Menu
用于对章节正文做去 AI 味重写。适合主编式多轮去味、先诊断再定强度、整章去模板腔、局部拆解释腔、打散均匀句群、保信息重写与人物声音去同腔化。关键词：去AI味、主编式去味、多轮改稿、模板腔、解释腔、均匀句群、太像AI、重写这段。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
Remove signs of AI-generated writing from text. Use when editing or reviewing text to make it sound more natural and human-written. Based on Wikipedia's comprehensive "Signs of AI writing" guide. Detects and fixes patterns including: inflated symbolism, promotional language, superficial -ing analyses, vague attributions, em dash overuse, rule of three, AI vocabulary words, passive voice, negative parallelisms, and filler phrases.
检查和清理中英文文本里的 AI 套路，适用于“去 AI 味”“说人话”“自然一点”“别像模板”“先标问题”这类改写和审稿需求；按场景控制力度，同时保留事实、术语、语域和责任主体。
用于【AI科幻】题材下搜索起点中文网等目标平台的同题材 TopN 候选池，先锁定榜单与样本池，再从中收束 3–5 本主样本做四层深拆式竞对分析。作为题材包装层与路由层，负责保留AI科幻标准入口名，补充技术视角、技术针脚、数据链/系统逻辑链、长线系统谜团等题材维度，并明确要求优先强制加载并使用 `通用-分析竞对作品`。关键词：AI科幻竞对分析、AI科幻竞品分析、起点AI科幻榜单、标杆作品拆解、技术悬疑标杆报告。
用于【AI科幻】题材下的章节正文创作。作为题材包装层、兼容入口与路由层，负责保留AI科幻入口名，补充起点追读、数据追溯程序、真实编号、数字压迫感与文件写回要求，并要求生成的 ` ## 作者有话说` 保持读者向小剧场口感。
用于【AI科幻】题材下的去 AI 味重写。作为题材包装层、兼容入口与路由层，负责保留AI科幻标准入口名、补充程序 / 数据痕迹径、数值双轨与冷压迫来源保护边界，并明确要求优先强制加载并使用 `通用-去AI味重写`。关键词：AI科幻去AI味、模板腔、数据痕迹径、冷压迫。
用于【AI科幻】题材下的多平台适配策略。作为题材包装层与兼容入口，负责保留AI科幻入口名、补充异常数据、系统摩擦、数字压迫感与长期谜团在各平台的保真边界，并明确要求优先强制加载并使用 `通用-多平台小说适配`。关键词：AI科幻多平台适配、平台差异、改写前推演、平台保真。
| name | 通用-去AI味重写 |
| description | 用于对章节正文做去 AI 味重写。适合主编式多轮去味、先诊断再定强度、整章去模板腔、局部拆解释腔、打散均匀句群、保信息重写与人物声音去同腔化。关键词：去AI味、主编式去味、多轮改稿、模板腔、解释腔、均匀句群、太像AI、重写这段。 |
| argument-hint | 要处理哪一章或哪一段？默认先做一句病灶诊断，再在三档手术强度里定档，始终保信息、保结构、保钩子。 |
| user-invocable | false |
题材路由：若 .github\题材专用Skills\ 目录存在对应的 <题材>-去AI味重写 Skill，则：
- 将题材特性骨架路由到 <题材>-去AI味重写，该 Skill 位于 .github\题材专用Skills\ 目录。
- 命中本技能时，必须优先强制加载当前 Skill 与 <题材>-去AI味重写。
去 AI 味不是把文本洗平，而是把“假”洗掉，把同一份信息写得更像人在场景里说话、做事和承受压力。
以下所列 references 文件必须通过 read_file 工具逐文件读取，不得因"已有相关知识"、"之前执行时已读过"、"该文件只是参考"为理由跳过任何一条。 每条 references 按其标注的必读等级强制执行：
标注 必读 的文件：必须读取，少一条即视为流程违规，不得开始执行流程。
未标注必读的文件：必须读取，但读取后可仅提取与当前任务直接相关的段落，不要求逐字通读。
若文件路径指向的文件不存在（如引用的外部路径未就位），必须在日志中显式记录 reference_missing_{refName}，不得静默跳过。
references/科幻类AI味典型问题.md — 科幻小说AI味典型问题与修正策略
references/七猫专栏OS叙事拐杖检测增补.md — 七猫专栏 OS 叙事拐杖检测增补
18 个 reference 文件按用途分层分为 5 组。调用时先根据当前阶段锁定要读的组，再按本组的"读取时机"判断读哪些文件。
| 文件 | 读取时机 | 优先级 |
|---|---|---|
references/去AI味识别雷达.md | 每轮必读。快速定位病灶属哪一层（病灶识别/句群重构/人声回补）并做 Green/Yellow/Red 初筛 | ★★★ |
references/AI味高发信号与拆洗策略补充.md | 每轮必读。扫描句子均匀、对话同腔、抽象判断等常规表层病灶 | ★★★ |
references/实战对比案例——从AI稿与人工稿的差异提取可复用诊断与拆洗规则.md | 每轮必读。该文件的 13 项量化指标（基础篇 7 项 + 扩展篇 6 项，涵盖句法层、设定层、情绪层）提供深层诊断证据 | ★★★ |
