随着大型语言模型（#LLM）的普及，如何区分人类写作与AI生成文本已成为学术界与工业界的热点。以往的大量研究表明，纯AI生成的文本在文体学（Stylometric）维度上具有独特的特征。然而，当LLM被广泛用于“编辑和润色”人类手稿，而非“从零生成”时，它们是否会留下相同的数码指纹？
在最新发表于 EMNLP 2026 的一项研究中，研究人员深入对比了这两种场景。研究显示，AI生成具有极其一致的“文体学足迹”：在跨越 8个主流LLM 和 5个文本领域 的测试中，一个由 信息熵（Entropy）和 词汇多样性（Lexical Diversity）组成的小特征子集，能够非常稳定地将纯AI生成内容与人类原生写作区分开来。
然而，AI编辑（AI Editing）并没有表现出相同的特征。相比于原始的人类手稿，经AI润色或编辑后的文本仅表现出微弱的词汇多样性提升，但其 信息熵却显著下降。这与AI生成中两者同时增加的特征截然相反。相反，在AI编辑场景下，词汇密度（Lexical Density）成为了最核心的主导信号。
这一发现意味着，现有的AI文本检测器在面对AI辅助编辑、润色的内容时将面临大面积失效。文体学特征虽然能轻松剥离出纯AI生成文本，但极难将“AI编辑过的文本”与“纯人类文本”区分开来。研究者呼吁，学术界和工业界不能再将“AI文本”视为单一的对象，生成和编辑必须作为两种完全不同的范式进行独立研究。
这一研究对 AI Agent 尤其是知识库编辑、协同办公和多Agent工作流（Workflows）的设计具有深远的启发。当前，大量协同类 Agent 采用“人类起草底稿 - Agent 反复润色”的 Hybrid 工作流。如果内容合规系统一味使用针对纯 AI 生成内容开发的检测器进行审计，将会产生极其高频的误判。从技术演化来看，AI 编辑能够保留人类的逻辑骨架（低熵特征），同时注入 AI 的语言规范性，这种“人机协同”的隐蔽性直接宣告了第一代基于文体学静态特征比对的检测工具走向失效。未来，AI Agent 生态必须加速从表层文本特征检测，向“行为审计”与“主动水印追踪”演进，同时这也将倒逼 Agent 更加注重“个性化表达（Persona）”的深度融合。
