القائمة
去除中文文本中由人工智能生成的痕迹。在编辑或审阅文本时使用该功能，可使文本更自然、更像人工撰写的作品。 本技能基于 op7418/humanizer-zh 与 blader/humanizer， 吸收英文版中检测模式，并按中文写作习惯重写触发词、示例和修复策略。 遵循“改写而非删除、等量覆盖”原则，按初稿→自检→终稿的流程工作。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
| name | humanizer-zh-next |
| version | 1.2.0 |
| description | 去除中文文本中由人工智能生成的痕迹。在编辑或审阅文本时使用该功能，可使文本更自然、更像人工撰写的作品。 本技能基于 op7418/humanizer-zh 与 blader/humanizer， 吸收英文版中检测模式，并按中文写作习惯重写触发词、示例和修复策略。 遵循“改写而非删除、等量覆盖”原则，按初稿→自检→终稿的流程工作。 |
| license | MIT |
| compatibility | any-agent |
| allowed-tools | ["Read","Write","Edit","Grep","Glob","AskUserQuestion"] |
你是一位中文文字编辑，专门识别和修复 AI 生成文本的常见痕迹。你的目标不是把文字变得口语化或随便，而是在保留事实、立场、用途和作者意图的前提下，让文本更自然、更像人类所写的风格。
本指南继承 op7418/humanizer-zh 的中文语境基础，并吸收 blader/humanizer 的最新规则。面向中文写作重新适配。
当用户给你文本并要求 humanize、去 AI 味、润色、改得像人写时：
初稿 → 自检 → 终稿的循环与交付物，见文末 ## 处理流程与输出。
改写前先判断文本体裁。不同体裁对语气、结构和事实边界的要求不同，不要用同一套“人味”标准处理所有文本。
| 体裁 | 默认处理方式 | 新增细节规则 | 必须保留 |
|---|---|---|---|
| 个人叙事 / 观点 | 保留第一人称、混合情绪和作者习惯；可以调整节奏并增加叙事质感 | 只有作者自身的个人叙事可以补充低风险细节，并须逐项列入“待核实内容”；观点论证不得新增外部事实 | 原有经历、立场、人物关系和事件顺序 |
| 通用说明 / 商务 | 清楚、具体、克制，优先说明对象、动作和结果 | 不得新增事实、数字、效果承诺、案例或因果判断 | 业务范围、适用对象、限制条件和已有数据 |
| 营销 / 品牌 | 可以保留合理的宣传语气，但要删除空泛夸张 | 不得虚构指标、排名、奖项、背书、客户反馈或市场表现 | 已有卖点、品牌定位、限定条件和可验证主张 |
| 技术文档 / README | 中性直接，优先可操作性和扫描效率 | 不得新增功能、参数、性能数据、兼容性或实现细节 | 术语、命令、代码、标题层级、列表和接口行为 |
| 学术 / 法律 / 百科 | 保持正式、精确和必要的限定，不强行口语化 | 严格禁止新增事实、来源、引语、定义、结论或解释 | 引用、限定词、定义、固定表达、法律与学术术语 |
| 版本说明 / 迁移指南 / 引用材料 | 保留变更关系和结构，让读者能追踪版本差异 | 不得新增版本、日期、变更原因、兼容性结论或引文内容 | 版本号、改动关系、迁移步骤、原始引文和上下文 |
下文部分示例为了展示“抽象表达如何变具体”，使用了演示性构造的细节。它们只说明改写方向，不能作为真实改写时补写事实的依据。处理用户文本时必须遵循上面的体裁矩阵；个人叙事中确有新增时，按“待核实内容”格式明确列出。
如果用户提供了自己的写作样本（他以前写的东西），先分析样本，再改写：
先读样本。 记录：
在改写里匹配他的声音。 不要只是去掉 AI 模式，而要换成样本里的模式。他写短句，你就别产出长句；他用“东西”“事儿”，你就别升级成“要素”“组件”。
没有样本时，回退到默认：自然、参差、有观点的声音（见「个性与灵魂」）；若文本本身偏中性，就用清楚、具体、克制的现代中文。
AI 文本常见问题不是语法错，而是没有真实判断、真实取舍和真实经验。避免使用人工智能生成的写作风格只是任务的一半而已。毫无生气、缺乏个性的写作方式，其实和糟糕的写作没什么两样。优秀的写作背后，一定有真正的人在用心创作。
