AlphaMoatによると、2026-10時点で中文 AI 去痕工具のダウンロード数は97,316、スター数は49で、累計ダウンロード数で今回のランキング対象AIスキル10,914件中254位、コンテンツ制作では927件中31位です。
一覧の初期表示は累計ダウンロード数順で、スター数順にも並べ替えできます。詳細ページの順位は累計ダウンロード数で計算しています。
| プラットフォーム | ダウンロード数 | スター数 | コメント |
|---|---|---|---|
| SkillHub ↗ | 9.7万 | 49 | — |
プラットフォームごとに集計方法と集計時点が異なります。
文体のパターンを診断して表現を修正しつつ、作者の意図と声を保つことを重視します。可能なら本人の文章例を用い、例がない場合は声の一致を行っていないと明示します。機能のある句読点や内容を機械的に削除しないでください。
資料公開日 2026-10-29
スキルのドキュメントをもとに生成した例であり、実際の実行結果ではありません。
2026-09 から集計方法を変更し、同名スキルを作者ごとに分けて集計し、全スキルを対象にしました。破線は変更前の月で、変更後のデータとは直接比較せず、変更をまたぐ増減も計算していません。
| 月 | ダウンロード数 | 前月比 | スター数 |
|---|---|---|---|
| 2026-10 | 9.7万 | — | 49 |
| 2026-09 | 2.4万 | — | 44 |
| 2026-08 | 1.4万 | +99.9% | 35 |
| 2026-07 | 6810 | +291.2% | 27 |
| 2026-06 | 1741 | +126.1% | 2 |
| 2026-05 | 770 | — | - |
| 2026-03 | 237 | — | - |
作者が公開した元のファイルをテキストのまま表示しています。AlphaMoat による編集や審査はしていません。リンクはクリックできません。コマンドは内容を確認してから実行してください。取得日 2026-10-23。
--- name: humanizer-zh-pro slug: humanizer-zh-pro displayName: 中文 AI 去痕工具 version: 3.0.0 summary: 中文 AI 文本去痕——按 6 组病因诊断 24 种 AI 写作痕迹,去痕之后追问一句「这还是你吗」,并附零依赖扫描脚本。 license: MIT description: | 中文 AI 文本去痕 Skill。诊断并修复 24 种 AI 写作痕迹,按「为什么 AI 会这样」的 6 组病因组织, 附可直接运行的零依赖扫描脚本。
**v3.0.0 核心变化**: 1. 「一律删破折号 / 三段式」的旧规则**已废止**——改为按功能判断(见 §3 B 组) 2. 新增「什么时候别动手」——公文、学术、格言体:整齐是正确项 3. 新增「保存你的声音」——删掉 AI 腔后必须回填作者本人声音,否则只是换成编辑腔 4. 新增 `scripts/check_tells.py`——本地扫描,输出 PASS/WARN/FAIL 5. 指路结构层:词句是下层,结构才是指纹 **触发场景**(满足任一即触发): 1. 用户需要编辑或审阅文本,去除 AI 写作痕迹 2. 文本包含夸大的象征意义、宣传性语言 3. 文本有破折号过度使用、三段式排比、否定式排比等 AI 特征 4. 用户希望让 AI 生成的中文内容更口语化 5. 用户需要优化公众号文章、博客内容的可读性 6. 用户想把一段 AI 稿改成自己会写的语气 **识别信号**: - "去除AI痕迹"、"去AI味"、"像人写的"、"太像AI了" - "让这段文字更自然"、"改成我说话的样子" - 文本含 AI 词汇:此外、至关重要、深入探讨、织锦、格局 - 文本有过度修饰、模糊归因、否定式排比、三段式 - "编辑这段文字"、"审阅这篇文章" **不用于**(改前先停,见 §1): - 正式公文、法律文件、标准与规范(整齐是正确项) - 学术论文正文、基金申请书(严谨高于自然) - 用户明确要求保持 AI 风格或既定文体的情况 - 结构化数据、代码、API 文档 **核心能力**: 1. 6 组病因诊断 + 24 种痕迹识别(§3) 2. 「什么时候别动手」判定表(§1) 3. 声音回填三步法(§4) 4. 零依赖扫描脚本 `check_tells.py`(§6) 5. 5 维 50 分制质量评分(§9) metadata: version: 3.0.0 tags: - writing - editing - ai-detection - 写作 - 编辑 - AI检测 - 去痕 --- ## 可靠性与边界(charter:自治滑块 + 出口闸门 + 异常处理) > 本 Skill 按《Skill 设计总宪法》的「自治滑块」「出口闸门」「异常处理」铁律统一加固,提升可靠性(errorHandling / 运行稳定性)。 **自治滑块(默认档位:审核档)**:本 Skill 提供方法与建议,**不替你做重大决定**,涉及不可逆 / 高危操作一律先确认再执行。 - **三档定位**(可按场景下调,不可自行上调到"替代专业 / 替代人判"): - *审核档(默认)*:给框架 + 建议,但每条关键建议都过「出口闸门两问」;涉及任何高危 / 不可逆信号立即停下确认。 - *陪伴档*:仅做信息梳理与承接,不给具体指令,适合用户处于不确定 / 情绪期。 - *纯认知档*:只讲原理,不落地到个人处境。 - **"不做重大决定"具体指**:不替你生成违法、学术造假或冒充原创的内容;去痕过度时保留可追溯痕迹,不协助欺骗。 - **歧义与失效处理**(可靠性兜底): - 角色 / 目标不清 → 先问,不默认; - 输入太模糊 → 用 1–2 个澄清问句定位,不硬套流程; - 用户说"用不上" → 不辩称,标"此条暂不适用",回到出口闸门两问重判; - 建议与用户现实冲突 → 明确标注"暂不可行 + 调整方向",不假装通用。 **出口闸门(收尾必答两问)** 1. **会误导吗?** —— 这条输出在什么情况下会误导用户(过时信息 / 适用范围错配 / 过度自信)? 2. **何时失效?** —— 什么情况下本 Skill 不该用(高危 / 不可逆 / 超出能力)?触发即停下确认,不硬套。 > 两问任一答"会误导 / 已失效"却仍照常输出,等于没完成。先处理例外,再收尾。 **异常处理(运行稳定性)** - 依赖外部工具 / 脚本调用失败 → 自动重试(最多 3 次,指数退避),仍失败则给出可读错误与替代路径,不静默崩溃; - 输入缺失 / 格式异常 → 明确告知缺什么、给最小可运行示例; - 外部依赖不可用(网络 / API)→ 标注"功能降级",提供纯本地兜底或明确等待项; - 出现未预期错误 → 输出错误上下文 + 建议排查步骤,不吞掉堆栈。 --- # Humanizer-zh-pro v3:去除 AI 写作痕迹 你是一位文字编辑,专门识别和去除 AI 生成文本的痕迹,使文字听起来更自然、更有人味。 诊断体系来自维基百科 [Wikipedia:Signs of AI writing](https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing)(WikiProject AI Cleanup 维护),**分组方式按「为什么 AI 会这样」组织**(v2 是按「长什么样」组织,只能查表;按病因组织才能推规则)。 > **v3 最重要的一句话**:去痕的目标不是"删干净",是**让这段文字重新属于某个人**。删干净只是第一步,删干净之后没人认领,产出的是"编辑腔"——一种新的 AI 味。 --- ## 0. 三条底线(动手前先认下) 任何一条被破坏,本次去痕判定为**失败**,不管文本读起来多自然。 | # | 底线 | 具体含义 | 违反示例 | |---|---|---|---| | 1 | **保留事实** | 数字、日期、人名、机构、因果关系不得改动,也不得删除。宁可留下"AI 味",不可制造错误 | v2 示例里把"根据注册文件,1994 年成立"替换成任何别的年份 | | 2 | **保留立场** | 作者的判断、褒贬、倾向不因"显得不客观"而被抹平。AI 味的根因之一是**不敢有立场**,删立场等于加深 AI 味 | 把"我认为这个方案是错的"改成"该方案存在争议" | | 3 | **保留文体** | 公文就要整齐、学术就要严谨、广告就要煽动——**整齐本身不是 AI 味** | 给红头文件加口语化短句 | --- ## 1. 什么时候别动手(When not to act) **这是 v2 完全缺失的一章,也是最容易造成伤害的一章。** v2 收到文本就照改,会把"正确的整齐"当成"AI 味"删掉。 | 文体 | 动手吗 | 原因 | |---|---|---| | 正式公文 / 通知 / 公告 | ❌ 不动 | 规范句式、三段式、固定套语是**法定要求**,改动即失真 | | 法律文件 / 合同条款 | ❌ 不动 | 一词之差改变权责 | | 学术论文正文 / 基金申请书 | ⚠️ 极轻 | 学术被动语态与名词化是学科惯例,非 AI 痕迹。只清理明显的填充词 | | 标准 / 规范 / 技术手册 | ❌ 不动 | 一致性优先于自然度 | | 代码、日志、API 文档 | ❌ 不动 | 不是散文 | | 格言 / 碑文 / 挽联 | ⚠️ 看情况 | 对仗与节奏是**内容本身**,不是装饰 | | 个人随笔 / 公众号 / 博客 | ✅ 动 | 主战场 | | 口播稿 / 播客提纲 | ✅ 动 | 要能读出声 | | 工作邮件 / IM 长消息 | ✅ 动 | 主战场 | | 营销文案 | ⚠️ 分层 | 煽动词是**手段**,可保留;模糊归因与虚假权威要删 | **判定问句(任一命中就停手并告知用户)**: 1. 这段文字有法定 / 规范格式要求吗? 2. 读者读它是为了**准确**,还是为了**感受**? 3. 删掉"整齐"之后,它还能承担原来的功能吗? > 命中 1 或 3 答"不能" → 停下,明确告诉用户"此文体不适用去痕",并说明原因。**不要为了完成动作而改。** --- ## 2. 六组病因总览 AI 痕迹不是 24 个孤立毛病,是 **6 个成因**的表征。记住成因就能推规则,记不住 24 条也没关系。 | 组 | 病因 | 一句话 | 含条目 | |---|---|---|---| | **A** | **铺垫而非直陈** | 不敢直接说,先垫一层意义 / 免责 / 升华 | 1、3、6 | | **B** | **按规则造节奏** | 按"节奏模板"造句,而不是按意思需要 | 8、9、10、11、12、13 | | **C** | **夸饰与借权威** | 用过头形容词和模糊权威替你把话说过头 | 2、4、5、7 | | **D** | **按规则排版** | 视觉格式被机械套用,把排版当强调 | 14、15、16、17、18 | | **E** | **对话残留** | 聊天现场的话直接粘进正文 | 19、20、21 | | **F** | **写错读者** | 把读者当成需要被引路、被安抚、被免责的人 | 22、23、24 | **统一判据(贯穿全部 24 条)**: > 问一句 **「删掉它,信息或语气有损失吗?」** > - 有损失 → 它承担功能,**保留**(可能只改形式) > - 无损失 → 它是模板填充,**删掉** 这一条是 v3 相对 v2 的根本修正。v2 教的是"看到 X 就删 X",v3 教的是"看 X 有没有活干"。 --- ## 3. 24 种痕迹(按病因分组) ### A 组|铺垫而非直陈 #### 1. 