几乎不用改——那说明太泛了，没抓住AI眼镜行业的本质特征。
好的分析框架要满足两个条件：
条件一：每个部分都在回答一个具体问题，而不是罗列信息。
差的结构："行业现状——市场规模——增长率——主要玩家"。在罗列信息，没有推
进逻辑。
好的结构："行业现在到底卡在哪 → 为什么卡 → 谁在尝试解这个题 → 不同解法胜
算多大"。在推进一个判断链，每一步都建立在上一步基础上。
条件二：各部分之间有递进关系，不能是平行信息模块。
我那篇文章的结构：先搞清行业处于什么阶段（定位）→ 分析卡住的核心瓶颈（找
关键变量）→ 看不同玩家各自的解法（竞争分析）→ 判断哪种解法更可能跑通（推
演终局）。每一步的结论都是下一步的前提。
这个环节改了两三轮，花了两个小时。但这个时间不能省——框架决定了所有内容的
天花板。框架平庸，内容再好也撑不起来。
我见过有人让AI出了个大纲就直接开写，交稿后被同行评价"像教科书摘要"——每段
都对，但没有一句话值得被记住。
要展开两面、缺失的部分明确告诉它"这里我不知道，你帮我推"。
第二步：结构化喂给AI。
不是丢原文，是把你消化过的信息按结构喂进去。我当时大概是这样组织的：
我在分析AI眼镜行业，目前掌握的信息：
【确定的事实】
• Meta Ray-Ban发售约7个月后全球销量突破百万，累计约200万副
• 端侧模型主流方案参数量在1B-3B区间
【有争议的判断】
• 有人认为AI眼镜终局是"手机替代品"，有人认为是"手机配件"，理由分别
是……
【我想分析的问题】
• 行业现在处于什么阶段？
• 终局可能是什么形态？
AI拿到的是你消化过、有结构、有明确方向的输入。它在这个基础上帮你往下推，出
来的东西完全不是一个档次。
踩坑提醒： 喂信息时一定要标注哪些是"我确认的事实"，哪些是"我听说的但没验证
的"。AI分不清这个区别。如果你把没验证的信息当事实喂进去，它会在后面整篇文
章里都当成事实来用，越传越远。
我就犯过这个错——把一个来源不靠谱的销量数据当成"事实"喂进去了，结果后面三
段分析全建立在这个错误前提上。发现的时候已经写了两千多字，全部推翻重来。那
种感觉就像你盖了三层楼发现地基是歪的。
三、结构搭建：拿另一个行业套一下就知道好不好
信息喂完了，下一步搭框架。两种常见错误：
错误一：让AI直接写全文。 没有骨架约束，AI每段都在自己跟自己说话，写出来的
东西是散的。每段都有道理，拼在一起没有完整逻辑链。
错误二：让AI出大纲，直接用。 AI出的大纲往往是"教科书式"的——现状、竞争格
局、趋势展望，看着没毛病，但其实是万能模板。
我让AI出框架之后，会做一个动作：拿另一个行业套一下试试。如果我把"AI眼镜"换
成"智能手表"，框架几乎不用改——那说明太泛了，没抓住AI眼镜行业的本质特征。
好的分析框架要满足两个条件：
条件一：每个部分都在回答一个具体问题，而不是罗列信息。
差的结构："行业现状——市场规模——增长率——主要玩家"。在罗列信息，没有推
进逻辑。
好的结构："行业现在到底卡在哪 → 为什么卡 → 谁在尝试解这个题 → 不同解法胜
算多大"。在推进一个判断链，每一步都建立在上一步基础上。
条件二：各部分之间有递进关系，不能是平行信息模块。
我那篇文章的结构：先搞清行业处于什么阶段（定位）→ 分析卡住的核心瓶颈（找
关键变量）→ 看不同玩家各自的解法（竞争分析）→ 判断哪种解法更可能跑通（推
演终局）。每一步的结论都是下一步的前提。
这个环节改了两三轮，花了两个小时。但这个时间不能省——框架决定了所有内容的
天花板。框架平庸，内容再好也撑不起来。
我见过有人让AI出了个大纲就直接开写，交稿后被同行评价"像教科书摘要"——每段
都对，但没有一句话值得被记住。
四、逐段深写：AI编得太像真的，这才是最可怕的
框架定下来之后，才是真正花时间的部分。这一步的重心其实不在"让AI写"，在"审AI
写的东西"。这一环节陷阱很多。
我讲三个真实踩过的坑：
坑一：AI编数据，编得特别像真的
写到竞争格局那段的时候，AI给我引了一个数据：某研究机构预测2025年AI眼镜出
货量将达到XX万副。数字在合理区间，来源看着也正规。
我当时差点直接用了。
后来去查这个数据的原始出处——查不到。翻遍了那家机构的报告目录，根本没有这
个预测。AI是根据行业增速"推测"了一个合理区间的数字，然后编了一个看似可信的
来源。
你知道这意味着什么吗？如果你不查，这个数据就堂而皇之地进了你的文章。读者看
到"XX机构预测"，觉得有出处，信了。然后你的文章被转发了，这个假数据跟着传出
去，变成"大家都知道的事实"。
这件事之后我定了一条铁律：文章里每一个具体数据，必须找到原始出处才能用。找