../../写作研究/网文留存模型.md | 每轮必读。去AI味完成后，验证情绪刺激密度不降低——去味后的正文必须维持原有情绪主轴与读者驱动力 | ★★★ |
references/去AI味三档手术强度与风险卡.md | 用户未定强度时必读。用此文件向用户展示三档说明并锁定本轮档位 | ★★★ |
分层规则：先跑识别雷达做初筛 → 再用 AI味高发信号检查表层 → 若读感为"像AI但挑不出毛病"转向深度诊断（十一大结构指纹，见本文
## AI味深度诊断节，其中指纹8已扩展制度层/数字层，指纹10为AI语义崩溃模式，指纹11为假节奏专项） → 量化指标不确定时参考实战对比案例的 13 项测量门禁。
| 文件 | 读取时机 | 优先级 |
|---|---|---|
references/去AI味共享裁判规则补编.md | 每轮必读。5 大通用病灶 + 6 项小说专项病灶 + 收尾快检 | ★★★ |
references/去AI味四维病灶与45条规则.md | 每轮必读（或至少扫描 45 条目录确定本轮用哪几条）。习惯用语/句式逻辑/写法口气/论证逻辑 4 个维度 + 45 条逐条拆洗规则 | ★★★ |
references/AI句式替换与动作化替代清单.md | 每轮必读。C 批次高发 AI 句式的替换清单、三段式动作化替代模板、高频冗余词控制 | ★★★ |
references/去AI味句级改写工具.md | 句子级改稿时必读。遇到单句明显假但不会改时查此文件 | ★★★ |
references/去AI味三级改造与工具包.md | 中等及以上强度时必读。按强度提供整段/整章的改写法 | ★★ |
references/去AI味风格与排版补充.md | 改稿后排版复检时必读。句长控制、标点规范、现场质感补充原则 | ★★ |
跨文件冲突仲裁：同一病灶多个文件给出不同处理建议时 →
去AI味共享裁判规则补编的硬戒（如"禁止心理分析句式"）>去AI味四维病灶与45条规则的具体条目 >AI句式替换与动作化替代清单的句式替换 > 其他文件的补充建议。
| 文件 | 读取时机 | 优先级 |
|---|---|---|
references/去雕琢腔与透明人声校准卡.md | 每轮必读。6 类高发雕琢腔信号 + 透明人声最低标准 + 复检四问 | ★★★ |
references/风格注入锚点卡.md | 有作者风格模板时必读。将"补毛边"升级为按作者风格模板定向注入 | ★★★（有模板）/ ★（无模板） |
references/视角塌陷与五感替代诊断修复卡.md | 每轮必读。视角塌陷诊断、五感替换法、摄像头视角实操、有效细节 vs 无用拖沓 | ★★★ |
人声回补优先级：先修复视角塌陷（视角塌陷修复卡）→ 再拆雕琢腔（去雕琢腔校准卡）→ 最后按风格模板定向注入（风格注入锚点卡）。三个文件在同一角色声口问题上可能给出近似建议，以"视角正确 > 雕琢腔清零 > 风格定向"的顺序分层执行，不重复劳动。
| 文件 | 读取时机 | 优先级 |
|---|---|---|
references/去AI味后供血与职责复检卡.md | 每轮必读（改稿后）。复检卖点供血、章首抓力、中段回报、章末钩子与人物声音差 | ★★★ |
references/去AI味执行清单.md | 每轮必读（改稿后）。全局性检查清单，确保没有遗漏关键任务 | ★★★ |
references/去AI味红线保护.md | 每轮必读（改稿前默读，改稿后复核）。红线清单——什么不能改、什么不能丢、什么不能洗平 | ★★★ |
references/去AI味多轮诊断与回写模板.md | 输出终稿时必读。按模板格式输出 【修改总结与原因】、【修改后的小说正文】、【后续修改建议】 | ★★★ |
references/统计模式对抗与人味编辑终审方案.md | 第九步、第十步必读。统计对抗十维度扫描 + 人类指纹注入 + 三视角终审模拟 | ★★★ |
复检顺序：改稿后先跑红线保护（确保没踩线）→ 再跑后供血复检（确保章节职责仍成立）→ 然后跑执行清单（全面收尾）→ 接着跑 stop-slop 五维评分门禁（快速通道模式下替代完整复检；全流程模式下作为前置质检，总分 < 35 必须回炉）→ 最后执行统计对抗（第九步）→ shuorenhua 场景化终审（第十步，全流程模式下保底；快速通道模式下作为最终输出前的唯一终审）→ 按多轮诊断模板输出。
| 文件 | 读取时机 | 优先级 |
|---|---|---|
references/腾讯专栏直白与氛围保持增补.md | 通用任务读取 | ★ |
来源：知乎·路过银河《让 AI 写得更像人：5 个值得安装的写作 Skill》（2026-07-12）。以下五个子目录各含独立 SKILL.md 与 references/，可按需加载。
| 子Skill | 读取时机 | 优先级 | 加载内容 |
|---|---|---|---|
humanizer-main/ | 英文内容去味时必读（替代第三、四步的表层扫描） | ★★★ | SKILL.md — AI写作特征全量规则（夸大意义/宣传腔/被动语态/填充短语等） |
Humanizer-zh-main/ | 中文内容去味时必读（替代第三、四步的表层扫描） | ★★★ | SKILL.md — 中文AI腔专项规则（书面腔/过度总结/四字结构/收尾感等） |
stop-slop-main/ | 第六步复检前必读（作为质量门禁） | ★★★ | SKILL.md + references/phrases.md + references/structures.md — 8条核心规则 + 五维评分卡 |
taste-skill-main/ | 第五步人声回补前选读（需要破模板增个性时） | ★★ | skills/gpt-tasteskill/SKILL.md — 反默认审美策略；注意：原版为UI设计Skill，取其"拒绝默认/选定立场"的写作哲学映射 |
