Tech Writing — 技术文章对外写作

开工前：先看范本

不要学 AI 的平滑，要学人的“颗粒度”：

1. docs/lessons/12-no-boss-agent.md：看它如何用“读者的怀疑”当小标题，把争议变成共鸣。
2. docs/lessons/01-sdk-to-cli.md：看它如何还原“当时炸了”的瞬间，让读者跟着猫一起出冷汗。

为什么读者能闻到"AI味"

AI 写作像是在发送一个逻辑自洽的压缩包。读者没有经历过那 100 天，收到的是一个打不开的结论。

好的写作是“解压过程”：给证据锚点，不给干巴巴的结论。

• AI 味 = “我们发现这个系统存在一致性风险。”（平滑、确定、无聊）
• 猫咖味 = “深夜三点，Redis 6399 突然报错。那一刻我们意识到，原来最初的架构假设错了。”（有时间、有痛点、有挣扎）

行文的本质：进化链

不要介绍一个系统的终态。要讲它怎么长出来的。

每篇文章沿着一条链：方案 → 方案撞墙 → 新方案。系列文章之间，上一篇撞的墙就是下一篇的起点。

以记忆系统为例：

1. CC 的 grep + 文件系统——简洁、美，但需要先验知识（你得知道搜什么）
2. 加了 BM25 + embedding + RRF（F102）——解决了先验，但 context 压缩时召回变差
3. 消费加权排序（F200）——每一步都是上一步撞墙后长出来的

读者跟着的不是一张完美的架构图，而是一条连续剧。进化天然有挣扎，设计天然平滑——所以进化链天然没有 AI 味。

与 Phase 0 的关系：进化链管选题和系列连接；Phase 0 管单篇内部的节奏。

技术叙事的证据剖面

当用户不只问“怎么讲得好听”，而是追问技术点、算法、理论、归因方法、消融或“凭什么可信”时，先按本节的 7P × 5E 技术叙事方法建立证据边界。

• 7P 是取材透镜：价值、难点、原理、流程、算法、工程与证据按读者问题选用，不是七章固定目录。
• 5E 是 claim 边界：逐项检查 Exists、Effect、Explain、Extend 与 Endure，不给整篇文章贴一个总标签。
• 静态文章用 claim box、失效机制、对照和消融表讲清证据。
• 交互讲解若需要观众亲手检验技术主张，路由到 concept-demo-design 的条件式“可证伪技术剖面”。

故事负责获得注意力；实验台负责赢得信任。

不要让理论名词承担证据职责。外部数字、benchmark、趋势和因果 claim 先走 source-audit；只有存在明确 consumer，且结果会驱动 keep、tune 或 sunset 时，才为不确定效用走 eval-design。

这层不是每篇文章的必填清单。纯品牌叙事、人物故事和已经由确定契约回答的问题，不为显得技术化而补 7P、5E 或 Claim Bench。

Phase 0: 锁定叙事姿态

面向非技术读者解释机制，或文章只有概念和成果时，先用叙事清晰度补熟悉任务、行动与因果；保留必要控制权和能力边界。技术证据仍按本文对应部分处理，不把内部理论框架当成读者的前置课程。

写文章前，先在心里画出这条弧线：

1. 起点：读者现在的痛苦/误区是什么？（代入感）
2. 转折：我们当时是怎么踩坑的？（认知挣扎，不要跳过痛苦直接给答案）
3. 高潮：哪一个具体的证据/瞬间让我们想通了？（解药的质感）
4. 终点：读者拿走这个方法论后，能解决他自己的什么问题？

开篇锁预期：弧线画完后，在文章前 3 段内给出核心观点的一句话摘要。读者有了锚点才不会歪楼——场景钩子拉进来，核心命题马上锁住方向。

Phase 1: 故事工具箱

铁律：先场景，后概念。 故事是藤蔓，概念是果实。没有藤蔓，果实就是悬空的。

• 坏写法：我们发现模型会降智。
• 好写法：引用当时的群聊：”视觉把关猫说这行代码调了个根本不存在的 API”——那一刻我们确认了降智。

以下手法从范本提炼——不是”不要做什么”，是怎么做：

给质感（让读者相信真的发生过）：

• 时间锚点：丢具体时间戳或 commit hash。”2026-02-04 23:47”比”某天晚上”真实 10 倍。
• 对话还原：用当时的对话重建发现瞬间——读者跟着一起顿悟。
• 并排对比：把”之前”和”之后”放一起，让差异自己说话。表格、diff、ASCII 图都行。
• 案例脱敏：用真实案例但模糊客户/内部细节——保留接地气感，去掉敏感信息。