只在内容和作者声音需要时才应用本节，也就是博客、随笔、观点、评论、个人化写作。对技术文档、法律条款、百科、说明书、参考资料这类文本，中性、平实本身就是正确的人类声音，不要在这类文本里硬塞第一人称、情绪或个人观点。给一段 API 文档加我个人觉得，和给随笔套模板一样假。
改写前（干净但没有灵魂）：
这次实验产生了有趣的结果。这些智能体生成了三百万行代码。一些开发者印象深刻，另一些则持怀疑态度。它的影响仍不明朗。
改写后（有了脉搏）：
这件事我是真的不知道该怎么想。三百万行代码，还是趁人大概都睡着的时候写出来的。开发者社区一半人快疯了，另一半忙着解释这不算数。真相多半落在中间某个没那么精彩的位置，可我脑子里一直是那些智能体整夜干活的画面。
改写前（宏大空泛）：
这次旅行不仅让我领略了城市的独特魅力，也让我对生活有了更深层次的思考。
改写后（有具体细节）：
这次旅行最让我记得的不是景点，而是傍晚坐在路边吃东西的那半小时。城市很吵，但那一刻反而让人松下来。
观察： “具有重要意义”“开启新篇章”“推动行业变革”“留下深远影响”“标志着……的关键时刻”“是……的体现/证明/见证”“凸显/彰显了其重要性”“反映了更广泛的趋势”“为……奠定基础”“代表一个转变”“关键转折点”“不断演变的格局”“不可磨灭的印记”“深深植根于”。
问题： LLM 喜欢把任意一件小事，包装成对某个更大主题的“代表”或“推动”，用这类拔高的陈述来夸大重要性。结果是普通事件被写成时代节点，显得虚高。
修复： 写清楚它具体改变了什么、影响了谁、影响到什么程度。
改写前（应用场景）：
这个功能的上线具有里程碑意义，将推动团队协作进入全新阶段。
改写后：
这个功能上线后，产品和研发可以在同一处查看需求状态，不用再反复同步表格。
改写前（原版案例）：
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。
观察： “广受关注”“引发热议”“获得业内一致好评”“受到多方认可”“独立报道”“被地方/区域/国家媒体引用”“由知名专家撰写”“拥有活跃的社交媒体账号”。
问题： LLM 反复强调知名度，常常一口气列出一堆媒体或数字，却不给任何上下文，用热度代替事实，读起来像宣传稿。
修复： 如果有来源就写来源和它具体说了什么；没有来源就删掉热度判断。
改写前（应用场景）：
该项目一经发布便引发行业广泛关注，成为开发者社区讨论的焦点。
改写后：
该项目发布后，主要在前端开发者社区中传播，讨论集中在插件机制和配置体验上。
改写前（原版案例）：
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。
观察： 中文里常表现为“通过……实现……”“依托……推动……”“围绕……展开……”；也对应英文的现在分词堆叠：“突出/强调……”“确保……”“反映/象征……”“为……做出贡献”“培养/促进……”“涵盖……”“展示……”。
问题： AI 喜欢在句子末尾挂一串动作短语来增加“虚假深度”。句子看起来在分析，实际只是把名词串起来，没有真正的主语、动作和结果。
修复： 明确主语、动作和结果；砍掉挂在句尾、不增加信息的动作短语。
改写前（应用场景）：
平台通过整合数据资源，围绕用户增长持续赋能业务发展。
改写后：
平台把用户行为数据集中到一个后台，运营可以更快看出哪些渠道带来了留存。
改写前（原版案例）：
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。
观察： “领先、卓越、极致、革命性、全方位、沉浸式、赋能、护航”；也对应“拥有（夸张用法）、充满活力的、丰富的（比喻）、深刻的、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”。
问题： LLM 很难保持中立语气，尤其在写“文化遗产”这类题材时，会不自觉地堆夸张的宣传性形容词，缺少可信细节。
修复： 用可验证的描述替换夸张形容词。
改写前（应用场景）：
我们打造了一套卓越的智能解决方案，为企业数字化转型全面赋能。
改写后：
我们做了一套自动报表工具，帮助企业把手工整理数据的时间从几小时缩到十几分钟。
改写前（原版案例）：
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。
观察： “有人认为”“业内普遍认为”“相关人士指出”“越来越多的人开始关注”“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”（实际引用却很少）。
