AI 選題老是重複?用機制標籤法擺脫內容同質化
發佈 2026-09-10 · 更新 2026-09-09 · 閱讀約 6 分鐘 · AI 工作術（法芮可有限公司）
叫 AI 想題目,回來的永遠是「是什麼、教學、推薦、比較」那幾種?這篇拆解 AI 選題重複的兩個真正原因,教你用機制標籤法重新分類題庫、把「什麼還沒試過」寫進判準,並附一次產 30 題砍到 8 題的實作流程與同質化自檢清單。
你把「幫我想 20 個題目」丟給 AI,拿回來的東西大概長這樣:XX 是什麼、XX 教學、XX 推薦、XX 比較、XX 常見錯誤。換一個模型再問一次,前五題有三題一樣。這不是你的 prompt 寫得不夠好,是語言模型本來就在做「最可能的下一句」預測,而「最可能」的另一面,就是「最多人已經寫過」。
要打破這件事,靠「請給我更有創意的題目」沒有用——那句話只會讓它換形容詞,不會換角度。真正有效的是兩個動作:第一,把每個題目標上它在解釋的機制,而不是它的主題;第二,選題判準裡一定要同時寫「已經寫過什麼」和「什麼還沒試過」,給 AI 一份負面清單可以避開。
這篇把整套流程拆成可以直接照做的步驟:機制標籤怎麼定、選題 prompt 的三段式怎麼寫、一次產 30 題砍到 8 題的篩法,以及怎麼量化自檢你的內容是不是已經同質化了。
為什麼 AI 選題永遠收斂到同一批題目
模型產生題目的方式,跟它產生句子的方式一樣:找統計上最合理的那一個。你問「AI 剪片可以寫什麼」,它回的是這個詞彙周邊密度最高的那幾種標題結構。所以你會看到三種固定的收斂:
- 句型收斂:是什麼、怎麼用、推薦、比較、常見錯誤、完整攻略,六種句型吃掉八成題目。
- 層級收斂:全部停在「入門介紹」那一層,沒有一題往下鑽到某個具體的失敗情境。
- 視角收斂:都站在「教學者對新手」的位置,不會出現「營運者對營運者」「踩過坑的人對正要踩的人」。
更關鍵的是第二個原因:AI 不知道你寫過什麼。你每次開新對話問它,它面對的都是一張白紙,當然給你統計上最安全的那批題目——而那批題目,你上個月很可能已經寫過三題。你覺得它在重複,其實是它每次都從同一個起點出發。
順帶一提,換模型不會解決這件事,只會換一種收斂風格。我們自己維護站內知識庫時比較過,不同模型給的題目在「新穎度」上差異沒有想像中大,差別主要在敘述口吻與結構偏好(這部分可以看 ChatGPT vs Claude vs Gemini 比較)。真正拉開差距的是你餵給它的判準,不是模型本身。
機制標籤法:別用主題分類,用「在解釋哪個機制」分類
大部分人整理選題是用主題分:AI 剪片、AI 出圖、AI 客服。這種分法完全防不了重複,因為同一個主題下寫十篇,十篇都在講「怎麼用」。
機制標籤法換一個問題來分:這篇文章讓讀者理解的是哪一個運作機制?把答案標成標籤,同一個標籤下原則上只留一篇。常見的機制標籤大致是這幾類:
| 機制標籤 | 這類文章在回答什麼 | 題目長相 |
|---|---|---|
| 計費機制 | 錢是怎麼被算出來的 | token 怎麼計、中文為什麼比較貴 |
| 失效模式 | 它在什麼情況下會壞 | 出圖把數字改掉、罕見字寫錯 |
| 流程重組 | 原本哪幾步可以被拿掉 | 口播影片的剪輯流程怎麼折疊 |
| 平台限制 | 外部規則怎麼卡住你 | API 額度、回覆頻率、審核規則 |
| 決策取捨 | 兩條路各適合誰 | 字幕工具還是自動剪片 |
| 資料整理 | 亂的輸入怎麼變成結構 | 群組訊息整成一頁待辦 |
用這套標籤重看你的既有文章,通常會馬上看到問題:十篇裡有六篇掛在「怎麼用」這一格,那不是十篇,是六篇重複加四篇。舉例來說,AI token 是什麼 屬於計費機制、AI 出圖中文錯字實測 屬於失效模式,兩篇即使都在講「AI 工具」,讀者拿走的東西完全不同——這才叫不重複。
判準只有一句:如果兩個題目講完之後,讀者學到的是同一條原理,那它們就是同一篇,不管標題看起來差多少。
判準要一起寫「什麼還沒試過」:選題 prompt 三段式
有了機制標籤,選題 prompt 就不能只寫「給我 20 個題目」。要寫成三段,而且第三段最重要。
- 現況:貼出你已發表的文章標題,每一則後面加上你標的機制標籤。10-30 則就夠,不用全貼。
- 缺口:直接寫「以下機制標籤目前是 0 篇或只有 1 篇:平台限制、資料整理、成本估算,請優先從這幾格出題。」
