AI 改稿语气切换：选中一段话让它"更正式/更随意/更简洁"，多种版本对比着选

一、问题定义：语气切换到底在切换什么

先把需求说清楚。"选中一段话让它更正式/更随意/更简洁"，这句话里其实混着三种不同性质的变换。正式与随意属于语域（register）维度的调整，改变的是词汇层级、句式复杂度、称呼方式与情态强度；简洁属于信息密度维度的调整，改变的是冗余度、修饰成分与从句嵌套深度。两者可以叠加，也可以独立发生。一段话可以"更正式但更长"，也可以"更随意但更简洁"，这说明语气切换不是一维滑杆，而是至少二维的风格空间。

语言学界对语域的经典刻画可以追溯到 Halliday 的语域理论，他把语域分解为语场（field）、语旨（tenor）与语式（mode）三个变量。本文评述：这套框架对工程实现有直接价值——语旨对应"对谁说话"（决定正式度），语式对应"书面还是口语"（决定句式密度），语场对应"在谈什么"（决定术语保留策略）。把这三个变量显式写进提示词，比笼统说一句"改正式点"要稳定得多。

从生成任务的角度看，语气切换属于文本风格迁移（Text Style Transfer, TST）的一个受约束子集。经典 TST 研究关注"把负面评论改成正面"这类情感极性翻转，允许内容发生较大变化；而改稿场景恰恰相反，它要求内容几乎不变、只有风格变。这个差异决定了不能直接套用情感迁移的模型与评估方法。笔者认为，改稿语气切换更接近"受控改写（Controlled Paraphrasing）"，其约束强度介于摘要（内容压缩）与复述（内容等价）之间。

核心约束三原则（本文提出的工程判据）：
① 事实不变：数字、专名、时间、否定极性必须逐字或语义等价保留；
② 意图不变：原文的请求、判断、承诺等言语行为类型不得改变；
③ 可逆可查：改写结果应能回溯到原文片段，便于人工核对。

这三条原则不是空谈。在工程上，它们直接对应三类校验器：实体一致性校验（NER 对齐）、极性校验（否定词与情态词检测）、对齐校验（句级或片段级对齐）。后文第四节会把它们落进流水线。

二、风格表示：从"正式度"到可计算向量

2.1 语言学特征：可解释但覆盖有限

早期风格度量依赖人工特征。正式度常用的代理指标包括：缩略形式比例（don't vs do not）、第一/第二人称密度、情态动词强度（may/might vs must）、平均句长、从句嵌套深度、被动语态比例、拉丁词源词汇占比等。这些特征可解释性强，适合做规则化的后处理校验，但单独用来驱动生成则过于稀疏。

Heafield 与 Koehn 等人在统计机器翻译时代就研究过"正式度"的可控性问题，尝试用特征加权的解码器偏向特定风格。本文评述：这类方法的局限在于特征之间高度相关，且难以覆盖中文特有的语域标记——比如"您/你""贵公司/你们公司""敬请/麻烦"这类敬谦辞系统，在英文特征体系里没有直接对应物。中文语气切换必须单独建模敬谦辞与语气助词（啊、吧、呢、罢了）。

2.2 嵌入空间：风格向量的可计算化

更主流的做法是把风格表示为嵌入空间中的方向向量。代表性工作包括：Shen 等人提出的交叉对齐自编码器（Cross-aligned Autoencoder），用对抗训练让内容表示与风格表示解耦；Hu 等人提出的DualRL，用两个强化学习代理分别负责风格强度与内容保留；Dai 等人提出的Style Transformer，通过替换注意力头中的键值对实现风格注入。这些方法共同的思想是：在隐空间里找到一条"风格轴"，沿轴移动即可改变风格而不动内容。