shuorenhua-main/ | 第九、十步前必读（作为场景化终审） | ★★★ | SKILL.md + references/protected-spans.md + references/operation-manual.md + references/structures.md — 四场景分档规则 + 保护原则 + 微操作手册 |
子Skill协同规则：
- 快速通道模式（用户说"快一点"）：humanizer-zh → stop-slop → taste-skill → shuorenhua，四步串联
- 全流程模式（默认）：在现有十步流程中按上表"读取时机"按需插入子Skill
- 子Skill之间不互相依赖，可单独使用其中任意一个。但串联使用时必须按推荐顺序（基础去味→质检→增个性→终审），不可逆序
- 子Skill的规则文件与本Skill的18个reference文件不重复、不冲突——前者处理通用AI语言模式，后者处理网文专项病灶
- 所有子Skill均为MIT或开源协议，详见各子目录下的LICENSE文件
以下原则吸收自知乎专栏作者柳漫漫《先正常写作，写完再微调》。
去 AI 味的技术能力很重要，但如果创作时心里一直坐着 AI 检测器，写出来的东西必然缩手缩脚、假上加假。去味的起点不是改稿时的刀法，而是创作时的心态。
不要让检测算法坐在你肩膀上指挥每一句话。去 AI 味是写出好文本后的自然提纯，不是戴着镣铐跳舞。如果你在写第一章时就在想"这句会不会被判 AI"，你已经在替机器写作，而不是替读者写作。
AI 最擅长生成"公共化"的例子——正确、通用、但缺乏任何人真正经历过的时间地点和人物。去 AI 味的第一原料是你真实经历过的事：
每个人都有独特的表达习惯——口头禅、常用的语气词、特定的比喻偏好、固定的转场方式。这些"不完美"的个人痕迹，恰恰是你在文本中最难被 AI 复制的身份标识：
AI 生成的句子长度往往很均匀——像机器量产的零件，每句都在 25-35 字之间，每个段落都在 3-5 句之间。主动打破这种节奏：
这不仅能降低 AI 检测率，更能让读者获得阅读的呼吸感。
AI 倾向于"一方面……另一方面……""总的来说""值得注意的是"这类客观中立的口吻。而人写的东西可以有：
去味不是把文本洗成中性，而是把作者和角色的真情实感洗出来。
来源：本仓库《朱雀AI检测机制与应对手段研究报告》（2026-06）。
去AI味的底层逻辑不只是"读着像人"，更是在统计特征层面消除AI文本的可检测模式。理解以下检测维度，能让去味更有方向感，而不是盲目改稿：
AI倾向于选择高概率词，使文本"过于可预测"。去味方向：引入低频词和非常规搭配——方言词汇、行业黑话、口语化表达、网络用语。不是硬塞，而是让角色说符合其身份的话。
AI的句子长度分布窄（每句12-18字），段落长度均匀。去味方向：主动制造句长方差——2-5字短句与25-40字长句交替。写完一个长句，接一个短句。允许自己写"不够好"的过渡段。
AI回避低概率词，导致词汇熵偏低。去味方向：减少模板化连接词（"然而/此外/因此/值得注意的是"），用动作、对话、环境直接衔接段落。让同义词自然重复，而不是机械轮换。
AI输出逻辑链条呈线性推进（A→B→C→D，每一步严丝合缝），缺乏跳跃、留白、旁支。去味方向：故意打断完美逻辑链——允许跳针、倒置、信息推迟释放、局部留白。不是每段都要推理清楚才结束。
"均匀就是AI。句长有高低、段落有长短、细节有疏密、情绪有起伏——这四个'有'记在心里，去味就不会偏。"
补充说明：以上四个维度的技术命名来自AI检测领域的知识框架（详见研究报告），去味时不需要记住这些术语，只需理解其指导方向即可。
来源：
实战对比案例.md§一·第二式"主语重复病"；研究报告§一。
AI文本中一个极易量化但常被忽视的AI味信号：主语重复率。AI受英文语法习惯（每句必须有显性主语）的"语料污染"，生成的每句中文都以"她/他/人名"开头。人类中文写作天然有大量无主句、动词引导句、感官引导句、脱漏主语——这是中文与英文的本质差异。
检测方法：统计前300字中，以"她/他/角色名/她的/他的"开头的句子占比。
| 主语重复率 | 判定 | 操作 |
|---|---|---|
| ≥ 80% | AI高风险 | 必须拆洗 |
| 60%-80% | 关注 | 建议优化 |
| < 60% | 正常 | — |
拆洗方向（来自实战案例统计）：
经验门槛：连续3句以上同一主语开头，至少拆1句为无主句或逆序句。
来源：虎嗅网《AI落地的苦，没有人比网文圈更懂》采访番茄/七猫编辑；本仓库研究报告。
当去味完成后，按以下编辑判定AI的优先级顺序做自检（越靠前的项目权重越高，不要只修最低优先级的"文笔漂亮"）：
反直觉提醒：第6项（文笔精细度）是去味中最容易被误判的方向——不要削足适履地把好句子改差来"显得不像AI"。好文笔不是问题，均匀性和模板化才是。
来源：知乎专栏文章《AI 写的小说会被检测出来吗？讲讲原理，别被焦虑带偏》Majx，2026-07-07。
以下原则帮助建立对AI检测的正确认知，避免在去味过程中被焦虑带偏方向。
AI检测的四大信号——高频套话、用词太平滑、风格过度一致、结构模板化——恰好也是读者弃文的四大原因。一套好的去味流程，既降低了被检测的概率，也提升了读者的阅读体验。这不是两件需要分别做的事，而是同一件事的两面。如果某个去味操作让文本"更不容易被检测"但"更难看了"，说明方向错了。
决策指南：当在去味中遇到"改还是不改"的犹豫时，优先问"改完读者读着更舒服吗"，而不是"改完AI率更低吗"。两者的方向在好的去味中应当一致，若不一致，以读者体验为准。