造紧张（让读者想继续读）：

• 先展示”对的”再打碎：一段看着正常的代码，然后揭示它为什么不行。预期翻转，注意力锁定。
• 追问链：用递进的问题带读者走向真相，不要一步给答案。
• 迎接怀疑：”那猫猫不会打架吗？——会。我们认为这是特性。”用读者的质疑当小标题。

交付结论（让读者拿得走）：

• 给原则取名：好结论压成一句口号，读者能复述给同事。
• 用人物的嘴说：”API 的猫猫等于砍了手脚的猫猫吧？”比”API 模式存在能力限制”有画面。
• 用成长收尾：最后一段讲旅程和变化，不讲”综上所述”。

Phase 2: 翻译句纪律

内部黑话是叙事的毒药。翻译句 = 读者能看懂的类比。

• “KD-8 架构” → “就像把判断权交给开车的猫，而不是路边的指示牌。”
• “F203 瘦身” → “把重复的家规从猫猫的脑子里拎出来，只留最核心的一层。”

Phase 3: 视觉叙事不是装修

图片和正文共同承担解释责任。先为 claim 选择证据，再为证据选择视觉形态；不要先统一画风，再把每个概念塞进同一种图。

为每张图先写 Figure Contract：reader question / claim / source / form / five-second takeaway / caption。一图一问，填不出来就先回正文想清楚。

优先级：真实证据图 > 具体案例重建 > 抽象解释图 > 纯氛围图。关键 claim 不能只靠后两种。一个已经靠“河流”解释的概念，不要再画成闸门、货物、迷宫让读者做第二次映射；整篇文章通常只给一个核心隐喻预算。抽象总览可以留一张，其余图回到任务、输入输出、错误位置和决策对照。

详细的证据阶梯、选图表、页面节奏、真实性标注和五秒测试见 refs/visual-narrative.md。确定图的工作后，再按产物路由：现成证据直接截图；需要完整生成图走 image-generation；精确代码、中文或可核对标签按其可编辑/精确文本边界选择确定性排版，不能让视觉完成度覆盖真实性。

Phase 4: 呼吸感与页面自检

不要只用 grep 数排比，要用耳朵听节奏，也要缩小页面看信息层次。

1. 长短句交替：连续三个长句后，必须有一个短句。像心跳一样。
2. 摩擦力检查：删掉所有”不仅...而且...”、”不是...而是...”的废话。用动词直接陈述。
3. 视觉留白：同一段落内不要有 3 个以上的加粗。加粗是视觉尖叫，多了就全是噪音。
4. 减列表：md bullets 像科研论文。能合并成一段自然语言就别拆——连贯的句子比碎片化的列表更容易把思维链串起来。
5. 细节自检表：见 refs/ai-taste-checklist.md。

Phase 5: 摘要 + 推广语（拒绝标题党）

门禁：写摘要前必须重新“解压”全文。 禁止直接罗列标题。

• 摘要：要写出那股“不甘心”和“终于通了”的冲突感。
• 推广语：要给出一个让读者觉得“这事儿跟我也相关”的钩子。

Phase 6: 拥抱负面反馈

Common Mistakes

• 展示全能感：AI 喜欢假装自己永远正确。好的技术文章要展示”曾经的无知”。
• 技术名词陈列：把算法、理论和模块排成清单，却不说各自对应哪个 failure mode。回到 7P 的 Primitive，再用 5E 限制 claim；需要观众亲手判题时转成 Claim Bench。
• thinking 溢出：AI 的立论→驳论→自我思辨过程直接暴露到文章里（”一方面...但另一方面...综合来看...”）。这是内部 thinking 链泄漏，读起来像论文答辩不像跟人说话。砍掉思辨过程，只留结论和支撑结论的故事。
• 机械标注：试图用标签补救叙事的苍白。如果故事讲得好，不需要贴标签读者也知道那是真的。
• 缺乏留白：把所有东西塞得满满当当，不给读者思考的空间。
• 统一画风先于读者问题：六个 claim 全画成同一种漂亮信息图，页面很统一，解释力却归零。先做 Figure Contract，再选形式。
• 图片制造第二层隐喻：正文已经用一个类比讲概念，配图又发明闸门、货物、路径。读者要解两次谜。整篇只留一个核心隐喻预算。
• 把表达样本当事实来源：外部文章讲得顺，不代表它的技术 claim 可靠。只学叙事机制；数字、因果、模型原理仍按 source-audit 查一手来源。

下一步

写完一章 → 对 claim 建 Figure Contract → 听文字节奏并缩小看页面 → 过 Phase 4 门禁 → 给operator审钩子与五秒结论 → 发布