近三年，随着大模型成为主流，风格表示的研究重心转向激活空间（activation space）。2023 年以来一批工作（如 Representation Engineering 方向的研究）表明，高层语义属性在残差流中往往呈现近似线性的方向，可以通过对比正负样本对求均值差得到"风格向量"，再在推理时加到中间层激活上。本文评述：这条路线对改稿场景很有吸引力，因为它不需要重新训练，且风格强度可以通过缩放系数连续调节。但风险也明显——激活干预容易损伤事实性，需要配合约束解码使用。

2.3 中文语域的可操作标签体系

落到中文工程实践，笔者建议用一套五档语域标签替代模糊的"正式/随意"二分：

档位	典型场景	语言特征
L1 公文/法律	合同、公告、规章	无缩略、无语气词、名词化程度高
L2 商务/学术	邮件、报告、论文	敬谦辞、被动句、限定性副词
L3 通用书面	新闻、说明文	标准句式、少量口语词
L4 口语/社交	聊天、社区帖子	语气助词、短句、省略主语
L5 亲密/网感	弹幕、梗文化	网络新词、谐音、夸张标点

这套标签的价值在于可标注、可评估。做人工评测时，标注员只需判断"改写结果落在哪一档"，比判断"够不够正式"的组间一致性更高。本文评述：把连续的风格空间离散成有限档位，是一种工程上的权衡——牺牲了细腻度，换来了可控性与可评测性。对于"选中一段话点按钮"这种交互，五档已经足够，甚至三档（正式/中性/随意）就能覆盖大多数需求。

三、风格注入：提示词、微调与解码三条路

3.1 路线一：提示词工程（Prompting）

最低成本的做法是零样本或少样本提示。关键在于把模糊需求转成可执行约束。以下是一个经过工程验证的模板：

你是一名中文文字编辑。请对【原文】做风格改写。

【目标风格】L2 商务书面（介于正式与中性之间）
【硬约束】
- 保留全部数字、专有名词、时间、否定词，不得增删事实
- 保留原文的言语行为（请求仍是请求，判断仍是判断）
- 术语不得替换为同义口语词
【软约束】
- 去除口语语气词（啊/吧/呢/嘛）
- 将缩略表达展开（"搞定"→"完成"）
- 控制句长在 25–45 字之间
【输出格式】
只输出改写后的正文，不要解释，不要加引号。

【原文】
{selected_text}

本文评述：提示词路线的效果高度依赖基座模型的指令遵循能力。2022 年 InstructGPT 的工作（Ouyang 等）首次系统证明，经过人类反馈强化学习（RLHF）的模型在零样本指令遵循上显著优于基座模型。2023 年之后，开源模型（如 Llama 系列、Qwen 系列）通过指令微调也具备了可用的风格控制能力。但提示词路线的稳定性仍是短板——同一提示在不同输入上可能给出风格强度差异很大的结果。

提升稳定性的常用技巧有三：一是提供对照示例（few-shot），给 2–3 组"原文→目标风格"样例；二是要求模型先分析再改写（chain-of-thought），让它先列出需要修改的点再动笔；三是分步执行，先做正式度调整，再做简洁度压缩，避免一次提示承担过多约束。关于提示词设计的系统教程，可参考 OpenAI 官方 Prompt Engineering 指南（platform.openai.com/docs/guides/prompt-engineering）与 Anthropic 的提示工程文档（docs.anthropic.com）。

3.2 路线二：指令微调与参数高效微调

当提示词无法满足一致性要求时，需要微调。全参数微调成本高，实践中更常用参数高效微调（PEFT）。LoRA（Hu 等，2021）通过在权重矩阵旁注入低秩分解矩阵实现微调，可训练参数通常降到原模型的 0.1%–1%。QLoRA（Dettmers 等，2023）进一步结合 4-bit 量化，使单卡微调 7B–13B 模型成为可能。

针对语气切换的微调数据构造，笔者建议采用平行语料 + 指令模板的方式：每条样本包含原文、目标档位、改写结果三元组。数据来源可以是人工改写、规则改写（如敬谦辞替换表）与大模型生成加人工校验的混合。本文评述：纯模型生成的数据容易引入"风格漂移"——模型会不自觉地把改写变成重写，导致内容偏离。因此校验环节不可省，至少要过滤掉实体不一致的样本。

