Часто можно определить, написан ли пост ИИ или человеком, но можете ли вы точно сказать, почему? Попробуйте найти как можно больше признаков «ИИ-мусора» (slop) в описании этого пулл-реквеста (PR):

Этот PR внедряет надежный уровень кэширования для реактивных конвейеров Panel. Это не просто улучшение производительности — это фундаментальный сдвиг в том, как состояние передается через ваше приложение. Используя мемоизацию, мы плавно сокращаем избыточные вычисления, повышаем отзывчивость и снижаем затраты на сервер. В конечном счете, это изменение дает разработчикам возможность создавать более быстрые и масштабируемые панели мониторинга.

Этот PR внедряет надежный уровень кэширования для реактивных конвейеров Panel. Это не просто улучшение производительности — это фундаментальный сдвиг в том, как состояние передается через ваше приложение. Используя мемоизацию, мы плавно сокращаем избыточные вычисления, повышаем отзывчивость и снижаем затраты на сервер. В конечном счете, это изменение дает разработчикам возможность создавать более быстрые и масштабируемые панели мониторинга.

Если вы заметили слова «надежный» (robust), «используя» (leveraging), «плавно» (seamlessly) и «дает возможность» (empowers), то это типичные примеры, но их замена все равно оставит абзац, который читается как ИИ-текст, потому что остальные проблемы носят структурный характер:

«Это не просто X, это Y» — аргумент против утверждения, которое никто не делал.
«Сокращаем избыточные вычисления, повышаем отзывчивость и снижаем затраты на сервер» — это список из трех пунктов, потому что три звучит завершенно, а не потому, что существует три измеренных преимущества.
Последнее предложение повторяет первое, но более сложными словами.

Удалите все, что не является информацией, и останется совсем немного:

Добавляет мемоизацию в реактивный конвейер.

Добавляет мемоизацию в реактивный конвейер.

Это важно не только из-за стиля, поскольку читатель, заметивший ИИ-мусор, начинает сомневаться во всем документе, включая те части, которые кто-то написал тщательно. Для описания PR это означает, что рецензент начинает меньше доверять коду еще до того, как прочитает хотя бы одну его строку.

По иронии судьбы, Claude помог мне составить черновик этого поста об ИИ-мусоре, поэтому я позволю вам судить, насколько хорошо это вышло. Большая часть того, что следует ниже, — результат нескольких проходов, во время которых я помечал мусор в его черновиках, и некоторые из этих исправлений вошли в навык очистки (deslop skill) в составе holoviz-skills.

Лучшие практики написания PR

Текст воспринимается как написанный ИИ из-за цветистой лексики, такой как «погрузиться» или «надежный», вместо простых и прямых терминов. Однако паттерны ИИ также включают структуру: анонсы, конструкцию «не X, а Y», тройки, повторы, короткие отрывистые предложения, аккуратные завершения и тяжелое форматирование. Одной лишь заменой слов все проблемы не решить.
Самый эффективный способ — дать модели пример желаемого стиля до того, как она начнет писать.
Чтобы привести черновик в порядок, удаляйте лишнее перед переписыванием, используйте сканер (например, тот, что находится в навыке deslop) для выявления механических паттернов и перечитывайте текст, чтобы найти то, что было упущено. Затем перепишите текст, отточив промпт, или напишите черновик своими словами.
Наконец, попросите другого человека проверить текст и, в идеале, прочитать его вслух.

Типичные ловушки

Анонсирование чего-либо вместо прямого изложения, с помощью вводных фраз вроде «Суть в том», «Ключевой вывод заключается в», «Важно отметить, что» и «Давайте погрузимся», где решение состоит в том, чтобы удалить обещание и оставить суть: Важно отметить, что парсер является однопоточным. → Парсер является однопоточным.
Контрастные формулировки вроде «Это не инструмент, это рабочий процесс» или «Не просто быстрее, а дешевле» требуют ложного утверждения, с которым можно спорить, поэтому модель выдумывает его. Решение — сформулировать вторую часть, или, если обе части верны, объединить их в «быстрее и дешевле».
Тройки вроде «быстрый, гибкий и масштабируемый» появляются потому, что три имеет ритм, поэтому посчитайте пункты, которые соответствуют действительности, и оставьте только те, которые вы можете подтвердить и которые не повторяются.
Повторение одной и той же мысли другими словами, например: «Парсер медленный. Он долго работает. Почему он такой вялый?», что говорит об одном и том же трижды. Оставьте самый понятный вариант, а остальное удалите.
Короткие отрывистые предложения подряд, например: «Запрет слов работает наполовину. Модели находят замены», разбивают одну идею на такты, чтобы звучать решительно. Соединение их с помощью скрытых связующих слов («поскольку», «так что», «но») обычно читается лучше.
Аккуратные завершения вроде «В конечном счете, речь идет о создании лучшего программного обеспечения» или «И это меняет все» добавляют ощущение завершенности, не добавляя информации. Если последнее предложение повторяет первое или добавляет пустой пафос, удалите его.
Форматирование как имитация усилий — это жирные заголовки у каждого пункта списка, заголовки над разделами всего в два абзаца и таблицы там, где хватило бы одного предложения.
Расплывчатый авторитет и пассивный залог приписывают утверждение кому-то, кого нет рядом («эксперты утверждают», «многие полагают», «были допущены ошибки»), или добавляют «с другой стороны», когда одна сторона явно права. Называйте источник или берите ответственность за утверждение на себя.