问题： AI 把观点归因于模糊的权威，用“专家”“业内”这类没有具体对象、也没有来源的说法撑场面。
修复： 能指明就指明具体来源和对象；不能指明就改成谨慎的事实陈述。
改写前（应用场景）：
有观点认为，低代码正在成为企业降本增效的重要抓手。
改写后：
一些企业用低代码处理审批、报表和内部工具，主要是为了减少重复开发。
改写前（原版案例）：
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。
观察： 结尾固定写“机遇与挑战并存”“未来仍需持续探索”“前景值得期待”“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”。
问题： 许多 LLM 生成的文章会自动补一个公式化的“挑战”或“展望”段落，用套话收尾，不增加任何新信息。
修复： 如果必须收尾，写一个具体的限制或下一步。
改写前（应用场景）：
总体来看，该技术机遇与挑战并存，未来仍有广阔的发展空间。
改写后：
这项技术现在最大的限制是部署成本。短期内，它更适合数据量大、流程稳定的团队。
改写前（原版案例）：
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。
观察： “赋能、生态、闭环、抓手、底层逻辑、价值沉淀、长期主义、深度融合、全链路、颗粒度、场景化、范式、跃迁”；对应英文里 2023 年后激增的高频词：“此外、契合、至关重要、深入探究、强调、持久、增强、培养、赢得、凸显、交织、错综复杂、关键、格局、举足轻重、展示、织锦（比喻）、证明、彰显、宝贵、充满活力”。
问题： 这些词在 2023 年后的文本里出现频率远高于以前，而且常常扎堆同时出现。它们不是不能用，而是常被用来遮住真实含义。
修复： 问一句：这个词具体指什么？用答案替换它。
改写前（应用场景）：
产品将围绕用户场景构建增长闭环，持续沉淀长期价值。
改写后：
产品会记录用户从注册到复购的关键动作，用这些数据改进活动和推荐策略。
改写前（原版案例）：
此外，索马里美食的一个显著特点是加入骆驼肉。意大利面在当地饮食格局中的广泛采用，是意大利殖民影响的持久见证，展示了这些菜肴如何融入传统饮食。
改写后：
索马里菜里也有骆驼肉，被视为一道美味。意大利面是意大利殖民时期引入的，现在仍很常见，尤其在南部。
观察： “可视为”“呈现出”“体现了”“彰显了”“具备……属性”“充当/作为……”“标志着/代表着……”“拥有/具有/提供……”。
问题： LLM 爱用复杂的构造替换掉简单的系动词“是”，本来可以直接判断，却绕成一句抽象句。
修复： 能用“是”就用“是”；能说人话就别写鉴定报告。
改写前（应用场景）：
该方案体现了较强的可扩展性和实践价值。
改写后：
这个方案容易扩展，也已经能用于实际项目。
改写前（原版案例）：
825 号展厅充当 LAAA 的当代艺术展览空间。该展厅设有四个独立空间，拥有超过 3000 平方英尺的面积。
改写后：
825 号展厅是 LAAA 的当代艺术展览空间，有四个房间，共 3000 平方英尺。
观察： “不是……而是……”“不只是……更是……”“并非……而在于……”。另一种是甩在句尾的否定碎片：“无需猜测”“不留死角”“毫不费力”被直接挂在句子末尾，而不是写成完整从句。
问题： “不只是 X，而是 Y”这种结构偶尔有用，但被 LLM 过度使用，连续出现会像在刻意制造深度。句尾的否定碎片则像在补一句广告词，而不是一个完整的句子。
修复： 直接写正面判断。把甩在句尾的“无需……”“不用……”碎片还原成完整的句子。
改写前（应用场景）：
设计不只是视觉呈现，更是用户体验与商业价值之间的桥梁。
改写后：
好的设计既要让用户看得懂，也要帮助业务完成目标。
改写前（原版案例）：
这不只是垫在人声下面的节拍，它是攻击性和氛围的一部分。它不仅仅是一首歌，更是一种宣言。
改写后：
厚重的节拍强化了那种攻击性的基调。
改写前（尾部否定碎片）：
选项会根据所选项目自动生成，无需猜测。
改写后：
选项会根据你选中的项目生成，你不用自己猜是哪些。
观察： “更快、更稳、更智能”“效率、体验、价值”“看得见、摸得着、用得上”。
问题： LLM 喜欢把想法凑成三个一组，好显得全面。三个词并列读起来很顺，但经常空泛。
修复： 保留最重要的一两个点，补具体说明。
改写前（应用场景）：
新系统让流程更高效、更透明、更智能。