主流AI检测工具输出的不是"是/否"二值结果，而是AI率或概率评分。处理过的文稿风险是可控的——没有哪个正规平台仅凭工具评分就直接判定。去味的目的是把"被高置信判定"的概率降到合理区间，不是追求检测率归零。相比纠结检测分数，更值得关注的是章节正文的逻辑一致性、人设稳定性和对话自然度——这些才是编辑审稿的真正重心。
去味工具和疲劳词表能压制可量化的破绽——高频套话、均匀句长、模板化结构——能把"像人写"做到八九成。但"有没有灵魂、像不像这个作者"这最后一道判断，必须由人来完成。工具可以辅助诊断和局部改写，但不能替代作者的判断力、风格选择和对故事的理解。指望工具把粗糙的生成稿洗成精品，是不现实的。
去AI味的技术服务于两个合法目标：提升作品质量和通过平台审读。它不是用来造假、抄袭、或绕过原创审核的工具。所有去味操作都必须建立在"这是我自己创作的内容"的前提下。
底线：保留创作过程记录（引用原则五），在被误判时有据可查。既不要因为焦虑而放弃使用工具，也不要因为工具方便而逾越创作伦理。
写作时使用支持版本历史的工具（VS Code 的本地历史、Git 提交记录、腾讯文档、飞书文档等）。这些记录不是用来审查自己的，而是在被误判时最有力的自证证据。这虽然不是去味的技术方法，但能让你在创作时更放松、更有底气——敢写真实的内容，而不是为了"安全"写成机器腔。
来源：知乎答主"铷洱"《网文的下一个突破点会是什么？》（2026-07-03）；本仓库整理。 证据充分性：一般（行业趋势判断，单篇观点） 置信度：中 适用层：去味的上游动机层——在执行具体去味技术前，先建立对"为什么要去味"以及"AI时代作者应该拼什么"的正确认知。
当AI能够把模板化爽文写到80分水准时，套路赛道上的竞争已经没有意义了——读者不再需要人类作者为他们提供"标准配置"的升级打脸恋爱文，因为AI能以更低成本、更高效率完成这类内容。这不是威胁，而是信号：它告诉人类作者，你应该彻底放弃和AI比套路。
核心推演：
AI写不出来的不是"更好的套路"，而是：
很多作者把去AI味理解为"隐藏AI痕迹"——这是一种防守型、焦虑驱动的错误认知。
正确的战略认知是：去味不是为了让你看起来不像AI，而是为了让你的个人印记更清晰地穿透文本。你的目标是让读者读完一章后感叹"这肯定是XX写的"，而不是"这不知道是人还是AI写的"。
未来的高效写作流程不是"人类写全部→去味"，而是：
AI负责：开头框架 / 章末钩子候选 / 场景骨架 / 设定一致性检查
人类负责：核心情绪选择 / 角色声口 / 认知型爽设计 / 个人偏见注入 / 叙事节奏裁断
这套分工不是"人做一半AI做一半"，而是各尽其能——AI处理可模板化的结构性工作，人类专注那些AI无法复制的个人化表达。去味技术的真正价值在人类的"注入"环节之后：确保个人印记没有被AI的标准化表达冲淡。
最终原则：当AI把所有套路文写到80分的时候，剩下的赛道全是人类的——你只需把自己活成一个有血有肉、有偏见、有执念、有创伤、有热爱的人，然后把这些写进故事里。这不需要技巧，只需要勇气。
这九条原则不与本 Skill 的技术方法（十大结构指纹、量化指标、三档手术强度等）并列或竞争。它们是去味的上游心态层——在动刀之前先确认"我写的这一段，首先是一段有人声、有来源、有立场的文本"。技术工具解决的是"洗掉假"，创作原则解决的是"长出真"。
"不要为了通过机器的检验，把自己变成一台机器。读者需要的，是真实的我们。"
来源：Jake Orlowitz（穆双译）《人们总说我的 AI 作品是金子——提高AI作品可读性》（知乎专栏，2026-07-11）。原作者为《纽约时报》撰稿人，描述其将 AI 初稿提炼到"记者看不出破绽"的多轮流程。
模型递给我的是矿石。任何值得阅读的内容都源于我后续的提炼。人们想象的是敲击键盘和一杯咖啡的功夫，而真正的工作发生在接下来的一个小时里。
这个认知直接影响去味时的战略判断——不要期望 AI 一次生成就是成品。去味的对象不是"写得不好的 AI 文本"，而是"未经提炼的矿石"。心态决定你愿意花多少轮、多少精力去打磨。
以下流程基于实战验证，适用于需要将 AI 生成稿提升到"看不出破绽"级别的精炼场景：
第1轮：精确提示 → AI产出初稿（矿石）
第2轮：增补缺失 → AI加入模型遗漏的组件/线索
第3轮：事实核查 ← 必须独立进行（见下方警告）
第4轮：剥离惯用痕迹 → AI去掉三点列举/跷跷板句式/宠词
第5轮：自批评重写 → 新对话·批判性评分·按评分重写
第6轮：三位读者框架 → 写作教师/领域专家/怀疑论者
第7轮：人工终审 → 读出声，找死点，换活词（不可由AI代劳）
这是投入最少、回报最高的操作：
为什么有效：AI 在同一对话中会持续维护对已生成内容的"自信"。新对话切断这种惯性，让它能以更客观的批评者视角审视同一份文本。
与事实核查的关系（关键）：自批评重写轮捕捉的是清晰度和写作技巧问题，它无法可靠地捕捉到错误日期或站不住脚的论点。所以事实核查必须是独立的一轮——而且在前。把这两步混在一起做，你得到的只会是对一个原本就错误的句子进行自信而精炼的改写。
精炼的最后阶段，想象三位特定读者：
| 读者角色 | 关注的缺陷 | 问法 |
|---|---|---|
| 写作教师 | 死板的句子、没有脉搏的段落、节奏僵硬 | "这段读起来有呼吸吗？有没有一句话可以删掉而不影响任何东西？" |
| 领域专家 | 事实错误、逻辑跳跃、不合理的专业细节 | "这个说法经得起推敲吗？一个真正懂行的人会在这里皱眉吗？" |
| 怀疑论者 | 论证是否说服人、是否有预设立场 | "凭什么相信你？这段有没有在偷换概念或回避真正的问题？" |
实操方法：在 AI 精炼对话中，明确说出三位读者的身份特征和各自等待发现的缺陷，要求 AI 以"他们各自的语气"给出诚实反馈。然后收集全部反馈，要求基于此做一次全面重写。
最后 25% 的工作必须由人类手动完成：
大多数 AI 辅助写作正是在事实核查这一步功亏一篑。