Почему модели пишут так

Одна из вероятных причин: во время дообучения люди оценивают ответы. Структура, баланс и акценты воспринимаются как усилия, поэтому модель учится добавлять их везде, даже там, где они ничего не несут. Она также тяготеет к наиболее распространенному стилю в своих обучающих данных, который включает много маркетинговых текстов. Человек добавляет украшательства, когда предложение в них нуждается, в то время как модель добавляет их каждые несколько предложений независимо от контекста.

Во время написания этого текста я спросил Claude, что делает текст большой языковой модели (LLM) узнаваемым, и его ответы пришли в виде маркированных списков с жирными заголовками, заканчивающихся аккуратными однострочниками. Когда я спросил, являются ли его собственные ответы мусором, он обнаружил паттерн «не-X-а-Y», который использовал при объяснении того, почему «не-X-а-Y» — это плохо. Он лучше умеет находить паттерны, чем избегать их, что делает его более полезным в качестве рецензента, чем в качестве автора.

Как очистить текст от мусора

Перед генерацией

Пример вашего письма лучше любого списка инструкций, поэтому вставьте абзац своего текста или того, на который вы хотите быть похожи, и попросите использовать этот стиль. По моему опыту, модели имитируют примеры гораздо надежнее, чем следуют прилагательным вроде «лаконичный» или «естественный». (Так начался черновик этого поста: я дал Claude свой предыдущий пост и сказал: «это мой тон общения».)

Также помогает описание читателя, поскольку фраза «читатель уже поддерживает приложение на Panel» избавляет от вводных объяснений.

Затем опишите, что вы хотите получить, а не то, чего следует избегать, потому что «не звучи как ИИ» — это слишком расплывчато.

Выбор модели тоже имеет значение. На одном и том же diff Claude Opus 5 звучал архаично, в то время как Claude Opus 5.5 читался гораздо легче.

После генерации

Сначала удаляйте, так как большая часть мусора — это лишние слова. Вводные фразы, завершения, оговорки и анонсы не несут информации, и LLM не сможет заменить их новым мусором.

Для механических паттернов сканер находит их последовательно, и навык deslop в holoviz-skills включает в себя сканер:

Он помечает фразы и структуры предложений, а --em-dash и --colon-triple включают две проверки, которые создают много шума в технических текстах. У него бывают ложные срабатывания (например, вполне уместное «no X, no Y» в диалогах), и он не может распознать абзац, который пытается казаться глубокомысленным, не попадая под регулярное выражение. Поэтому навык сочетает сканирование с этапом оценки: прочитайте весь текст целиком, исправьте найденные ошибки по одной, а затем повторно просканируйте и обоснуйте каждое оставшееся срабатывание.

Чтение вслух также помогает, поскольку тройные повторы и перефразирования становятся очевидными при произнесении.

Если вы контролируете модель, еще один вариант — дообучение: тренируйте её с использованием функции вознаграждения, которая штрафует за «мусорный» контент, чтобы она изначально писала его меньше. Первый запуск обучения с подкреплением (RL) Софии Янг с моделью вознаграждения Jev — хорошее начало.

Чего делать не стоит

Списки запрещенных слов помогают лишь отчасти, так как модели обходят их: запретите «delve», и вы получите «dig into», а переписывание, заменяющее «Here’s the thing» на «The reality is», ничего не исправляет.

Также не стоит сглаживать свой стиль до нейтрального: если вы пишете короткими хлесткими предложениями или любите использовать эмодзи (грешен 😛), оставьте их.

А если черновик плох от начала до конца, редактирование даст вам лишь чуть более чистый плохой черновик, поэтому лучше начните заново, взяв за образец тот стиль, который вам нужен.

Заключение

Навык очистки от «мусора» и сканер находятся в holoviz-skills, но они решают задачу лишь частично, поэтому важно самостоятельно проверять результат перед публикацией. Если вы найдете «мусор», который проскользнул в этом посте, дайте мне знать, написав на форуме.

Хотите получить советы по очистке вашего AI-кода от «мусора»? Ознакомьтесь с первой частью этой серии блогов.