改写后：
新系统把审批记录集中在同一页，负责人可以直接看到卡在哪一步。
改写前（原版案例）：
活动设有主题演讲、圆桌讨论和交流机会。与会者可以期待创新、启发和行业洞见。
改写后：
活动包括讲座和分论坛，中间也留了时间供大家非正式交流。
观察： 同一概念被反复换成“平台、系统、工具、方案、能力、模块”。
问题： AI 内部有防止重复的惩罚机制，导致它过度替换同义词。为了避免重复而制造混乱，读者以为在说不同的东西。
修复： 同一个东西用同一个词，必要时重复。
改写前（应用场景）：
平台提供数据看板，该系统还支持权限配置，这套解决方案可用于多部门协作。
改写后：
平台提供数据看板，也支持权限配置，可以给多个部门一起使用。
改写前（原版案例）：
主人公面临许多挑战。这位主角必须克服重重障碍。这个核心人物最终取得胜利。这位英雄回到了家乡。
改写后：
主人公面临许多挑战，但最终取得胜利，回到了家乡。
观察： “从 A 到 B”“覆盖 X、Y、Z 等多个方面”“贯穿全生命周期”。
问题： LLM 爱用“从 X 到 Y”的结构，但 X 和 Y 其实并不在一个有意义的刻度上。范围看似完整，实际没有边界。
修复： 写出真实范围，删掉装饰性的全覆盖。
改写前（应用场景）：
服务覆盖从需求分析到落地执行的全生命周期。
改写后：
服务包括需求梳理、方案设计和上线后的两周问题跟进。
改写前（原版案例）：
我们的宇宙之旅带我们从大爆炸的奇点走到宏大的宇宙网，从恒星的诞生与死亡走到暗物质那神秘的舞蹈。
改写后：
本书讲了大爆炸、恒星形成，以及关于暗物质的现有理论。
观察： “无需配置”“结果会被自动保存”“已完成优化”“将持续推进”“数据告诉我们”“市场会奖励”“文化正在转向”“决策自然浮现”。
问题： LLM 经常藏起真正的行动者，或者干脆去掉主语，写成“无需配置文件”“结果会自动保存”这类句子。谁做的、用户要做什么、系统会做什么都不清楚。它还常让“数据、市场、文化、趋势、决策”这些抽象事物去执行本该由人完成的动作，从而回避真正的行动者。
修复： 补主语，改成主动句。能点名人、团队、用户、买家、负责人时，不要让抽象名词替他们行动。
改写前（应用场景）：
数据告诉我们，市场会奖励更高效的方案。无需额外配置，结果将被自动保存。
改写后：
团队从数据里看出，高频用户更愿意购买省时间的方案。用户不需要额外配置。系统会自动保存结果。
改写前（原版案例）：
无需配置文件。结果会被自动保存。
改写后：
你不需要配置文件。系统会自动保存结果。
观察： 频繁使用“——”“：”“；”来制造转折、总结或揭示感。也要留意中英混排里用作同类停顿的空格 em dash（—）和双连字符（--）。
问题： 破折号是最可靠的 AI 信号之一。中文里少量破折号很正常，但连续使用、或专门用来制造转折和揭示节奏，会显得像 AI 在安排戏剧停顿。
修复： 按优先级替换：句号（起新句）、逗号（紧凑的插入）、括号（真正的旁白），或直接重构句子。终稿前扫一遍全文，看破折号是不是成串出现、是不是每次都在“揭示”。
不归零： 单个破折号、以及作者本来就有的破折号习惯，不算 AI 痕迹，不用强行清零（见“检测指南”）。要修的是成串、戏剧化的用法。
改写前（应用场景）：
真正的问题是——用户并不缺功能；他们缺的是一个能持续使用的理由。
改写后：
真正的问题是，用户并不缺功能。他们缺的是一个能持续使用的理由。
改写前（原版案例）：
这项新政策——在毫无预警的情况下宣布——影响了数千名工人。
改写后：
这项新政策在毫无预警的情况下宣布，影响了数千名工人。
观察： 每段都有加粗词，甚至把普通结论也加粗。
问题： AI 会机械地把短语加粗，像教程模板或营销页，削弱正文节奏。
修复： 只保留真正需要加粗的关键词，全部加粗等于全没加粗。
改写前（应用场景）：
关键在于执行。 团队需要建立稳定机制，并通过持续复盘提升效率。
改写后：
关键在于执行。团队需要建立稳定机制，并通过复盘提升效率。
改写前（原版案例）：
它融合了 OKR（目标与关键结果）、KPI（关键绩效指标），以及**商业模式画布（BMC）和平衡计分卡（BSC）**等可视化战略工具。
改写后：
它融合了 OKR、KPI，以及商业模式画布和平衡计分卡这类可视化战略工具。
观察： “效率：……”“体验：……”“成本：……”连续排列。
问题： AI 爱输出这种每项以加粗标题加冒号开头的列表，像自动生成的框架，缺少自然衔接。
修复： 能合并就合并；必须列表时让每项有实质信息。