不单独做事实核查的后果：
实操规则：在剥离惯用痕迹之后、自批评之前安排独立的事实核查轮。要求 AI 逐一标注每项事实的置信度（可验证/推测/不可验证），并对不可验证项给出替代方案。
本工作流不替代本 Skill 现有的十大结构指纹诊断、四维病灶检测、三档手术强度决策等核心技术方法。它是在技术诊断之上的执行流程——告诉你什么时候做什么检测、什么阶段用什么工具：
在完成第7轮人工终审后，执行统计模式对抗（统计模式对抗与人味编辑终审方案.md §二）+ 人类指纹注入（§三）+ 三视角终审模拟（§四）。这三步共同构成"人味编辑终审 + 统计模式对抗"的完整闭环。
如果这三步后仍有问题 → 标记为"当前技术条件下最优版本"，记录未解决维度。
本 Skill 已吸收外部共享 deai-rules 的通用识别框架，但已按本仓库的中文网文场景改写落地：
## AI味深度诊断）：当常规去味后文本仍然"读着像AI但挑不出具体毛病"时，进入九大结构指纹扫描——前六项覆盖文本结构层（感官均匀轰炸、比喻公式套娃、节奏全程匀速、内心独白过度条理、元叙事总结口吻、职业设定教科书执行），后三项覆盖创作逻辑层（模板机械复现、术语历史嫁接、过度合理缺失盲区），辅以四项量化检测指标（破折号异常率、句长标准差、感官词密度、转折扣密度）。这些是高级AI润色/扩写后的深层痕迹，常规模板腔检查无法覆盖。../通用-执行场景单元/references/知乎精华_文笔四维与交互框架.md 第三节。references/OS叙事拐杖检测增补.md。来源：自知乎精华《如何写好一个优质的长篇小说？》（摘星，2026-06-17）。
以下四则硬规则是去AI味检查的上游前置约束——在诊断AI味之前，先确认正文是否遵守了网文叙事的基本纪律。这四则不是"写得更好"的建议，而是"不要踩的底线"：
通用-设计人物传记 的"人物对话参与度设计"与"表达DNA"），不能只在去味阶段临时改写。四则规则的优先级按从上到下排列。规则一（视角统一）是底线中的底线——视角混乱对读者造成的阅读障碍 > 台词同腔化 > 情绪直白 > 环境过多。但如果四条同时出现问题，优先修复视角和台词风格（规则一和规则三），因为这两条直接影响读者的代入感和角色辨识度。
来源：知乎·Raymond《AI味，不是AI的味》（2026-07-02，149 赞同）。核心论点：AI味是一种文体特征（信息优先于体感、结构优先于节奏、完备优先于取舍），不是一种来源——人也写得出来，机器调教后也能避开。
以下三轴框架是本 Skill 所有诊断规则的上游组织原则。在执行任何具体指纹扫描或病灶检测之前，先用三轴做一次"文体层面"的快速定位。
| 轴 | AI味倾向 | 人味倾向 | 改稿时的自检问题 |
|---|---|---|---|
| 体感轴 | 信息优先于体感——句子在传递正确信息，但没有还原任何身体感受 | 体感优先于信息——读完后脑中有一个具体的感觉画面 | "这句话是在传递信息，还是在还原一种感受？如果只有信息没有感受→改写" |
| 节奏轴 | 结构优先于节奏——段落之间的转折是因为"结构需要转"（首先/其次/最后），而非思路自然走到这里 | 节奏优先于结构——过渡靠语气和思路的自然流动，不是显式路标 | "这个转折是因为结构需要才转的，还是思路自然走到了这里？如果是前者→拆掉结构" |
| 取舍轴 | 完备优先于取舍——每一个可以展开的地方都倾向于展开，每一个可以加一层的地方都倾向于加 | 取舍优先于完备——该说的说完就停，不该说的根本不会出现 | "不写这句话，文章是不是就缺了？还是写了之后只是'更全'？如果是后者→删掉" |
使用方式：拿到一段需要去味的文本时，先不用任何具体检查清单，只用三轴各问一次。通常问完就能定位"这一段的AI味主要出在哪根轴上"——是体感缺失（只有信息没有画面）、节奏机械（结构驱动而非思路驱动）、还是取舍失当（想说的全说了没有留白）。
适用于评论、分析、讲稿、写作研究等非小说文本的去AI味场景。小说正文的AI味诊断仍以九大结构指纹为主。
| 症状 | 识别信号 | 改法 |
|---|---|---|
| "不是…而是…"滥用 | 中文AI写作中频率最高的句式。变体包括"是…不是…""不只是…更是…""与其说是…不如说是…"——识别关键不在于具体变体，而在于：作者是在正常陈述，还是在刻意制造转折？ | 人顺着说，AI翻过来说。把"不是A，而是B"改成直接陈述B。一篇文中出现≥3次→必须拆掉至少2处 |
| 英文句式硬译感 | 破折号滥用（中文读者不习惯满篇破折号）、过长的嵌套从句（英文三层定语从句→中文读到第二层就喘不过气） | 破折号→改成逗号或拆成独立句。长嵌套从句→拆成2-3个短句，按中文语序重组 |
| "首先…其次…最后…综上"全套 | 无论题材是否需要，这套四件套几乎成了AI议论文的标配。人类写议论文靠语气过渡，不需要显式路标 | 删除全部显式序列词。用段落之间的逻辑关系自然过渡。如果删掉后读者无法理解顺序→说明论证本身没有逻辑递进，先修论证再修表达 |
| 连接词机械堆砌 | "此外""同时""并且""然而"——人类写中文时很多过渡靠语序本身完成，根本不需要这些词。AI不放心，每一句都要和上一句显式挂钩 | 删除50%以上的连接词。用句序本身表达逻辑关系（因果靠先后、对比靠并列、递进靠具体化） |
| 不需要比喻的地方硬塞比喻 | 议论文本来靠论证推进，AI却总忍不住往里插意象——"像一把无形的刻刀""一条令人心碎的轨迹"。人类用比喻是想了好久才找到一个贴切的；AI随时随地都能掏出比喻，毫不犹豫 | 删。议论文中每个比喻都必须能回答"不用这个比喻，论证是否受损？"如果答案为否→删除。比喻太廉价了，像批发的 |
适用于小说正文、散文等文学性文本。这是比九大结构指纹更底层的判断维度——它不回答"有什么症状"，而回答"句子是怎么产生的"。