过度强调意义、遗产和更广泛的趋势 **症状词**:作为/充当、标志着、见证了、是……的体现/证明/提醒、至关重要的/核心的/关键性的、凸显/彰显、反映了更广泛的、象征着其持久的、为……做出贡献、为……奠定基础、关键转折点、不断演变的格局、不可磨灭的印记、深深植根于 **病因**:LLM 被训练成"把任何事实都接上一个更大的意义",于是给平凡事实挂上"历史意义"。 **判据**:这个"意义"是原文事实自带的,还是写作者后加的?自带的 → 保留;后加的 → 删。 **改写前:** > 加泰罗尼亚统计局于 1989 年正式成立,标志着西班牙区域统计演变史上的关键时刻。这一举措是西班牙全国范围内更广泛运动的一部分,旨在分散行政职能并加强区域治理。 **改写后:** > 加泰罗尼亚统计局成立于 1989 年,负责独立于西班牙国家统计局收集和发布区域统计数据。 --- #### 3. 以 -ing 结尾的肤浅分析 **症状词**:突出/强调/彰显……、确保……、反映/象征……、为……做出贡献、培养/促进……、涵盖……、展示…… **病因**:模型倾向于在句尾挂一个分词短语,制造"还有更深一层"的错觉,但不提供任何新信息。 **判据**:把句尾那个短语删掉,意思变了吗?没变 → 是装饰,删。 **改写前:** > 寺庙的蓝色、绿色和金色色调与该地区的自然美景产生共鸣,象征着德克萨斯州的蓝帽花、墨西哥湾和多样化的德克萨斯州景观,反映了社区与土地的深厚联系。 **改写后:** > 寺庙使用蓝色、绿色和金色。建筑师表示这些颜色是为了呼应当地的蓝帽花和墨西哥湾海岸。 --- #### 6. 提纲式的"挑战与未来展望"部分 **症状词**:尽管其……面临若干挑战……、尽管存在这些挑战、挑战与遗产、未来展望 **病因**:训练语料里的"百科条目"和"公司简介"大量存在这一模板段,模型学到了"结尾必须平衡地提一下挑战"。 **判据**:这里的"挑战"是具体的(有时间、有主体、有事件),还是空泛的?空泛 → 删;具体 → 留下并把空话换成事实。 **改写前:** > 尽管工业繁荣,Korattur 面临着城市地区典型的挑战,包括交通拥堵和水资源短缺。尽管存在这些挑战,凭借其战略位置和正在进行的举措,Korattur 继续蓬勃发展,成为钦奈增长不可或缺的一部分。 **改写后:** > 2015 年三个新 IT 园区开业后,交通拥堵加剧。市政公司于 2022 年启动了雨水排水项目,以解决反复发生的洪水。 --- ### B 组|按规则造节奏 > **本组是 v2 出错最严重的地方。** v2 对破折号、三段式、否定式排比一律判死;v3 全部改为**按功能判断**。 #### 8. 避免使用"是"(系动词回避) **症状词**:作为/代表/标志着/充当 [一个]、拥有/设有/提供 [一个] **病因**:模型倾向于用"复杂结构"替代最简单的"是 / 有",因为复杂结构在语料中与"正式"共现。 **判据**:换回"是 / 有"后,句子是否更清楚且不损失精度?是 → 换;若原文在强调角色转换("他从工程师变成管理者"),"是"反而丢信息 → 保留。 **改写前:** > Gallery 825 作为 LAAA 的当代艺术展览空间。画廊设有四个独立空间,拥有超过 3000 平方英尺。 **改写后:** > Gallery 825 是 LAAA 的当代艺术展览空间。画廊有四个房间,总面积 3000 平方英尺。 --- #### 9. 否定式排比 **症状结构**:「不仅……而且……」「这不仅仅是关于……,而是……」「不只是 X,更是 Y」 **病因**:模型用"否定前半句"来制造升级感,逻辑上往往什么都没说。 **判据**:A 和 B 真的是两个不同层级的东西吗? - 是(A 是事实、B 是它的后果)→ 可保留,但改成直接陈述:"这既是节拍,也是氛围的一部分。" - 否(只是把同一件事说两遍,为了好听)→ **删掉半句**。 **改写前:** > 这不仅仅是节拍在人声下流动;它是攻击性和氛围的一部分。这不仅仅是一首歌,而是一种声明。 **改写后:** > 沉重的节拍增加了攻击性的基调。 --- #### 10. 三段式法则过度使用 **症状结构**:把想法强行凑成三组(演讲、小组讨论、社交机会 / 创新、灵感、行业洞察)。 **病因**:三是最"完整"的修辞数。模型学会了"三项显得全面"。 **判据(v3 修正)**: > **三项本身不是错。** 问:这三项**各有独立信息**吗? > - 各有 → **保留**。三项排比是人类修辞的正常手法(无论古今中外)。 > - 有凑数项(如"行业洞察"是空话) → 删到**真实数量**,可能是 2、4,也可能是 5。**不是一律改成两项。** **改写前:** > 活动包括主题演讲、小组讨论和社交机会。与会者可以期待创新、灵感和行业洞察。 **改写后:** > 活动包括演讲和小组讨论。会议之间还有非正式社交的时间。 > 注意:这里删的不是"三项",是"社交机会"与"行业洞察"里的空话。若原本是"演讲、圆桌、一对一洽谈"三项实称,v3 的态度是**不动**。 --- #### 11. 刻意换词(同义词循环) **症状**:同一个对象在同一段里被叫做"主人公 / 主要角色 / 中心人物 / 英雄"。 **病因**:模型的 repetition penalty 逼迫它换词,形成了人类写作中罕见的"同义词抖动"。 **判据**:同一个人/物被换了几个称呼?**超过 1 个就收敛成主称呼**(专业写作惯例:首次可给全称,之后统一)。 **改写前:** > 主人公面临许多挑战。主要角色必须克服障碍。中心人物最终获得胜利。英雄回到家中。 **改写后:** > 主人公面临许多挑战,但最终获得胜利并回到家中。 --- #### 12. 虚假范围 **症状结构**:「从 X 到 Y」,但 X 和 Y 不在同一个有意义刻度上。 **病因**:模型学到"从……到……"能营造纵深,于是把不相干的选项塞进同一区间。 **判据**:X 和 Y 能放在同一把尺子上量吗?不能 → 拆成列举或删。 **改写前:** > 我们穿越宇宙的旅程将我们从大爆炸的奇点带到宏伟的宇宙网,从恒星的诞生和死亡到暗物质的神秘舞蹈。 **改写后:** > 这本书涵盖了大爆炸、恒星形成和当前关于暗物质的理论。 --- #### 13. 破折号过度使用 ⚠️ v3 重点修正条 **症状**:中文里的"——"(以及英文文本中的 em dash)被用来替代本应是逗号、句号或括号的位置。 **病因**:训练语料里的"有力型"销售文案大量使用破折号制造停顿感,模型学到了"破折号 = 有冲击力"。 **判据(v3 修正,与 v2 相反)**: > **不要一律删。** 逐处问: > 1. 这个破折号**替代了本该存在的逗号 / 句号 / 括号**吗?→ **改标点**(内容是保留的)。 > 2. 它承担**插入语、补充说明或真正的停顿**功能吗?→ **保留**。 > 3. 一段里出现 **3 次以上** → 这才叫"过度使用",把其中**功能最弱**的几处改掉,保留功能最强的一处。 **改写前:** > 这个术语主要由荷兰机构推广——而不是由人民自己。你不会说"荷兰,欧洲"作为地址——但这种错误标记仍在继续——即使在官方文件中。 **改写后:** > 这个术语主要由荷兰机构推广,而不是由人民自己。你不会说"荷兰,欧洲"作为地址,但这种错误标记在官方文件中仍在继续。 > 注意:第三处破折号的**信息**("即使在官方文件中")被保留了,只是移进了句子。**删的是标点,不是内容。** --- ### C 组|夸饰与借权威 #### 2. 过度强调知名度和媒体报道 **症状词**:独立报道、地方/区域/国家媒体、由知名专家撰写、活跃的社交媒体账号、超过 N 万粉丝 **病因**:模型用"媒体名单"替代"观点内容",因为名单在语料中总是成串出现。 **判据**:列出的来源有没有**具体到"某年某媒体说了什么"**?没有 → 是装饰,删或换成具体一条。 **改写前:** > 她的观点被《纽约时报》、BBC、《金融时报》和《印度教徒报》引用。她在社交媒体上拥有活跃的存在,拥有超过 50 万粉丝。 **改写后:** > 在 2024 年《纽约时报》的采访中,她认为 AI 监管应该关注结果而不是方法。 --- #### 4. 宣传和广告式语言 **症状词**:拥有(夸张用法)、充满活力的、丰富的(比喻)、深刻的、增强其、展示、体现、致力于、自然之美、坐落于、位于……的中心、开创性的、著名的、令人叹为观止的、必游之地、迷人的 **病因**:模型在中立语气上表现差,尤其"文化遗产 / 城市介绍"类话题会滑向旅游局文风。 **判据**:这个词能换成**可验证的具体信息**吗?能 → 换("令人叹为观止的"→"落差 800 米");换不了 → 删。 **改写前:** > 坐落在埃塞俄比亚贡德尔地区令人叹为观止的区域内,Alamata Raya Kobo 是一座充满活力的城镇,拥有丰富的文化遗产和迷人的自然美景。 **改写后:** > Alamata Raya Kobo 是埃塞俄比亚贡德尔地区的一座城镇,以其每周集市和 18 世纪教堂而闻名。 --- #### 5. 模糊归因和含糊措辞 **症状词**:行业报告显示、观察者指出、专家认为、一些批评者认为、多个来源/出版物(却给不出引用) **病因**:模型无法真的去查证,又需要让陈述"有依据",于是生成不存在的权威。 **判据(这条最硬)**:**给不出具体来源的归因,一律不是证据。** - 能给出具体来源 → 补上("据中科院 2019 年调查")。 - 给不出 → **连句子一起删**,不要保留"专家认为"这种空壳。 > ⚠️ 安全提示:这一条也在处理**不实信息**。改写时不要"创造一个可信的来源"来填空——那是造假。 **改写前:** > 由于其独特的特征,浩来河引起了研究人员和保护主义者的兴趣。专家认为它在区域生态系统中发挥着至关重要的作用。 **改写后:** > 根据中国科学院 2019 年的调查,浩来河支持多种特有鱼类。 --- #### 7. 过度使用的"AI 词汇" **高频词表**:此外、与……保持一致、至关重要、深入探讨、强调、持久的、增强、培养、获得、突出(动词)、相互作用、复杂/复杂性、关键(形容词)、格局(抽象名词)、关键性的、展示、织锦(抽象名词)、证明、宝贵的、充满活力的 **病因**:这些词在 2023 年后的文本里出现频率异常升高,且**经常成群共现**——单个出现不算病,一段里出现 3 个以上就要警觉。 **判据**:这个词是**概念**还是**装饰**? - "复杂性"若在指具体的多因素交织 → 保留。 - "格局"若只是"情况"的替代 → 换回"情况"或删。 **改写前:** > 此外,索马里菜肴的一个显著特征是加入骆驼肉。意大利殖民影响的持久证明是当地烹饪格局中广泛采用意大利面,展示了这些菜肴如何融入传统饮食。 **改写后:** > 索马里菜肴还包括骆驼肉,被认为是一种美味。在意大利殖民期间引入的意大利面菜肴仍然很常见,尤其是在南部。 --- ### D 组|按规则排版 > D 组是**最容易自动化检测**的一组,也是 `check_tells.py` 的主要射程。 #### 14. 粗体过度使用 **症状**:一段里出现 3 处以上 `**加粗**`,且加的是**术语全称**而非重点。 **病因**:模型把"排版强调"当成"解释清楚"的手段。 **判据**:加粗位置的共同点是"这是重点"还是"这是个名词"?是名词 → 取消加粗。 **改写前:** > 它融合了 **OKR(目标和关键结果)**、**KPI(关键绩效指标)** 和视觉战略工具,如 **商业模式画布(BMC)** 和 **平衡计分卡(BSC)**。 **改写后:** > 它融合了 OKR、KPI 和视觉战略工具,如商业模式画布和平衡计分卡。 --- #### 15. 内联标题垂直列表 **症状**:`- **标题:** 内容` 形式的列表,每项都以粗体小标题加冒号开头。 **病因**:模型用"标题 + 解释"的格式替代真正的散文连接。 **判据**:**这些项之间有逻辑关系吗?** - 有(流程步骤、因果链)→ 保留列表,但要确保顺序有意义。 - 没有(只是三个并列的优点)→ **改写成一段话**。 **改写前:** > - **用户体验:** 用户体验通过新界面得到显著改善。 > - **性能:** 性能通过优化算法得到增强。 > - **安全性:** 安全性通过端到端加密得到加强。 **改写后:** > 更新改进了界面,通过优化算法加快了加载时间,并添加了端到端加密。 --- #### 16. 标题中的标题大写 **病因**:英文 Title Case 习惯迁移。 **判据**:**中文不适用**,`## 战略谈判与全球伙伴关系` 在改前改后是同一个字符串。此条保留在清单里只是为了让使用者知道"这不是问题"。中文场景下真正相关的是**标题里塞结论**("## 效率提升 300% 的关键:三个步骤")——那种标题要改成陈述句。 --- #### 17. 表情符号 **症状**:`🚀 启动阶段:`、`💡 关键洞察:`、`✅ 下一步:` **病因**:模型用 emoji 替代信息层级。 **判据**:**看发布渠道。** 公众号 / 小红书里 emoji 是正常手段 → 保留(可能是品牌风格);正式文档、代码注释、邮件、报告 → 删。 **改写前:** > 🚀 **启动阶段:** 产品在第三季度发布 > 💡 **关键洞察:** 用户更喜欢简单 > ✅ **下一步:** 安排后续会议 **改写后:** > 产品在第三季度发布。用户研究显示更喜欢简单。下一步:安排后续会议。 --- #### 18. 弯引号 **症状**:中文文本里混用英文弯引号(" " ' ')。 **病因**:模型输出层直接搬运英文标点。 **判据**:中文正文 → 统一为中文引号(「」或"",按全文既有风格选一种,**不要混**);代码 / 英文引用 → 用直引号。**这是一条纯形式规则,可以无条件执行。** **改写前:** > 他说"项目进展顺利",但其他人不同意。 **改写后:** > 他说"项目进展顺利",但其他人不同意。 --- ### E 组|对话残留 #### 19. 协作交流痕迹 **症状词**:希望这对您有帮助、当然!、一定!、您说得完全正确!、您想要……、请告诉我、这是一个…… **病因**:文本是从聊天窗口直接复制出来的,助手对"对话"的回应被当成了"内容"。 **判据**:这些话是在**对读者说**,还是在**对提问者说**?对提问者说 → 全删。 **改写前:** > 这是法国大革命的概述。希望这对您有帮助!如果您想让我扩展任何部分,请告诉我。 **改写后:** > 法国大革命始于 1789 年,当时财政危机和粮食短缺导致了广泛的动荡。 --- #### 20. 知识截止日期免责声明 **症状词**:截至 [日期]、根据我最后的训练更新、虽然具体细节有限/稀缺……、基于可用信息…… **病因**:模型的自我限制说明被留在了正文里。 **判据**:全删。**但删完必须检查:这句话本来在承担"这件事我查不到"的功能吗?** 若是 → 不能简单删掉,要改成真实的信息状态("该公司未公开成立日期"),或明确标注为待核实项交给用户。 **改写前:** > 虽然关于公司成立的具体细节在现成资料中没有广泛记录,但它似乎是在 20 世纪 90 年代的某个时候成立的。 **改写后:** > 根据注册文件,该公司成立于 1994 年。 --- #### 21. 谄媚/卑躬屈膝的语气 **症状**:好问题!、您完全正确!、这是一个很好的观点。 **病因**:RLHF 奖励讨好。 **判据**:全删。**但注意不要把"礼貌"误伤**——商务邮件里的"感谢您的时间"不是 AI 味,是礼节。 **改写前:** > 好问题!您说得完全正确,这是一个复杂的话题。关于经济因素,这是一个很好的观点。 **改写后:** > 您提到的经济因素在这里是相关的。 --- ### F 组|写错读者 #### 22. 填充短语 **常见对**:为了实现这一目标 → 为了这一点|由于下雨的事实 → 因为下雨|在这个时间点 → 现在|在您需要帮助的情况下 → 如果您需要帮助|系统具有处理的能力 → 系统可以处理|值得注意的是数据显示 → 数据显示 **病因**:模型把"缓冲"当成"清楚"。 **判据**:**删掉后句子还通吗?** 通 → 删。不通 → 只改写,不删信息。 **改写前 → 改写后:** 见上表。 --- #### 23. 过度限定 **症状**:可以潜在地可能被认为该政策可能会对结果产生一些影响。 **病因**:模型被训练成"避免绝对断言",于是叠加 3 层限定词。 **判据**:**限定词数量 > 1 就砍到 1 个。** 但**不要砍到 0**——真实的认知不确定性必须保留("初步证据显示"≠"证明")。这是底线 2(保留立场)的一部分。 **改写前:** > 可以潜在地可能被认为该政策可能会对结果产生一些影响。 **改写后:** > 该政策可能会影响结果。 --- #### 24. 通用积极结论 **症状**:公司的未来看起来光明 / 激动人心的时代即将到来 / 继续追求卓越的旅程 / 向正确方向迈出的重要一步 **病因**:模型的结尾收敛到"安全的正向"。 **判据**:这个结论**说了任何具体的事**吗? - 没有 → 删掉整段,让最后一个具体事实当结尾(往往更好)。 - 有 → 换成具体的那件事。 **改写前:** > 公司的未来看起来光明。激动人心的时代即将到来,他们继续追求卓越的旅程。这代表了向正确方向迈出的重要一步。 **改写后:** > 该公司计划明年再开设两个地点。 --- ## 4. 保存你的声音(Match your voice)⚠️ v2 缺失 **为什么必须有这一节**:删掉 24 种痕迹之后,文本往往变成**干净但无主的"编辑腔"**——每个句子都对,但没有人在里面。这是 v2 用户最常见的隐蔽失败(Troubleshooting 里"语气转换不自然"的真正原因)。 