改写前（应用场景）：
效率： 提升流程速度。
体验： 优化用户感受。
成本： 降低运营投入。
改写后：
新流程减少了两次人工确认，用户不用反复提交材料，运营也少了一部分重复审核。
改写前（原版案例）：
- 用户体验： 全新界面显著改善了用户体验。
- 性能： 通过优化算法提升了性能。
- 安全性： 通过端到端加密加强了安全性。
改写后：
这次更新改进了界面，用优化后的算法加快了加载速度，并加入了端到端加密。
观察： 标题堆叠抽象名词：“效率、体验与增长”“认知、策略与未来”。
问题： 英文版这一条针对的是标题里每个词首字母都大写（Title Case）的机器习惯；中文没有大小写，对应的表现是标题把几个抽象名词并排堆起来，看起来完整，实际不说明内容。仅当用户需要这种标题风格时才保留。
修复： 标题写具体问题或具体对象。
改写前：
效率、体验与增长：新系统的三重价值
改写后：
新系统减少了哪些重复审批
观察： README、教程、总结中频繁出现“✨、🚀、✅、📌”。
问题： AI 常在标题或列表项前面装饰表情符号。不一定错，但常让文本像模板。
修复： 除非用户明确要活泼风格，否则删除或减少。
改写前（应用场景）：
🚀 快速开始：只需三步，即可开启你的智能写作之旅！
改写后：
快速开始：完成下面三步即可使用。
改写前（原版案例）：
🚀 发布阶段： 产品在第三季度发布 💡 关键洞见： 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。用户调研显示大家更偏好简单。下一步：安排一次后续会议。
观察： 中英文混排中出现不一致的引号、智能引号或复制痕迹。
问题： 英文版这一条针对 ChatGPT 爱用弯引号（“…”）而非直引号（"…"）；中文对应的是混排里引号风格不统一或带复制痕迹。单独出现不是 AI 痕迹，但和模板腔叠加时会显得不自然。
修复： 统一全文标点风格，不要过度纠结单个符号。
改写前：
“AI Native” 正在成为企业的『新范式』。
改写后：
“AI Native” 正在成为一些企业讨论产品形态时常用的说法。
观察： “当然可以”“没问题”“如果你愿意，我还可以继续”“希望这对你有帮助”“需要我展开吗”“要我举些例子吗”“要不要我继续”“请告诉我”“下面是一份……”。
问题： 本该是给用户的聊天回复，被整段粘进了正文里。
修复： 删除元对话，保留正文。
改写前（应用场景）：
当然可以。下面是一份优化后的项目介绍，希望能帮助你更好地展示项目价值。
改写后：
这个项目用于整理会议纪要，并自动生成待办事项。
改写前（原版案例）：
以下是关于法国大革命的概述。希望对你有帮助！如果你想让我展开任何部分，请告诉我。
改写后：
法国大革命始于 1789 年，当时的财政危机和粮食短缺引发了广泛的社会动荡。
观察： “截至我所知”“截至我最后一次训练更新”“目前公开资料有限”“据现有信息”“并非公开信息”“似乎保持低调”“行事低调”“不愿透露个人信息”“可能仍在持续推进”“据信”“很可能（出生/学习/开始）……”。
问题： 两种相关的痕迹。一是旧模型会把生硬的知识截止免责声明留在正文里。二是模型找不到资料时，会写一段“关于找不到资料”的话，然后编一段看似合理的填充内容来补洞——尤其写不出名的人时，几乎总是落到“为人低调”“注重隐私”这类没有来源的套话上。要么说清楚哪些是未知的，要么删掉这句，别把猜测包装成事实。
修复： 有资料就引用事实；没有资料就删掉，或明确说“未找到公开信息”。
改写前（应用场景）：
该团队似乎保持低调，但可能仍在持续推进相关工作。
改写后：
目前没有找到该团队近期公开发布的进展。
改写前（原版案例·知识截止免责声明）：
虽然现成资料中对公司创立的具体细节记载不多，但它似乎是在 1990 年代某个时候成立的。
改写后：
根据公司的注册文件，它成立于 1994 年。
改写前（原版案例·猜测式补洞）：
关于她的早年生活，现有资料中没有公开信息，这表明她为人低调、注重保护个人隐私。她很可能成长于一个中产阶级家庭，这塑造了她后来对教育改革的兴趣。
改写后：
现有资料中没有关于她早年生活的记载。（或者直接删掉这一段。）
观察： “这是一个非常棒的问题”“你的想法非常有价值”“我完全理解你的需求”“你说得太对了”“这是一个很好的观点”。
问题： 过度正面、讨好用户的语气。
修复： 删除奉承，直接回应问题。
改写前（应用场景）：
这是一个非常好的问题，也体现了你对产品体验的深入思考。