不到出处的，要么删，要么改成定性描述。"快速增长"永远比"增长300%"安全——除
非那个300%你查得到出处。
坑二：AI把大佬的话说反了
比编数据更可怕的是引用别人的话。
我让AI帮我整理行业关键人物的观点，它给了我一段某CEO的发言引用，大意是"AI
眼镜终局是替代手机"。
我当时觉得说得挺到位，语气像、用词像、逻辑也通。差点直接放文章里了。
但有个声音不对——我记得那篇采访我看过，人家好像不是这个意思。
翻出来一看。原话恰恰相反：他说的是"AI眼镜不是要替代手机，而是要成为手机的
延伸"。
AI把意思完全翻转了。
更可怕的是这个引用的"真实感"。数据编得太精确反而容易起疑，但引用不会——语
气、用词、逻辑全部成立。如果不是我恰好看过原文，这篇文章发出去，懂行的人一
看就知道你连原始采访都没读过，还做什么行业分析。
所以我的做法是：所有引用别人的话，找到原始出处逐字核对，一个都不能放过。光
这一项就花了我一天半，大约占总时间的20%。
坑三：AI会在你不知道的地方自相矛盾
这个问题最隐蔽。
AI写第一段的时候说行业在"早期采用者阶段"，写第四段的时候又说"即将进入大众市
场"。两个判断是矛盾的。但它们分散在文章不同位置，你逐段审的时候不一定能发
现，只有通读全文才注意到。
我的解决方法：写完所有段落之后，把文章里所有"判断性语句"单独摘出来，排在一
起看。比如这篇文章涉及的所有定性判断——行业处于什么阶段、XX是好是坏、终
局是什么——全部拎出来，检查有没有矛盾。
这个动作花不了多久，但能避免一个致命问题：文章自己跟自己打架。
总结一下：审稿的核心动作就三个——事实核查找原始出处、逻辑追问补跳步、增量
检查删废话。做好了，你的文章质量就超过90%用AI写的内容。因为大部分人用AI写
完，最多通读一遍就发了。
五、让AI给你看一眼差距
光说不练没意思，我做了个实验：同一个话题，分别让AI"直接写"和"按我的流程
写"。
一键生成的版本：
AI眼镜行业正处于快速发展期，市场规模持续扩大。主要玩家包括Meta、小米
等，各有所长。随着技术不断进步，AI眼镜有望成为下一代智能终端……
这段话有错吗？没有。有用吗？一点没有。它就是把常识用AI的方式重新排列了一
遍。读完你什么也没学到。
按我流程打磨后的版本：
AI眼镜行业不缺玩家，缺的是"让人每天戴上就不想摘下来的理由"。Meta卖了百
万副，但AI功能日活使用率不到6%——硬件跑通了，AI还没跑通。这意味着什
么？行业的天花板，说到底不看光学多好芯片多快，就看AI能不能找到一个"只
在眼镜上才成立"的场景——比如AR实时翻译，你在眼镜上自然看到译文，跟对
面聊天不用掏手机，这个体验在手机上做不出来。这个问题不解决，卖得再多也
是假繁荣。
同样的话题，信息密度完全不同。第二个版本有判断、有数据、有逻辑、有结论。这
个差距全是流程带来的——模型还是同一个模型，差别全在怎么用。
六、终稿打磨：去AI味和删废话
所有段落定稿后，最后一遍通读。三个动作：
第一，逻辑链通不通。 开头抛的问题，结尾回答了吗？中间有没有跳步？我把论证
链压缩成一句话：因为A→所以B→因此C。断了就补。
第二，前后判断统一不统一。 前面那个方法：所有判断性语句摘出来排一起看。我
改了好几处——前面说"技术瓶颈在光学"，后面又说"关键看AI能力"，到底是哪个？
想清楚，统一成一个。
第三，去AI味。 AI有一套高频句式，我整理了一个检测清单，写完文章对着查一遍：
判断标准特别简单：你自己平时说话会不会这么开口？不会就改。
还有一个容易忽略的点：删比改更重要。 AI倾向于面面俱到，每段都想说完整。但
好文章需要留白和节奏感。一段话删掉后逻辑不受影响，就不该在那。我终稿时大概
删了15%的内容——有些段落太"正确"了，正确到没有信息增量。
最后说说我那篇文章写出来什么
花了大约一周，几十轮对话，最后交出来一篇万字战略分析。核心结论就一句话：AI
眼镜行业现在不缺硬件玩家，缺的是一个"只在眼镜上才成立"的杀手级场景。谁找到
这个场景，谁就定义了这个品类。
这个判断我自己觉得站得住。因为它不是AI告诉我的——AI给我的是信息整理和初
稿，但"杀手级场景"这个判断，是我审了几十轮内容之后自己想明白的。
AI在这个过程中到底干了什么？三件事：快速整理信息、帮我把碎片想法结构化、生
成初稿。
真正决定文章质量的五件事——选题判断、信息筛选、框架设计、事实核查、终稿打
磨——一件都没法靠它。
用AI写文章的门槛不在AI，在判断。AI一秒钟能生成一千字，你要在十秒内判断哪些
能用、哪些要改、哪些要删。
下一篇我会专门讲：怎么让AI写出来的东西不像AI写的。这是我自己反复试出来的几
个具体技巧，比"多改几遍"这种废话有用得多。