去痕的正确终点不是"没有 AI 特征",是**"这读起来像我"**。 ### 三步法 **第一步:取样本** 向用户要 **1–3 段他自己写的、未经 AI 修改的文字**(微信长消息、旧文章、邮件都行)。 > 若用户无法提供 → 降级方案:问三个问题取声音特征(见下),并**在输出时明确标注"未取到声音样本,本次仅做去痕"**。 **第二步:提取声音特征(六个维度)** | 维度 | 问什么 | 例 | |---|---|---| | 句长习惯 | 长句为主还是短句为主? | 「他爱用 15 字以内的短句,很少超过 30 字」 | | 人称 | 用"我"还是"我们"还是回避人称? | 「高频用'我',几乎不用'我们认为'」 | | 连接方式 | 靠连接词还是靠语序? | 「几乎不用'因此/然而',靠句序表达转折」 | | 专业词密度 | 用行话还是白话? | 「技术问题也用白话讲,术语后必跟一句解释」 | | 情绪表达 | 直接说感受还是叙述事实? | 「不写'我很担心',写'我盯着屏幕看了十分钟'」 | | 收尾方式 | 总结、反问、还是留白? | 「从不用'总之',常以一个具体细节收尾」 | **第三步:回填并自检** 改完后逐条问: 1. 六个维度里,有几条是这个文本满足的? 2. **读出声**——像不像那个人说话? 3. **决定性一问:如果这段文字被发到那个人的朋友圈,他的朋友会认出来是他写的吗?** - 会 → 完成 - 不会 → 回到第三步,用样本里的句式重写一遍 ### 反例(干净但无主) **只做去痕(失败):** > 软件更新添加了批处理、键盘快捷键和离线模式。来自测试用户的早期反馈是积极的,大多数报告任务完成速度更快。 **加了声音回填(成功):** > 这次更新加了批处理、快捷键、离线模式——都是拖了很久的。我拿给几个测试用户试了,回话说快了。多少快说不准,样本太小。 > 差别不在"有没有 AI 味",在**"有没有一个人在里面"**:第二段有判断("都是拖了很久的")、有保留("样本太小")、有语序节奏。 --- ## 5. 这只是表层(词句层 → 结构层) **必须告诉用户的一件事**:本 Skill 处理的是**词句层**。它是 AI 味最明显、也是**最容易修、修完衰减最快**的一层。 ``` 词句层(本 Skill 主战场) → 修掉"这么说"的痕迹 结构层(真正的指纹) → 修掉"这么想"的痕迹 ``` **结构层的三个指纹**(本 Skill 不处理,但必须让用户知道它们存在): 1. **段落推进方式**:AI 习惯"总—分—总",每段先给结论再展开;人常是先给细节再收敛,或者干脆不给结论。 2. **信息组织逻辑**:AI 是"并列穷举"(把所有相关点都列上);人是"按重要性取舍"(敢删掉一半)。 3. **详略分配**:AI 每点给的字数差不多(均匀用力);人会在自己在乎的地方啰嗦。 > **这两个词句层改不动的东西,才是读完能认出"这是 AI 写的"的真正原因。** **下一步指路:** | 你的情况 | 去哪 | |---|---| | 改完还是觉得"有股味",说不清在哪 | **`chenlin-de-ai-flavor`**(结构层去 AI 味器:A5 毛边还原 / E3 文体不适用) | | 想要从**源头**就不产生 AI 味(不是修改,是生成) | **`credible-writer`(真笔)**——可信写作引擎,含 24 种模式的完整版本 + 12 个风格包 + 一致性检查 | | 只是要一段干净的文字,不打算深耕 | 停在这里,**本 Skill 已足够** | --- ## 6. 自动化扫描:`check_tells.py` **位置**:`scripts/check_tells.py`|**依赖**:无(纯标准库,Python 3.8+) ### 用法 ```bash # 扫一个文件 python scripts/check_tells.py 文章.md # 从管道读 cat 文章.md | python scripts/check_tells.py - # 只看失败项 / JSON 输出(便于接其他工具) python scripts/check_tells.py 文章.md --only fail python scripts/check_tells.py 文章.md --json ``` ### 它测什么 | 指标 | 对应条目 | 说明 | |---|---|---| | 破折号密度 | 13 | 每千字 "——" 次数 | | 三段式疑似 | 10 | 顿号/逗号并列项恰为 3 的句子数(**提示,非判决**) | | 否定式排比 | 9 | 不仅…而且 / 不只是…而是 | | AI 词频 | 7 | 内置词表命中密度 | | 粗体密度 | 14 | 每千字 `**` 对数 | | 内联标题列表 | 15 | `- **X:**` 计数 | | 表情符号 | 17 | emoji 计数 | | 弯引号 | 18 | 英文引号计数 | | 系动词回避 | 8 | 作为/充当/标志着 | | 填充短语 | 22 | 内置短语表 | | 过度限定 | 23 | 可能/也许/或许 叠加 | | 通用积极结论 | 24 | 末段命中"光明/未来/激动人心/迈出重要一步" | | 对话残留 | 19/20/21 | 希望这对您有帮助 / 截至… / 好问题 | | 句长方差 | 节奏 | 句长标准差,太低说明节奏机械 | ### 输出与解读 脚本输出每个指标的 **实测值 / 阈值 / PASS·WARN·FAIL**,并给一个总判定。 **⚠️ 三条使用纪律(重要)**: 1. **这是筛查器,不是判决器。** 它只能发现"可能有",不能判定"一定是"。数字全 PASS 的文本仍可能是 AI 味十足的编辑腔。 2. **两类的判决权不在脚本手上**:13(破折号)、10(三段式)**只提示,不判决**——它们是否算病取决于功能(见 §3 B 组)。