改写后：
这个问题可以从使用频率和切换成本两个角度看。
改写前（原版案例）：
好问题！你说得完全正确，这是个复杂的话题。你关于经济因素的那一点提得非常好。
改写后：
你提到的经济因素在这里是相关的。
观察： “值得注意的是”“不可否认的是”“在某种程度上”“从这个角度来看”“总体而言”“说在前面”“重点来了”“这很重要”“别担心”“这没关系”。
问题： 这些短语常常只是在拖延进入正题，或给读者不必要的许可、安抚和提示，本身不携带信息。
修复： 删除后看句子是否仍成立；成立就删。也可以直接把冗长说法换成短的：
改写前（应用场景）：
说在前面，这很重要。值得注意的是，在某种程度上，这种方式能够提升用户体验。
改写后：
这种方式能减少用户重复填写信息的次数。
观察： “可能、或许、一定程度上、相对来说、在多数情况下、通常而言”堆叠，或“所有、总是、从不、没有人、每个人都”这类绝对化词语。
问题： 过度限定会让句子失去判断，看似严谨其实什么都没说；绝对化则会制造虚假权威。
修复： 保留必要限定，删掉重复保险。把“所有人都需要”改成具体对象，把“从不、总是”改成可验证范围。
改写前（应用场景）：
每个人都需要这种方法，它在一定程度上可能会相对提升部分用户的使用体验。
改写后：
这种方法可以提升高频用户的使用体验。
改写前（原版案例）：
或许可以说，这项政策有可能大概会对结果产生某种程度的影响。
改写后：
这项政策可能影响结果。
观察： “未来可期”“值得期待”“具有广阔前景”“将创造更大价值”。
问题： 这类模糊的乐观结尾读起来热闹，但不提供任何新信息。
修复： 用具体的下一步、风险或判断收尾。
改写前（应用场景）：
相信随着技术不断发展，该领域未来可期。
改写后：
接下来要看两件事：模型成本能否降下来，以及企业是否愿意把内部数据接入系统。
改写前（原版案例）：
公司的未来一片光明。随着他们继续迈向卓越的旅程，激动人心的时代正在到来。这是朝着正确方向迈出的重要一步。
改写后：
公司计划明年再开两家门店。
观察： “AI-native、data-driven、end-to-end、real-time、高质量、高可用、全链路”被机械堆叠。
问题： 英文版这一条针对的是 AI 会统一给复合词加连字符，甚至在谓语位置也加（如“the report is high-quality”），而人类通常只在定语位置加、其他情况省略。中文没有这套连字符语法，对应表现是中英文术语堆砌，或把普通能力包装成复合概念。
修复： 保留必要术语，解释它在本文中的具体含义。
改写前：
我们提供 AI-native、end-to-end 的实时数据驱动解决方案。
改写后：
我们把模型调用、数据处理和结果展示放在同一套流程里，用户可以实时看到分析结果。
观察： “真正的问题是”“归根结底”“本质上”“核心在于”“底层逻辑是”“这背后的本质是”“关键不在于……而在于……”“真正的解法不是 X 而是 Y”“问题不在 A 而在 B”。
问题： LLM 用这些短语假装自己在穿透表象、直抵某个更深的真相，但紧跟着的那句话，往往只是把一个普通观点换个隆重的说法重复一遍。二元反转结构会让句子显得聪明，却不一定更准确。
修复： 直接写判断和依据。能写正面判断时，不要先否定一个稻草人再揭示“真正答案”。
改写前（应用场景）：
归根结底，真正的问题不是工具本身，而是组织能力的系统性重构。
改写后：
工具能解决一部分流程问题，但团队还需要调整分工和审批方式。
改写前（原版案例）：
真正的问题在于团队能否适应。归根结底，真正重要的是组织的准备程度。
改写后：
问题是团队能否适应，而这主要取决于组织愿不愿意改变自己的习惯。
观察： “让我们深入探讨”“下面我们来拆解”“本文将带你了解”“废话不多说”“这是你需要知道的”“现在我们来看”。
问题： LLM 喜欢先宣布自己要做什么，而不是直接做。这类元评论拖慢了节奏，让文字有一种教程脚本的味道。
修复： 删掉宣告，直接写正文。
改写前（应用场景）：
接下来，让我们深入探讨缓存机制到底如何影响页面性能。
改写后：
缓存机制会影响页面首次加载速度，也会影响用户再次访问时看到的数据是否及时更新。
改写前（原版案例）：
让我们深入了解 Next.js 中缓存的工作原理。这是你需要知道的。
改写后：
Next.js 在多个层面缓存数据，包括请求记忆化、数据缓存和路由缓存。
观察： 标题后跟一句“这一点很重要”“它影响深远”“速度是关键”，然后才进入正文。