| AI倾向（效果倒推） | 人类倾向（体验顺推） | |
|---|---|---|
| 句子发生方式 | 从修辞效果出发——先决定"这里需要一个比喻/一个画面"，再从语料库里拼装成句 | 从身体体验出发——先有一个真实的身体感觉，再想办法说出来 |
| 典型表现 | "寒意刺进她的胸膛"——主语是"寒意"、动词是"刺进"、宾语是"胸膛"，整个句子从修辞效果倒推出来 | "她胸前一冷"——主语是人、动作是感知，没有比喻、没有修辞意图 |
| 检测方法 | 把每句话的主语圈出来。如果大量句子的主语是无生命的抽象名词在执行人类动作（"寒意刺进""悲伤淹没""希望照亮"等），即为倒推 | 如果主语是有感知的人、动作是具体感知或行为（"她感到冷""他往前走"等），即为顺推 |
关键认识的纠正：流传很广的一个说法是——人类写"寒意刺进她的胸膛"，AI写"寒意刺进她第四节胸椎"。实际上，"寒意刺进她的胸膛"恰恰是最典型的AI写法（效果倒推），而"第四节胸椎"在特定上下文里（外科医生视角、先锋文本）完全可以是人类的精确选择。判断标准不是"精确度"，而是"句子的发生方式"。
这两种信号比句式/比喻问题更深、更难察觉，但一旦被识别，是AI味最强力的证据。
定义：AI从大量网络语料里提取高频零件，按统计规律重新拼合出的表达——表面有口语质感，但没有任何真人社群真正使用过。
识别信号：
示例：
检测与处理：
定义：AI知道过于正式会暴露自己，于是在整齐的分析性语句中定点投放口语词——投放位置和频率都透着算计。
识别信号：
与真正口语化写作的区别：
检测与处理：
识别信号：人类在议论文/非文学文本中用比喻，一般是想了很久才找到一个贴切的。AI用比喻是随时随地都能掏出一个，而且掏得毫不犹豫——这种流畅本身是破绽。
检测：非文学文本中，比喻密度 > 每500字1个 → 标记。比喻的功能如果不能回答"不用它，论证是否受损"→ 删除。
当前网文领域，AI辅助写作已进入"半公开"阶段。传统的AI味识别（模板腔、解释腔、均匀句群）只能抓表层机器痕迹。以下九种深层结构指纹（前六项文本结构层 + 后三项创作逻辑层）是高级AI润色/扩写后的文本最难以洗掉的特征——掌握这些，才能从"句子像AI"识别到"整章有AI深度参与"。
识别信号：全文几乎找不到一句"中性叙述"——每一句都在调动身体感官（疼、热、冷、嗡鸣、视野模糊、膝盖冰凉、心跳撞击胸腔），没有"她跪在地上，周围是灵堂"这种不带身体感受的白描。
为什么是AI特征：人类作者的注意力有起伏——写到紧张处可能专注痛觉忘了听觉，写到情绪沉浸时感官描写就松了。但AI一旦被训练成"要用身体感受来写"，它不会忘——会在每一段、每一个场景、甚至每一个动作里都执着地执行。
拆洗方法：
识别信号：比喻密度极高，且全部遵循同一个公式——"A像B——（然后加一个精炼的解释或否定）。"
示例：像隔着一层水听人说话。像墨水洇在宣纸上最中心的那一滴。像往抽屉里放一件重要的东西，关上抽屉，知道它在哪。按住左胸口——不是怕。是怕心跳声被屋里的人听见。
为什么是AI特征：AI学到"好的比喻要具体、要加解释让它更独特"后，会在每个能用比喻的地方都套这个公式。人类也会用，但不会用得这么密集、这么结构统一。而且最要命的是——"不是怕。是怕心跳声被听见"这种精准命名情绪并做出修正的写法，是人类在极度紧张时不会做的，真实恐惧中的内心独白是破碎的、重复的、语无伦次的。
拆洗方法：
识别信号：从第一章到最后一章，全篇维持同一种"高密度、高张力、每句话都要有信息量"的匀速节奏。没有松弛的段落，没有"只是交代信息就过去"的过渡句，每一段都在努力"写得好看"。
为什么是AI特征：人类写作时思维有快有慢、注意力有集中有涣散、情绪有高涨有平复——这些都会反映在节奏上。有些段落急促（短句、快切），有些段落舒缓（长句、沉浸）。AI不会累、不会走神、不会在某一段只想草草交代完信息就翻过去。这种"全程高能"在人类长篇连载中几乎不可能持续。
拆洗方法：
识别信号：
为什么是AI特征：AI对"深度心理描写"的理解是逻辑化的、分条列的、分析性的。真实人类在恐惧/愤怒/悲伤中的内心独白是破碎的、跳脱的、有时甚至不合逻辑的。AI会把人类的模糊感受整理得太干净、太有条理——这本身就是假。
拆洗方法：
识别信号：在关键转折点出现叙事层面的总结句，像电影旁白在向观众确认设定收束。
示例："她进了那本书。她现在是沈昭宁。" / "从这一天起，一切都变了。" / "她不知道，这只是一个开始。"
为什么是AI特征：AI被训练时要求"逻辑清晰、设定明确"，它会主动在关键节点做总结性陈述来确认读者没有掉队。人类作者更倾向于让设定在情节中自然显影，不需要主角站在灵堂里对自己说"我现在穿书了"。
拆洗方法：
识别信号：角色是律师，就写"已知/未知列表"；角色是医生，就写诊断推理流程图；角色是程序员，就写逻辑分支树。AI对"专业角色思维"的还原是教科书级的——太标准、太干净、太像职业培训手册中的案例。
为什么是AI特征：真实专业人士的日常思维是混乱的、跳跃的、掺杂了个人经验和偏见的。一个做了八年的律师不会在脑海中列"已知/未知"——她会直接跳到最可疑的那个点，因为经验告诉她在哪里下嘴。
拆洗方法：
识别信号：作品在关键节点密集使用该题材在AI训练数据中的高频模板——
为什么是AI特征：AI对"穿书文"的理解不是从情节逻辑出发，而是从训练语料中的共现频率出发。它不知道"倒计时式复仇宣言"在人类创作中是一种需要被掩饰的技巧（人类作者通常会把它藏在角色的具体行动和选择里），因为它看到的训练数据里全是这种显式的版本。
拆洗方法：
识别信号：现代专业知识被直接套用于古代/异世界场景，命名和推断路径完全脱离当时当地的认知框架——
术语层（原始版）：
制度层（扩展）——AI 在古言/古代设定的关键制度点上，会把现代制度直接嫁接入古代语境：
数字层（扩展）——AI 在数字表达上缺乏语域一致性：