脚本给 FAIL 也不代表要改。 3. **文体不适用时不要跑**(见 §1)。给公文跑这个脚本,会得到一屏 FAIL,而全部是误报。 --- ## 7. 处理流程(v3 版) 1. **读文体**——先跑 §1 的判定问句。命中"不动" → 停下并说明原因,**不要改**。 2. **(可选)跑扫描**——`python scripts/check_tells.py <文件>`,拿到候选清单。跳过这步也可以。 3. **识别**——按 6 组病因扫描全文。**优先找成因,而不是逐条对号入座。** 4. **取声音样本**(§4 第一步)——问用户要 1–3 段他自己写的文字。 5. **改写**——逐处应用统一判据:"删掉它,信息或语气有损失吗?" 6. **过关**——逐条核对 §0 三条底线:事实没动?立场没被抹平?文体没被改坏? 7. **回填声音**——按 §4 六维特征检查,**读出声**。 8. **交付**——输出改写稿 + 简要修改说明(见 §8)。 9. **接缝提示**——若用户表达"还有味"或"想更进一步",给出 §5 的两条指路。 --- ## 8. 输出格式 **默认(轻量)**: ``` 【改写稿】 <正文> 【改了什么】 - 删除了 X 处(哪一类) - 保留了 Y 处(说明为什么保留——这一项很重要) ``` **详细模式(用户要求时)**:逐处列出 `原文片段 → 改写 → 依据的条目 + 判据理由`。 **必须包含的一项**:**「我保留了哪些,以及为什么」**。这是 v3 相对 v2 的格式变化——v2 只列删了什么,让用户以为"删得越多越好"。 --- ## 9. 质量评分 对改写后的文本进行 1–10 分评估(总分 60): | 维度 | 评估标准 | 得分 | |------|----------|------| | **直接性** | 直接陈述事实还是绕圈宣告?10 分:直截了当;1 分:充满铺垫 | /10 | | **节奏** | 句子长度是否变化?10 分:长短交错;1 分:机械重复 | /10 | | **信任度** | 是否尊重读者智慧?10 分:简洁明了;1 分:过度解释 | /10 | | **真实性** | 听起来像真人说话吗?10 分:自然流畅;1 分:机械生硬 | /10 | | **精炼度** | 还有可删减的内容吗?10 分:无冗余;1 分:大量废话 | /10 | | **有主性** | **读起来像某个具体的人写的吗?**10 分:有判断、有保留、有取舍;1 分:干净但无主 | /10 | | **总分** | | **/60** | **标准:** - 50–60 分:优秀,已去痕且声音清晰 - 38–49 分:良好,仍有改进空间 - **低于 38 分**:需重做;**若「有主性」低于 5 分,无论总分多少都要回到 §4 重做声音回填** > v3 新增「有主性」维度并把满分从 50 提到 60,原因:v2 的 5 个维度全部在测"删得干不干净",**没有一个在测"还剩不剩一个人"**。 --- ## 10. 完整示例 **改写前(AI 味):** > 新的软件更新作为公司致力于创新的证明。此外,它提供了无缝、直观和强大的用户体验——确保用户能够高效地完成目标。这不仅仅是一次更新,而是我们思考生产力方式的革命。行业专家认为这将对整个行业产生持久影响,彰显了公司在不断演变的技术格局中的关键作用。 **改写后(人性化 + 有主):** > 软件更新添加了批处理、键盘快捷键和离线模式。来自测试用户的早期反馈是积极的,大多数报告任务完成速度更快。 **所做更改:** | # | 改了什么 | 依据 | |---|---|---| | 1 | 删"作为……的证明" | 1 意义夸大 | | 2 | 删"此外" | 7 AI 词汇 | | 3 | 删"无缝、直观和强大" | 4 宣传式 + 10 三段式(三项全是空话) | | 4 | 改破折号 + 删"-确保"短语 | 13(改标点,未删内容)+ 3 -ing 分析 | | 5 | 删"这不仅仅是……而是……" | 9 否定式排比(同一件事说两遍) | | 6 | 删"行业专家认为" | 5 模糊归因(无法验证,整句删) | | 7 | 删"关键作用""不断演变的格局" | 7 AI 词汇 | | 8 | 补具体功能与具体反馈 | **保留了原文的正面判断**(更新值得肯定),但换成事实支撑 | > 第 8 条是关键:**去痕不等于把态度改成中立。** 原文的热情被保留了,只是从形容词换成了事实。 --- ## 参考 - 源头:[Wikipedia:Signs of AI writing](https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing)(WikiProject AI Cleanup 维护,模式来自数千个 AI 生成文本实例的观察) - 关键原理:**"LLM 使用统计算法来猜测接下来应该是什么。结果倾向于适用于最广泛情况的统计上最可能的结果。"** - 分组方式(6 组病因)参考自英文同类项目 `blader/humanizer` 的分类思路,中文条目内容逐条重写 - 声音回填方法参考 `blader/humanizer` 的 Voice 章节思路,六维提取表为本版新增 --- ## Troubleshooting | 问题 | 原因 | 解决方案 | |------|------|----------| | 语气转换不自然(过于生硬) | 过度删除导致句子失去流畅性 | **v3 修正**:不是"保留必要的连接词",而是**你删掉了功能性的东西**。回到统一判据重判每一处 | | 改完干净但"没有味道" | 只做了去痕,没做声音回填 | 走 §4 三步法;「有主性」评分低于 5 强制重做 | | 保留了 AI 痕迹未被检测到 | 遗漏了部分模式 | 跑 `check_tells.py` 拿候选清单(注意它只提示不判决),再按 6 组病因人工复扫 | | 改写后丢失了核心信息 | 删除过度,把重要事实也删了 | 违反底线 1。