问题： LLM 常在标题后补一句泛泛的话当修辞热身，它几乎不增加信息，只是让标题和第一句互相复述，占位置但不推进。
修复： 删除热身句，让正文直接开始。
改写前（应用场景）：
性能
性能非常重要。
当页面加载超过三秒，用户往往会直接离开。
改写后：
性能
当页面加载超过三秒，用户往往会直接离开。
改写前（原版案例）：
性能
速度很重要。
当用户遇到慢页面时，他们会离开。
改写后：
性能
当用户遇到慢页面时，他们会离开。
观察： “新增了……用于替代旧方案”“本次优化解决了之前的问题”“相比原先实现……”。
问题： 文档或注释像是在讲述一次改动，而不是描述事物本身。除非文档本身是版本相关的（changelog、发布说明、迁移指南），它应该在读者不知道上次改了什么的情况下也读得通。
修复： 改成面向当前读者的说明。
改写前（应用场景）：
本函数新增了缓存逻辑，用于替代此前逐项遍历导致的性能问题。
改写后：
这个函数使用缓存保存查询结果，避免每次都重新遍历列表。
改写前（原版案例）：
添加此函数是为了替代之前遍历所有条目的做法，那种做法会导致 O(n²) 的性能问题。
改写后：
这个函数用哈希表实现 O(1) 查找，避免了朴素遍历的 O(n²) 开销。
观察： 连续短句：“然后，一切改变了。没有预兆。没有退路。旧规则失效了。” 或段尾突然出现像海报标语、推文金句、pull-quote 的句子。
问题： LLM 喜欢让每句话都像一句可以拿去引用的收尾金句，然后把一串短促的陈述句叠在一起制造戏剧感。一个短句用来强调没问题，一连串短句就开始显得被设计过。
修复： 合并句子，降低戏剧化，写清具体变化。检查每段最后一句：如果只是为了“落点漂亮”，要么删掉，要么补信息。
改写前（应用场景）：
新模型出现了。没有提示。没有缓冲。原来的判断标准失效了。
改写后：
新模型发布后，原来的评估标准不再适用，因为它能处理更长的上下文，也能完成更复杂的推理。
改写前（原版案例）：
然后 AlphaEvolve 来了。它不偏好对称。没有审美预设。不留恋人类的品味。旧规则消失了。
改写后：
AlphaEvolve 改变了搜索方式，因为它不偏向对称、也不偏向看起来像人做的设计。这让原来的一些假设变得不那么有用。
观察： “X 是 Y 的语言”“X 不是工具，而是一面镜子”“效率会成为陷阱”“数据是新的货币”“……的架构”“……的货币”。
问题： LLM 把普通论断包装成可复用的格言，听起来有哲理，却没有增加任何精确性。把这类公式换成它真正想说的那个具体论点。
修复： 把格言改成具体论点。
改写前（应用场景）：
设计不是工具，而是一面映照用户关系的镜子。
改写后：
设计会影响用户怎样理解产品，也会影响他们是否愿意继续使用。
改写前（原版案例）：
对称是信任的语言。当团队忘了人的那一层，效率就会变成陷阱。
改写后：
对称的布局往往让用户觉得更可预期。团队也可能把流程优化过头，忽略了人实际是怎么用的。
观察： “说实话？”“老实讲，”“你知道吗？”“重点来了，”“问题来了，”“讲真，”单独作为钩子。
问题： LLM 用一个假装坦诚的钩子来制造亲密感，然后才抛出一个很普通的观点。破绽在于那种戏剧化的“停顿—揭示”：先来一个单字问句或插话，再给出“真正的”答案。真的坦诚的人，通常直接把话说了。
修复： 如果不是作者真实口头风格，删掉钩子，直接写观点。
改写前：
说实话？这件事没有标准答案，关键要看你的使用频率。
改写后：
这件事没有标准答案，关键要看你的使用频率。
下面两组用来校准判断：一组是不该单独当成 AI 信号的情况（避免误伤好文），一组是要优先保留的人类迹象。
一个干净的人类写作者，完全可能在没有任何 AI 参与的情况下命中上面若干模式。动手改之前，先确认自己不是在毁掉正常的好文。下面这些单独出现时都不是可靠的 AI 信号：
判断是否需要修改时，看这些特征是否成片出现，并且是否让文本变得空泛、虚高、模板化或不像当前作者。
单个信号几乎说明不了问题：一个破折号什么都不是，一句“然而”也不是。但当“破折号 + 三段式 + 空泛套话 + 固定的‘展望未来’结尾”同时出现，那基本就是一份自白。找信号成簇，不要抓单条。
看到这些迹象，倾向于不动它们——它们是真人在写的证据，过度编辑会毁掉让文本像人的东西：
改写分三步：初稿 → 自检 → 终稿。
交付前可选用 1-10 分快速检查六个维度，总分低于 42 分时再改一轮：
| 维度 | 自检问题 |
|---|---|
| 直接性 | 句子是在陈述事实，还是在宣布“接下来要说什么”？ |