为什么是AI特征：AI能复刻训练数据中"法医学知识"的词条和定义，但无法模拟"一个从未接触现代化学的古代人如何逐步接近中毒这个事实"的认知历程。人类作者若写此类情节，会设计角色通过《本草纲目》类古籍、民间偏方、老郎中的经验口述等方式逐步推测——中间有误判、有盲区、有基于错误前提的正确结论。AI可以直接从A跳到Z，因为它的训练数据里A和Z是关键词关联的。
拆洗方法：
翻译腔层（扩展）——AI生成中文文本时，海外模型常带出翻译腔，尤其在"稳、硬、推、强"四个万能字上高发：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§09 翻译腔重
| 万能字 | AI高频用法 | 人类更自然的写法 |
|---|---|---|
| 硬 | 能力很硬、方案很硬、约束很强（来自英文hard/hardcore） | 能力很强、功能扎实、约束更强 |
| 稳 | 表示"可靠"时全用"稳"（稳运行、稳交付） | 失败率低、结果可复现、流程可靠 |
| 推 | 一个"推"涵盖所有动作（推荐工具、推送通知、推动执行、推进任务） | 按具体动作拆：推荐用"推荐"、推送用"发"、推动用"协调" |
| 强 | 万能好评（强能力、强抓手、强支撑）——读者只知道在夸，不知道强在哪里 | 具体到"哪个方面如何优于基准" |
拆洗方法：
语序层（扩展）——AI偏好"抽象名词提前"的英文语序，中文习惯先说人和事：
识别信号：所有线索线性闭环——皮肤暗沉→中毒→母亲之死→同一毒物——全程无一次误判，无一个认知盲区，无一个"基于当前证据的合理但最终被推翻的假设"。
为什么是AI特征：AI为规避逻辑风险，倾向于让叙事"每步都对"。真实人类创作（即使是经验丰富的作者）中，角色会有认知盲区——她们会误判、会忽略关键线索、会基于偏见做出错误推断然后在后续章节中被现实打脸。这种"失控感"是AI难以模拟的：AI不理解为什么一个聪明的角色应该犯错，因此它的角色总是"在看到足够证据之前不下结论，在证据充分时结论绝对正确"——这本身就是一种非人类的行为模式。
拆洗方法：
识别信号：正文中大量使用"情绪形容词"替代具体的动作描写——"他很愤怒"替代"他一拳砸在墙上"，"她很害怕"替代"她缩进墙角，屏住呼吸"。这种描写方式的本质是用解释替代呈现，是AI味的重要根源之一。
对比诊断：
❌ 形容词告知（AI高发）：房间里很安静，气氛很压抑。他是一个悲伤的老人，眼神里充满孤独。
✅ 动词呈现（人写版本）：老人坐在窗边。阳光爬上他的手背，停了一下，又缩了回去。他没有动。桌上的茶凉了，他也没动。
核心原理：形容词是"替读者做判断"，动词是"让读者自己判断"。前者让读者变懒，后者让读者上瘾。AI模型倾向于使用形容词，因为形容词在训练数据中与情绪词共现频率高、生成路径短；而精准的动词选择需要更多的语义推理。
"动词匮乏"的量化判断基准：
拆洗方向：
训练工具：一周禁词令——未来一周禁止使用任何"高兴、悲伤、愤怒、害怕、惊讶"类情绪形容词，出现一次罚写500字动作描写。一周后你会发现文字活了。
来源：知乎专栏「中国网络文学研究」#45《很多人不知道，写小说，这个技巧能让你脱胎换骨》顾里木图的小酒馆 置信度：高 — 从原理到案例到训练方法完整；与 §「情绪表达层级叠加诊断」互补但不同维度，"层级"看情绪藏在哪层，"动词"看动作是否替代了形容词
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§05 例子不落地
识别信号：正文中出现"看起来像案例，其实没发生"的假例子——有案例框架（"比如""举个例子""我有一个客户"），但没有具体的时间、任务、角色、动作和结果。
❌ 假案例（AI高发）：一个内容创作者通过AI优化选题、提高效率、降低成本，最终提升了内容质量。
✅ 真案例：我让AI检查一篇工具测评稿，它很快给出十几条修改建议。真正有用的只有两条：一条指出开头没有说明使用场景，另一条提醒我把"适合办公"改成"适合把会议录音整理成纪要"。剩下的建议，大多只是把句子改得更顺。
为什么是AI特征：AI的"举例"机制是从训练数据中抽取"最像案例"的模式拼合而成——它无法锚定到具体一次任务、一个时间点、一个真实的人说过的一句原话。例子换到任何账号、任何场景下都成立——这正是假案例的本质。
量化判断基准：
拆洗方法：
识别信号：在正文中发现以下任何一种模式，即为极端高风险AI信号（人类写作中几乎不可能出现）：
为什么是AI特征：这几种模式共用一个源头——AI在生成序列时对"当前位置需要精确信息"的感知力极弱。当它无法从上下文中提取精确值时，会猜测后输出一遍、再猜再输出，直到猜测的残次版全部留在正文里。人类作者对"我不确定"的反应是模糊化（"几天后""某个深夜"），而非猜测+输出的循环。
拆洗方法：
来源：虎嗅网《AI落地的苦，没有人比网文圈更懂》、爱范儿报道、网文编辑社区观测；本仓库《朱雀AI检测机制与应对手段研究报告》。
DeepSeek-R1/V3系列模型在网文生成中有独特的文风特征，被编辑统称为"DS味儿太浓了"。这些特征与普通AI味不同，有其特定的识别信号和拆洗策略：
DS生成的章节开头常堆砌精确数字——"二十七层楼、三千六百秒、一百四十三人"，用精密感制造"真实"，实则过度。
拆洗：保留最关键的一到两个数字，其余模糊化处理。"三四个人""几分钟"比精确计数更自然。
DS在强化学习中对"创造性"的偏好导致比喻过度密集——且比喻质量高但出现位置不合理。
拆洗：统计全章比喻密度，超过"每千字2处"即触发警报。删除至少一半，只保留与当下情境情绪直接绑定的那一个。
在不需要描写的段落塞入大量意象（"暮色像打翻的砚台，楼道里的声控灯在咳嗽，墙皮像剥落的旧海报"）。
拆洗：每个场景锁定1个核心意象做主角，其他全部清掉。意象服务于当下角色情绪，而不是堆出来展示文字能力。