微调的关键超参经验（基于公开实践的归纳，非单一实验结论）：学习率 1e-4 到 2e-4，LoRA rank 取 8–32，训练 1–3 个 epoch。rank 过低会导致风格控制能力不足，过高则容易过拟合到训练集的措辞。关于 LoRA 的实战教程，可参考 Hugging Face PEFT 官方文档（huggingface.co/docs/peft）与相关视频讲解。

3.3 路线三：解码期控制

不改模型也能控制风格，办法是在解码阶段干预。常见手段包括：

• 约束解码（Constrained Decoding）：维护一个禁用词表（如口语语气词），在每步 logits 上把禁用 token 的概率置零。适合硬性风格要求。
• 对比解码（Contrastive Decoding）：同时跑一个"正式"专家模型和一个通用模型，用两者 logits 之差放大风格特征。Li 等人在 2023 年的 DExperts 工作中验证了这种"专家-反专家"思路。
• FUDGE 类方法：Yang 与 Klein 在 2021 年提出用外部属性分类器对未来序列打分，再据此调整当前步概率。优点是即插即用，缺点是需要一个可靠的前缀分类器。
• 激活引导（Activation Steering）：在推理时给中间层激活加上风格向量，强度由系数控制。

本文评述：解码期控制的优势是灵活、可组合、无需训练；劣势是推理开销增加，且多个约束叠加时容易互相冲突（比如"更简洁"要求删词，而"更正式"要求展开缩略词）。工程上建议把硬约束（禁用词、实体保留）放在解码期，软约束（句长、语气）交给提示词或微调，形成分层控制。

3.4 三条路线的选型对照

维度	提示词	微调	解码控制
启动成本	极低	中高	中
风格一致性	波动大	高	中高
内容保真	中	取决于数据	高（可硬约束）
推理开销	低	低	中高
适用阶段	原型验证	规模化上线	硬约束兜底

笔者的工程建议是三线并用、分层控制：提示词负责整体风格方向，微调负责稳定性，解码控制负责硬约束兜底。三者不是替代关系，而是互补关系。

四、工程实现：一条可落地的改写流水线

4.1 整体架构

把前面三节的方法串起来，一条完整的语气切换流水线包含六个环节：输入解析 → 约束提取 → 风格注入生成 → 多候选采样 → 校验打分 → 排序呈现。下面逐环节说明。

[选中文本]
    │
    ▼
① 输入解析 ── 分句、NER、数字/时间抽取、否定极性检测
    │
    ▼
② 约束提取 ── 生成"不可变集合"（实体、数字、极性）
    │
    ▼
③ 风格注入 ── 提示词 + 微调模型 + 解码约束
    │
    ▼
④ 多候选采样 ── 温度/top-p 扰动，生成 N 个版本
    │
    ▼
⑤ 校验打分 ── 实体一致性 / 极性一致 / 风格分类器 / 流畅度
    │
    ▼
⑥ 排序呈现 ── 按综合分排序，展示 Top-K 供用户对比选择

4.2 环节一：输入解析与约束提取

这一步常被忽视，但它决定了后续校验能否自动化。具体做法：用中文 NER 模型抽取人名、机构、地名、产品名；用正则抽取数字、百分比、日期、金额；用规则加小模型检测否定词（不、没、无、非、未）与情态词（必须、应当、可以、建议）。这些抽取结果构成"不可变集合"，改写后必须逐项核对。

本文评述：约束提取的粒度需要权衡。抽得太粗（只抽实体）会漏掉数字变形（"三成"改成"30%"虽语义等价但形式变了），抽得太细（逐字对齐）又会误伤合理的同义替换。笔者的经验是按语义类型分级：数字与专名要求形式严格一致，普通名词允许同义替换但要求词表内可控。