- 排除:寫死禁止清單——「是什麼/教學/推薦/比較」四種句型各不得超過 2 題;不得產出與現況清單相同機制標籤的題目;每一題必須附上它的機制標籤,以及「這題和清單裡哪一篇最接近、差在哪」。
最後那句「差在哪」是整套方法的樞紐。你等於逼 AI 自己先做一輪去重,而且必須把理由講出來——講不出差異的題目,你掃一眼就能砍。我們自己站內的經驗是,加上這一句之後可用題目的比例大概從三成拉到六成上下,不同題庫落差會有,但方向很一致。
貼既有清單會多吃 token,但這筆錢花得值:與其產 20 題砍掉 18 題再重問一次,不如一次把上下文餵飽。想抓成本可以參考 token 計費原理,中文的 token 消耗本來就比英文高,清單建議只貼標題和標籤、不貼摘要。
實作步驟:一次產 30 題,砍到 8 題
- 先建機制標籤表:把既有文章全部標一次,空白格就是你的缺口。通常半小時內做得完。
- 用三段式 prompt 產 30 題:一次要多一點,因為本來就是要砍。每題強制附機制標籤、最接近的既有文章、差異說明。
- 第一輪砍——同標籤只留一題:同一個機制標籤冒出三題,留最強的,其餘丟備用池,不要捨不得。
- 第二輪砍——讀差異說明:凡是差異寫成「角度更深入」「內容更完整」這種空話的,直接砍。真差異會長成「這篇講失敗後怎麼補救,那篇講一開始怎麼設定」。
- 第三輪砍——你有沒有第一手素材:沒有實際做過、沒有數字沒有失敗案例的題目,寫出來一定是通用文,而通用文正是同質化的來源。
- 剩下的排序:優先寫「缺口標籤 × 你有素材」的交集。30 題最後剩 6-10 題是正常比例,剩 20 題代表你砍得不夠狠。
我們自己在營運 AI 自動剪片 產品時,選題素材其實是從客服問題和後台行為來的:哪一步卡最多人、哪個設定最常被改回去,那就是「失效模式」跟「流程重組」兩格的現成原料。AI 幫你排列組合沒問題,但原料還是得從你自己的營運裡拿——這也是為什麼同一套流程,不同人做出來的結果不會撞。
怎麼確認你的內容已經同質化了
同質化不是感覺,是可以量的。建議每季做一次以下自檢:
- 機制集中度:算每個機制標籤的文章數。單一標籤超過總量的三分之一,紅燈。
- 開頭句型重複率:把所有文章第一句抓出來排在一起看。超過一半是「隨著 AI 的普及…」「你是不是也遇過…」,代表你連開場 prompt 都沒換過。
- 可替換測試:隨機抽兩篇,把 A 的第三段搬進 B,讀起來沒違和的話,這兩篇本質上就是同一篇。
- 自我競食檢查:用目標關鍵字搜一次,如果你自己有兩篇同時出現在前兩頁,那是互相吃流量,不是覆蓋率高。
- 第一手比例:數有多少篇含有你實測過的數字、截圖或失敗案例。低於一半,你的內容就是可被取代的。
如果自檢下來發現問題出在「每次都用同一組 prompt」,那修 prompt 比修選題更有效率,可以直接拿 工作用 prompt 範本 裡的情境分類當骨架改;想找工具搭配的話,站上的 AI 工具箱 也可以當作機制標籤的靈感來源——每個工具背後都有一組別人還沒寫清楚的機制。
常見問題
Q:直接叫 AI「不要給我重複的題目」不行嗎?
不行,因為它不知道「重複」的比較基準是什麼。這句話對模型來說只是要求它提高用詞變異度,結果是同樣的題目換個講法。你必須明確提供既有清單當比較對象,它才有辦法真的避開。
Q:機制標籤要訂幾個才夠?
建議 6-10 個,不要更多。太少會擠成一團失去分辨力,太多則每篇都能找到獨立標籤,防重複的效果就消失了。先從文中那六類開始用,發現有題目塞不進去再新增一格。
Q:一次產 30 題會不會太浪費 token?
比你想的便宜。選題屬於短輸出任務,30 題加標籤與差異說明通常也就幾千字的量級,成本遠低於寫一篇文章。真正貴的是「產完發現全部不能用、重問五次」,那才是浪費。
Q:同一個機制標籤是不是一輩子只能寫一篇?
不是,規則是「同標籤同對象只留一篇」。如果讀者輪廓不同——例如同樣講計費機制,一篇寫給個人使用者、一篇寫給要估團隊預算的人——那是兩個不同的需求,可以並存,但你要在標籤旁邊註明對象,否則半年後你自己也會忘記它們差在哪。
Q:換更強的模型能不能解決選題重複?
幫助有限。更強的模型會讓題目描述得更漂亮、結構更整齊,但收斂的根本原因是「缺少你的既有內容當上下文」,這是資訊問題不是能力問題。把清單和排除規則補上,一般模型的產出就會明顯拉開差距。