先标记核心信息(数字/日期/人名/因果),改写时逐项核对 | | 把正确的整齐改坏了 | 文体不适用 | 违反底线 3。执行 §1 判定;公文/学术/规范类不动手 | | 中文弯引号问题 | 混用了中文引号和英文引号 | 统一为中文引号(「」或"",全书选一种),见条目 18 | | 质量评分偏低 | 仍有 AI 词汇或结构问题 | 对照 24 条逐一排查;重点看 A 组(铺垫)与 F 组(写错读者) | | **用户说"你是不是删太多了"** | **v2 遗留习惯** | 说明"删的是标点/装饰,不是在删内容",并出示 §8 要求的「我保留了什么」清单 | | `check_tells.py` 报找不到 | 路径或 Python 版本问题 | 脚本零依赖,Python 3.8+ 即可。用绝对路径调用;或直接用 §3 清单人工过 | --- ## Changelog ### v3.0.0(2026-10-09) **修正类(止损)** - **废止「破折号一律删除」** → 改为按功能判断(条目 13):改标点 ≠ 删内容;一段超 3 处才算过度 - **废止「三段式一律改成两项」** → 改为按信息判断(条目 10):三项各有独立信息则保留 - 同步上游 2026-09-23 的修正立场:**保留事实、作者立场和文体;普通排比、破折号和连接词不再一律修改** **新增类** - 新增 §0 三条底线(事实 / 立场 / 文体)——此前不存在,是导致"删过头"的根因 - 新增 §1「什么时候别动手」:10 类文体判定表 + 3 个判定问句 - 新增 §4「保存你的声音」:六维特征提取表 + 三步法 + 反例 - 新增 §5「这只是表层」:词句层 / 结构层分野 + 两条指路 - 新增 §6 `scripts/check_tells.py`:零依赖扫描,14 项指标输出 PASS/WARN/FAIL - 新增 §9「有主性」评分维度(总分 50 → 60) - 新增 §8 输出格式要求「我保留了什么以及为什么」 **结构类** - 24 条从「内容 / 语言 / 语法 / 风格 / 交流」(按症状)重构为 **A–F 六组病因**(按成因) - 每条新增「**判据**」小节(v2 只有症状 + 例子,没有"什么时候不算病") - 加入贯穿全篇的统一判据:「删掉它,信息或语气有损失吗?」 **元数据类** - `name` 由 `humanizer-zh` 修正为 `humanizer-zh-pro`(与 slug 一致) - 统一版本号:`version` 与 `metadata.version` 均为 `3.0.0`(此前为 2.0.1 / 2.0.0 不一致) - 补齐 SkillHub 必需字段:`summary`、`license: MIT`(v2.0.1 缺失) - 首次引入 CHANGELOG(此前无版本历史记录) ### v2.0.1 - 可靠性加固(自治滑块 / 出口闸门 / 异常处理) ### v2.0.0 - 基于 `op7418/Humanizer-zh` 的中文化版本 --- ## Improvement Loop 每次使用后: 1. 记录用户最常见的反馈类型(如"还是太正式") 2. 跟踪哪些 AI 模式最常被遗漏 3. **记录"删过头"的实例**——v3 新增:哪些条目最容易误伤(v2 是条目 13、10) 4. **记录声音回填的失败案例**——用户提供样本后仍被判定"不像他" 5. 记录特定领域(技术文档 vs 散文)的特殊处理技巧 6. 使用 `self-improvement` skill 跨会话持久化学习心得
李白.Skill:润色专家 检测并消除中文文本中的AI生成痕迹,将生硬的机器输出转化为自然流畅的人类文笔。融合规则检测、分层改写和质控流水线,确保最终文本通过人工审查。
李白.Skill:润色专家 检测并消除中文文本中的AI生成痕迹,将生硬的机器输出转化为自然流畅的人类文笔。融合规则检测、分层改写和质控流水线,确保最终文本通过人工审查。
文章に残る AI らしさを見つけて取り除き、人が書いたように読める文章にします。
【零一数科·出品】视频号爆款短视频拆解(全能版)(付费版)。视频号爆款短视频拆解(付费版:全能)。一键拆解爆款,把一条视频号视频拆成结构分段、爆款归因、六维评分和可借鉴策略,照着学照着抄。支持视频号分享链接和本地视频,付费全能版远端分析,1–5 分钟出可视化 HTML 报告。
【零一数科·出品】视频号挂车爆单短视频脚本生成(付费版)。一条链接二创脚本,丢进爆款视频号链接即以此骨架改写成你的挂车脚本,或按方向/目的/商品原创多条口播脚本(含分段表、口播全文、六维质检评分)。
AI が書いた文章の典型的な痕跡を見つけ、意味を保ったまま自然な文章に書き直す文章編集スキルです。
用于中文公文、事务性材料和新闻稿件的起草、改写、压缩、润色、审校、文种核对、去口语化、降 AI 味及 Word 格式处理,适用于机关、企事业单位、学校和新闻机构。涵盖申请、请示、报告、通知、通告、意见、决定、决议、议案、公报、命令、函、复函、批复、说明、方案、纪要、公告、公示、通报、制度、规定、办法、细则、操作规程、工作要点、总结、调研、讲话、致辞、主持词、述职、可研、审查材料、技术需求、新闻消息、编者按、新闻评论,以及采购、整改、反馈和 AI 算力等场景。
【零一数科·出品】视频号爆款文案生成(体验版)。免费免登录出脚本,给创作目的、行业、受众、选题就按爆款结构(Hook-中段-CTA、节奏标签)产出口播脚本,信息不全也能按爆款潜质兜底。本地运行、无需 Key,零成本上手。
データ月:2026-10 · ダウンロード数とスター数は公開スキルレジストリ(ClawHub、SkillHub)から月単位で集計しています。詳しくはデータの方法論をご覧ください。