4.3 环节二：生成参数配置

改写任务对解码参数敏感。与创意写作不同，改稿需要"稳定中带一点变化"。以下是笔者归纳的推荐区间（基于公开实践与常见工程经验，非单一实验数据）：

参数	推荐值	作用与说明
temperature	0.6–0.9	过低改写幅度小，过高易跑题
top_p	0.9–0.95	核采样，控制候选词范围
repetition_penalty	1.05–1.15	抑制复读，过高会破坏正常重复
max_new_tokens	原文长度 × 1.3	留出改写膨胀空间
num_return_sequences	3–5	多版本对比的候选数

关于采样策略的理论基础，Holtzman 等人 2020 年提出的核采样（Nucleus Sampling）指出，固定 top-k 在分布尖锐时过于保守、在分布平坦时过于激进，而按累积概率截断能自适应地平衡。本文评述：改稿场景下，温度与 top-p 的联合调节比单独调一个更有效——先降 top-p 收紧候选范围，再适度提高温度增加措辞多样性，往往能得到"稳中有变"的结果。

4.4 环节三：校验器实现

校验器是保证"事实不变"的关键。三类校验器可以这样实现：

• 实体一致性：对原文与改写结果分别跑 NER，比较实体集合的差集。差集非空则标记为高风险。注意处理别名（"北京大学"与"北大"），可维护一张别名词典。
• 数字一致性：正则抽取全部数字表达式，规范化后比较（"30%"与"百分之三十"应视为等价）。
• 极性一致性：检测否定词与情态词，比较原文与改写的极性标签序列。否定丢失是最危险的一类错误，必须硬拦截。

本文评述：校验器不可能做到 100% 准确，但能拦下大部分严重错误。工程上建议采用分级策略——高风险错误（数字、否定）直接丢弃候选，中风险错误（实体别名）降权，低风险差异（措辞）放行。这样既不误杀，也不漏放。

五、多版本对比：采样、打分与选优

5.1 为什么要多版本

单次生成的结果往往不是最优的。语言模型的输出分布很宽，同一个提示可能对应多个合理解。与其让用户反复点击"重新生成"，不如一次给出多个候选让用户挑。这就是"多种版本对比着选"的技术依据。

这一思路在学术上对应Best-of-N 采样与重排序。Cobbe 等人 2021 年在 GSM8K 数学推理任务上验证了"生成多个解、用验证器挑最好的"能显著提升准确率。Stiennon 等人 2020 年的摘要任务工作则证明，用奖励模型对多个候选排序，效果优于直接监督微调。本文评述：改稿场景与数学推理不同——数学有客观正确答案，改稿的"最好"是主观的。因此重排序的目标不是找唯一最优，而是保证候选集合的多样性，让用户有得选。

5.2 多样性采样策略

要让 N 个候选真正"不同"，不能只靠随机种子。常用策略包括：

• 分组采样：把 N 个候选分配到不同温度（如 0.6/0.75/0.9），分别代表"保守改写""中等改写""激进改写"。
• 提示词变体：同一目标风格用不同措辞的提示词，减少单一提示的偏置。
• 分步组合：先做正式度改写得到 2 个版本，再对每个版本做简洁度压缩，组合出 4 个候选。
• 去重过滤：用编辑距离或句向量相似度过滤掉过于接近的候选，保证展示的 N 个确实有差异。

本文评述：多样性采样的核心矛盾是"差异"与"可用"的平衡。温度太高会产生跑题候选，浪费用户注意力；温度太低则候选雷同，失去对比意义。笔者的经验是把温度跨度控制在 0.6–0.9 之间，并强制要求候选之间的编辑距离超过阈值。

5.3 打分器设计

候选生成后需要打分排序。一个实用的打分器可以分解为四个子分数：

子分数	实现方式	权重建议
内容保真	实体/数字/极性校验通过率	0.4（硬门槛）
风格符合度	风格分类器打分或规则特征	0.3
流畅度	语言模型困惑度（PPL）	0.2
多样性	与已选候选的相似度惩罚	0.1

