README

Lieflat Less AI Tone

中文 | English

!去 AI 味 Skill：约 520 万字、100+ 项指标、约 50 万次模型语义判断

一个基于两轮实测语料（共 1,169 篇、约 520 万汉字、100+ 项指标、约 50 万次模型语义判断）的去 AI 味 skill：先交付有指标、研究参照、原文例句和改法的检测报告，用户回复后再改写和复测。

这个 skill 用两轮对照研究筛选值得处理的写作特征，再对成稿做有依据的检测和最小改写。

---

 1 研究问题

AI 在 Coding 能力提升的同时，写作的体感好像并没有同步变好，生成的文字依然读起来很奇怪。

比如不少主力模型智商极高，但写出来的长文我往往要读好几遍，很大的原因是它满篇都在用「不是技术问题，而是认知问题」的对举、密集的破折号和分号，还有完全理解不了的比喻。

为了处理这些问题，常见的做法是给模型列一张禁用词表，或者塞一段「去 AI 味 Prompt」。我也试过很长一段时间，但实操下来有两个明显痛点：

第一是禁用词表管不住真正的 AI 味。很多文章完全避开了「赋能」「闭环」「抓手」，标点也很克制，但读完三段依然一眼就能看出是 AI 写的。

第二是容易乱改、误伤正常表达。把十几条经验规则攒在一起喂给模型直接改稿，模型会非常激进地把文章里原本自然的设问句、「一、二、三」小标题一并删掉，甚至为了迎合「长短句参差」的指令，把顺畅的句子硬生生拆碎。

市面上流传的「AI 味清单」基本来自个案观察和个人语感，从未经过系统检验。我的思路是，从「读着像 AI」这个很难直接验证的主观体验里，找到若干个能客观反映模型写作特征的指标，先量化评测，再顺藤摸瓜地从工程和规则上把问题解决掉。

从源头看，把「去 AI 味」做成一套可靠的 Skill，核心只涉及三个问题：

第一，怎么把脚本数不出来的「AI 味」真正测准？这决定了能不能抓到藏在句子意思和上下文里的深层习惯。

第二，哪些语言特征是真正影响阅读体验的标准？这决定了改写规则往哪里发力。

第三，拿到这些指标后，如何管住模型的手？这决定了改写过程能否在清理套路的同时，不误伤作者原本的正常表达。

这些工作在构建思路上有两个相同的原则：

首先是有效，让每个指标能简洁直接地对应一个可定位的句法或篇章问题，通过指标高低，顺藤摸瓜地在规则上准确动刀。

其次是可靠，让评测与改写前后的变化尽量可以量化，避免凭感觉盲改。

 2 两轮实验

 2.1 第一轮实验：629 篇对照文本

语料生成方法：同一批话题，五个模型各写 60 篇，与 329 篇人类作者文章对照。

语料统计：

| 侧 | 篇 | 汉字 | 句 | 段 |
|---|---|---|---|---|
| 生成 | 300 | 1,179,105 | 37,642 | 14,549 |
| 人类 | 329 | 1,647,867 | 57,909 | 31,172 |

模型：claude-opus-4-6、deepseek-v4-pro、gemini-3.1-pro、gpt-5.6-sol、kimi-k3。人类侧分组独立统计，检验组间一致性。

判定标准： 倍率 R = 生成侧频率 ÷ 人类侧频率。R≥2.0 纳入；1.25–2.0 条件纳入（需人类侧组间一致且绝对量足）；0.8–1.25 排除； --json  /tmp/before.json

 第 1.5 步：语义层候选抽取 + 会话内模型按封闭判据判读
   （同义重命名段 / 段间衔接接口 / 冒号句 / 三连同构组，
     判据见 references/semantic-criteria.md，单篇约 40-80 条）
python3 scripts/detect.py  --candidates --out /tmp/candidates.json

 第二步：模型复核命中，报告本篇指标、研究显著性、例句、改法和排除项；等待用户回复

 第三步：收到用户回复后，按其接受或调整的方案改写（规则见 SKILL.md）

 第四步：复测 + 前后对比报告（默认 Markdown，--format html 出网页版）
python3 scripts/detect.py  --json  /tmp/after.json
python3 scripts/report.py 原文 改后文 /tmp/before.json /tmp/after.json \
    --semantic /tmp/candidates_labeled.json --out 去AI味报告.md


完整示例：Agent 记忆问题案例。其中有改前报告、改后全文、左右两列 HTML 对照页和复测结论。

检测分三层：脚本层（数得出符号的，detect.py）、语义层（要理解句意的四项，会话内模型按封闭判据逐条判）、人审层（比喻贴切度/暗喻/拟人喻体——模型间共识只有 0-40%，只列出不判）。

检测报告分级：

| 级 | 含义 | 处理 |
|---|---|---|
| A | 机械改：删提示语、换标点，零语义风险 | 模型复核误报并提出建议；用户回复后改 |
| B | 建议改：顿号罗列、长定语，需句式重组 | 模型逐条筛选并提出建议；用户回复后改 |
| C | 只报告：句长均匀、结构碎——整篇级问题 | 默认不改；用户主动要求时再处理 |
| H | 人审区：拟人喻体等贴切度问题，模型判不准 | 默认保留；用户主动要求时再列清单 |
| X | 已否决：实测不是 AI 味（配对复测反向） | 永不改，展示计数防误改 |
| F | 指纹：破折号/分号/引号等分模型特征 | 带方向解读；可安全改写的局部命中默认建议改，保留须给具体理由 |

 防过度改写

模型改写 AI 味最常见的失败是改过头：为"像人写的"把句子改得忽长忽短、拆段落、删掉本来正常的表达。SKILL.md 定了六条改写原则：最小改动（一处命中只改必需部分）、信息守恒（改写后每个实词须能在原文指出出处）、不制造参差（句长离散度人机无差异，不为节奏改句长）、结构不动、有风格参考时以参考为准、改后三查加复测。

检测报告的结构区（句长 CV、节长 CV、同构/百段、小标题密度）会标明各参考值所属轮次与计算口径。配对复测的句长 CV 人类参考值为 0.54；第一轮抽样的 0.67 不与其混用，也不把任何指标强行推到目标值——机械参差化比不改更糟。

 5 方法论教训

研究过程本身的缺陷，记录在 RESEARCH.md，共六次测量失误（宽正则误测、分母选择错误）和两次配对复测推翻。

 6 复算

bash
 单篇/单目录检测报告
python3 scripts/detect.py 

 人类 vs 生成语料的规则命中率对比（需自备语料）
python3 scripts/compare-human-ai.py --human  --ai 

 段落级：句子同构（段首零回指已于 2026-10-26 移除：弱信号，与已反转的指代不清同族）
python3 scripts/check-st

Top issues