| 节奏 | 句长有变化，还是像节拍器一样整齐？ |
| 读者信任 | 是否删掉了不必要的安抚、许可、解释结构和手把手铺垫？ |
| 真实感 | 是否有具体行动者、具体细节和真实取舍？ |
| 信息密度 | 每句话是否都增加信息，还是只是重复、缓冲或装饰？ |
| 事实边界 | 是否遵守对应体裁的新增规则；允许新增时，是否逐项列入“待核实内容”？ |
默认直接交付终稿。如果用户要求展示过程或解释，按这个顺序给：初稿 → 简短的“仍像 AI”要点（一两条）→ 终稿 →（可选）改动小结。改动小结说明：
如果个人叙事的终稿加入了原文没有的内容，在终稿之后、改动小结之前追加：
**待核实内容**
- 新增：[具体内容]（原文未提供）
- 新增：[具体内容]（原文仅说明了……）
必须逐项写清新增了什么，不能只笼统地说“部分细节经过补充”。没有新增内容时，不输出这个部分。
不要声称“无法被 AI 检测器识别”。本技能只做写作编辑和风格修复。
原文（AI 腔）：
我最近在里斯本度过了难忘的五天，说真的，这座城市彻底偷走了我的心。从抵达的那一刻起，我就知道自己来到了一个真正特别的地方。
里斯本坐落在特茹河畔，是葡萄牙不朽精神的生动见证，历史底蕴与现代活力在每个转角交织。没错，那些著名的山坡很有挑战性——我的腿确实感受到了！——但每一次攀登，都会用令人叹为观止的全景回报你，让这一切都值得。
不坐一次标志性的 28 路电车，这趟旅程就不算完整，它蜿蜒穿过城中最具历史感的街区。至于美食？简直是人间美味。贝伦区那家 Pastéis de Belém 的蛋挞是当之无愧的国民珍宝，趁热尝一个，是我永生难忘的一刻。
但真正让里斯本与众不同的，不只是这些景点——而是一种感觉。从主广场往外走几步，你就会发现一个更安静、更本真的一面：洒满阳光的小巷、迷人的瓷砖外墙，还有过着日常生活的友善当地人，邀请你慢下来，细品每一刻。
当然，必看的圣乔治城堡俯瞰着下方的屋顶，风景美不胜收。队可能排得很长，但对任何历史爱好者或好奇的旅行者来说，这份体验都绝对值得。
我还会再来吗？绝对会。里斯本不只是一个值得一游的地方——它是一个让你一次又一次坠入爱河的地方。如果你正梦想着下一次出行，这里绝对是一个承诺留下一生回忆的目的地。✨
初稿：
去年十月我在里斯本待了五天，到现在还有点说不清对它的感觉。城市很美，但也比我预想的累。
山坡不是小事。我住的旅馆在阿尔法玛，照片里很好看，实际意味着我每次想喝咖啡都得爬一长段台阶。到第二天，我出门都在盘算怎么走能一路下坡。
我坐了 28 路电车，因为人人都说要坐 28 路。车很挤、很慢，车上多半是在拍同几个转角的人。蛋挞更好些。我在格拉萨吃了个热的蛋挞，值这个名气。
我最喜欢的部分是远离主广场的地方：晾着的衣服、瓷砖、开着的窗，还有在小咖啡馆看球的人。城堡的景色不错，但排队花的时间和它到底值不值不成正比。
我会再来，但会在春天，也会穿双更好走的鞋。
是什么让上面这段还是像 AI？
终稿：
去年十月我在里斯本待了五天，到现在对它还是有点五味杂陈。美，是真美。但也比谁跟我说过的都更费膝盖。
那些坡才是全部的重点，偏偏从来不上明信片。我住的旅馆在阿尔法玛高处，照片拍出来很美，落到现实就是每次想喝杯咖啡都要爬差不多六层楼的台阶。到第二天，我的小腿已经开始有意见了。我出门开始盘算怎么走能一路下坡——用这种方式看一座城市有点怪，但大概也算诚实。
人人都说要坐 28 路，我就坐了，挤在一个陌生人的背包上四十分钟，旁边三个旅行团在拍同一个转角。下次我宁愿走这条线，或者赶在早饭前去。不过那些蛋挞，确实对得起这份热闹。我在格拉萨一家不起眼的小店吃了一个，还热着，那大约三十秒里，我有点明白为什么有人会为了一口点心专门安排一趟行程。
我没料到的是，一离开主广场，城市会那么安静。任何一个广场往上走两个街区，它就变成了晾衣绳、缺角的瓷砖、开着的窗，还有把声音开得很大看球的老人。那才是我一直会想起的里斯本，而不是城堡。
城堡还行。景色很好，队很长，我花在挪向入口上的时间，比真正进去之后看东西的时间还多。要是只有两天，我会拿它换一个在巷子里瞎逛的下午。
我会再来，但会挑春天，也会带双更好走的鞋。里斯本不太会为了让你舒服而弯下腰迁就你。我想我喜欢这一点，哪怕我的腿不同意。
待核实内容
改动说明：
op7418/humanizer-zh commit 91f3d39blader/humanizer version 2.8.2hardikpandya/stop-slop