本文评述：权重不是拍脑袋定的，应该用人工标注的偏好数据做拟合。做法是让标注员对候选两两比较，得到偏好对，再用 Bradley-Terry 模型拟合各子分数的权重。这与 RLHF 中奖励模型的训练思路一致（Christiano 等，2017；Ouyang 等，2022）。

5.4 呈现层设计

多版本对比的界面设计直接影响用户体验。几个要点：

• 候选之间用差异高亮标出改动处，让用户一眼看到改了什么。
• 每个候选标注风格标签与改写幅度（如"保守/中等/激进"），帮助用户快速定位。
• 提供逐句对比视图，原文与改写左右对照，便于核对事实。
• 支持二次微调，用户可以在某个候选基础上继续要求"再正式一点"。

关于差异高亮的实现，可以用词级 diff 算法（如 Myers 差分算法）对齐原文与改写，标记插入、删除、替换三类操作。相关开源实现可参考 Python 的 difflib 库文档（docs.python.org/3/library/difflib.html）。

六、评估体系：怎么判断"改得好"

6.1 自动评估指标

风格迁移的自动评估长期存在争议。常用指标包括：

• 风格准确率：用独立训练的风格分类器判断改写结果是否达到目标风格。注意分类器本身有误差，且容易被"关键词触发"欺骗。
• 内容保留度：BLEU、ROUGE、BERTScore 等。本文评述：这些指标原本为翻译和摘要设计，用在风格迁移上有系统性偏差——它们奖励字面重合，而风格迁移恰恰要求字面变化。因此只能作为参考，不能作为主指标。
• 困惑度：衡量流畅度，但低困惑度不等于好改写。
• 联合指标：如 JGA（Joint Geometric Average），把风格准确率与内容保留度做几何平均，避免单一指标被刷。

近三年，随着大模型成为评估器（LLM-as-a-Judge），用 GPT-4 级别模型做打分逐渐流行。Zheng 等人 2023 年的 MT-Bench 工作系统研究了 LLM 评判与人类评判的一致性，发现强模型评判在多数任务上与人类偏好吻合度较高，但存在位置偏置、长度偏置等问题。本文评述：LLM 评判适合做快速迭代的代理指标，但不能替代人工评估，尤其在风格这种主观维度上。

6.2 人工评估设计

人工评估要控制好三个变量：评分维度、标注指南、一致性检验。推荐的四维评分表：

维度	问题	量表
风格符合	改写结果是否达到目标语域？	1–5
内容保真	事实、数字、意图是否完整保留？	1–5
流畅自然	读起来是否像人写的？	1–5
可直接用	是否需要大量修改才能使用？	是/否

标注一致性用 Cohen's Kappa 或 Krippendorff's Alpha 衡量，低于 0.6 说明指南需要修订。本文评述：风格评估的组间一致性天然偏低，因为不同人对"正式"的阈值不同。解决办法是提供锚点样例——在指南里给出每个档位的 2–3 个标准例子，让标注员对齐尺度。

6.3 线上指标

产品上线后，真正有说服力的是行为数据：候选采纳率、二次编辑率、撤销率、平均选择耗时。本文评述：撤销率是最值得盯的指标——用户点了"更正式"又撤销，说明改写结果不符合预期或引入了错误。把撤销率按风格档位、文本长度、领域分层分析，能定位出系统性问题。

七、数据集与预处理细节

7.1 公开数据集

风格迁移领域有几个被广泛使用的英文数据集：Yelp 评论数据集（情感极性）、GYAFC（Formality 风格，Rao 与 Tetreault，2018）、Pretraining 数据等。GYAFC 包含约 11 万对正式-非正式句子对，是目前最接近"正式度切换"需求的公开资源。中文方面，缺少大规模平行语域语料，这是工程落地的一个现实瓶颈。

本文评述：直接拿英文数据集训练中文模型不可行，因为语域标记系统不同。可行的替代方案是用大模型合成 + 人工校验构造中文平行语料，或者从现有中文语料中挖掘"同一内容的两种表述"（如新闻稿与微博转发、官方通报与网友转述）。

7.2 数据预处理流程

以 GYAFC 为例，标准预处理步骤包括：

• 去重：用精确匹配加 MinHash 近似去重，剔除重复句对。
• 长度过滤：剔除超过 100 token 或少于 3 token 的样本，避免极端长度影响训练稳定性。
• 实体对齐检查：用 NER 比较源句与目标句的实体集合，剔除实体不一致的噪声对。这一步在 GYAFC 上会过滤掉约 5%–10% 的样本（模拟估计，实际比例随 NER 模型而异）。
• 风格标签校验：用预训练风格分类器对目标句打分，剔除分类器置信度低的样本。
• 分词与规范化：中文用分词工具（如 jieba、LTP），英文用 BPE；统一全半角、标点。

本文评述：预处理中最容易被低估的是实体对齐检查。很多风格迁移数据集存在"改写时顺手改了事实"的噪声，如果不清理，模型会学到"改风格可以改事实"的错误关联，这在改稿场景下是致命的。

7.3 中文语料构造建议

针对中文，笔者建议按以下流程构造语料：

1. 采集同源异体文本
   - 官方通报 vs 媒体报道 vs 社交平台转述
   - 同一事件的正式稿与口语化解读
2. 句级对齐（相似度 + 实体匹配）
3. 风格档位标注（L1–L5，双人标注 + 仲裁）
4. 实体/数字/极性一致性过滤
5. 划分 train/dev/test（8:1:1，按主题分层）
6. 构造指令格式：{"原文":..., "目标档位":..., "改写":...}

本文评述：同源异体文本的采集是关键难点。一个可行思路是利用"同一新闻的通稿与自媒体改写"这一天然平行现象，但要注意版权与合规问题，训练数据应使用授权语料或自建语料。

八、前沿预判与开放问题

8.1 从"风格切换"到"风格组合"

当前功能是单维切换，未来会走向多维组合：同时控制正式度、简洁度、情感温度、专业深度。这在技术上对应多属性可控生成。难点在于属性之间可能冲突（正式与亲切、简洁与详尽），需要解耦表示或条件独立的控制机制。本文评述：多属性控制目前还没有成熟方案，一个可能的方向是把每个属性建模为独立的激活方向，通过向量加法组合，但需要解决方向之间的干扰问题。

8.2 个性化风格

"更正式"对不同人意味着不同东西。未来的方向是学习用户个人的风格偏好，从用户历史编辑中提取风格向量，让改写结果贴近用户自己的笔调。这在技术上可以用少量用户样本做风格适配（style adaptation），类似个性化推荐中的用户画像。

8.3 事实性保障

改稿最怕改错事实。当前靠校验器事后拦截，未来可能走向生成时约束——在解码阶段就锁定实体与数字的 token，从根本上杜绝篡改。这类"检索增强 + 约束解码"的组合是值得关注的方向。相关研究可参考事实性解码（Factual Decoding）与知识约束生成方向的工作。

8.4 评估的自动化与可信化

人工评估贵且慢，自动评估又不够准。折中方案是用少量人工标注校准 LLM 评判器，建立映射关系后大规模自动评估。本文评述：这条路的关键是持续监控评判器漂移——模型版本更新、数据分布变化都会让评判器失准，需要定期用人工样本重新校准。

8.5 开放问题清单

• 中文语域平行语料稀缺，如何低成本构造高质量数据？
• 风格强度能否像音量旋钮一样连续可调，而非离散档位？
• 多属性控制中，属性冲突如何自动消解？
• 如何评估"改写后是否更容易被读者理解"，而不只是风格符合？
• 长文本（整篇文档）的语气一致性如何保证？

本文评述：这些问题没有标准答案，但它们构成了这个方向未来 2–3 年的研究地图。对于工程团队而言，不必等学术问题全部解决——用提示词 + 校验器 + 多候选选优的组合，已经能做出可用的产品。技术选型的原则是先解决 80% 的常见情况，把长尾交给人工。

九、主要参考文献