DS内容容易从当前主线细节展开不必要的"联想分支"——在追凶时突然描写天气像什么、在对话中突然插入环境感官轰炸。
拆洗：每个段落的每一句话，先问自己"这一句有没有推动当前小目标"。没有就删，不让读者在紧张节奏中被拉去逛风景。
DS偏好"前半句-逗号-后半句"长度相近的平衡句式，导致全文读起来像在打拍子。
拆洗：扫全文对称句，把至少一半拆成不等长结构——长句配短句、完整句配碎片句，打破平衡感。
来源：本仓库《朱雀AI检测机制与应对手段研究报告》核心发现。该报告指出，AI检测最敏感的七大敏感特征中，有六条直接与"均匀性"相关。
检测工具最敏感的既不是用词好坏，也不是逻辑对错，而是**"均匀性"**——文本在多个维度上是否过于整齐划一。以下六条检查项，去味完成后逐条过一遍，有任何一条中招即应返回调整：
| 检查项 | 危险信号 | 去味方向 |
|---|---|---|
| 段落长度 | 每段3-5行，节奏无变化 | 穿插1行短段和8-10行长段 |
| 句长分布 | 全部7-15字，无长短交错 | 2-5字短句占≥10%，25-40字长句占≥15% |
| 细节密度 | 重要场景和过渡段落"分量一样" | 关键场景多细节，过渡段故意少写 |
| 情感曲线 | 全文语气平稳一致 | 兴奋/紧张时短句加速，低沉时长句舒缓 |
| 段落质量 | 每段都打磨到一样好 | 允许局部"不够好"的过渡段落 |
| 逻辑推进 | 每一步都严丝合缝 | 允许跳针、留白、信息推迟释放 |
反直觉结论：把每一段都写到同样好，反而增加AI嫌疑。人类写作天然有"高能段落"和"只是过场"的波动——去味的目标不是整体提优，而是恢复这种自然的"不均匀"。
以下指标是AI风格文本在统计层面的稳定特征。当单个指纹的读感判断不确定时，用下述量化指标辅助决策。
测量方式：统计全文破折号占总标点符号的百分比。
| 阈值 | 判定 | 说明 |
|---|---|---|
| ≤ 1.5% | 正常 | 人类网文创作的平均水平 |
| 1.5%–2.5% | 关注 | 偏高，需结合其他指标判断 |
| > 2.5% | AI高风险 | 显著超过人类平均值（~1.1%） |
为什么是AI特征：AI倾向于用破折号做"强行解释"——"不是天生的。是毒。"——因为它的训练数据中这种"断裂-补逻辑"的模式极为高频。统计全文中用于解释/补逻辑的破折号占比：若 > 80% 的破折号用于解释性插入，则AI置信度极高。
测量方式：计算全文中所有完整句子的字数标准差。
| 阈值 | 判定 | 说明 |
|---|---|---|
| ≥ 8 字 | 正常 | 人类长篇创作的典型波动范围 |
| 5–8 字 | 关注 | 偏均匀，缺乏长短错落 |
| < 5 字 | AI高风险 | 节奏过于均匀，"会写"但没有呼吸感 |
操作提示：AI文本的句长标准差极窄（4-5字），说明每个句子在长度上几乎没有变化——这是机器优化到"最佳阅读体验"的副作用。人类即使刻意控制句长，也会在情绪波动处自然出现标准差 > 8。
测量方式：统计"疼""痛""烧""冷""钻""刺""嗡""钝""麻""辣"等身体感官词 + 描述疼痛的比喻（如"像火燎""像针扎"）的总出现次数 / 千字。
| 阈值 | 判定 |
|---|---|
| ≤ 2 次/千字 | 正常 |
| 2–4 次/千字 | 关注——身体感官描写偏密集 |
| > 4 次/千字 | AI高风险——感官轰炸式写作 |
测量方式：统计"不是X。（而）是Y"或"不是X——是Y"结构每千字出现次数。
| 阈值 | 判定 |
|---|---|
| ≤ 0.5 次/千字 | 正常 |
| 0.5–1.5 次/千字 | 关注 |
| > 1.5 次/千字 | AI高风险——过度精确的情绪命名和修正 |
测量方式：统计以下中文AI高频词在正文中的总出现次数 / 千字。词库分三组：
画卷、诠释、迷离、氤氲、仿佛、宛如、宛若、犹如深邃、璀璨、斑斓、微凉、温热、细碎、斑驳嘴角（勾起/扬起/扯出）一抹、眸中（闪过/划过/掠过）一丝、喉间（发出/溢出）一声| 阈值 | 判定 |
|---|---|
| ≤ 1 次/千字 | 正常 |
| 1–3 次/千字 | 关注——建议结合结构指纹判断 |
| > 3 次/千字 | AI高风险——词库式写作，词汇密度远超人类均值 |
词库可按题材扩展：穿书文追加
倒计时、剧情、原主、书中；系统文追加面板、礼包、加点、任务。
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》"写在最后：AI味大致可以归成三类"
本框架将AI味的12大类症状归为三层类别，作为快速诊断的分级入口。去味前先判断当前文本的AI味主要落在哪一层，再决定优先下刀层。
| 层级 | 名称 | 包含症状 | 诊断聚焦 | 优选下刀策略 |
|---|---|---|---|---|
| 第一层 | 结构上的AI味 | 结构太完整（提纲完整病）、清单扁平化（缺优先级）、段落太整齐（节奏匀速）、假节奏（无期待曲线） | 正文的骨架是否过于规范、工整、"什么都说了但没重点" | 先做"主次判断"——砍掉为了完整而写的段落，制造信息不对称 |
| 第二层 | 表达上的AI味 | 抽象词太密、句式用太多（不是/而是等）、修辞太用力（比喻堆砌）、翻译腔重（稳硬推强万能词） | 句子的信息密度——删掉抽象词和信息量未增加的修饰后，剩下的信息是否够 | 先删抽象词和万能句式，再处理修辞和翻译腔 |
| 第三层 | 内容与观点上的AI味 | 观点太安全、例子不落地、太爱升华、观点不清晰（模糊归因）、结尾套话 | 内容是否有真实落点——是否有具体的判断、可核实的案例、和作者位置 | 先补观点（明确取舍）和锚点（给案例补时间/角色/动作/后果） |
使用规则：
识别信号：全文或整章在"节奏"层面感觉不对劲——不慢、不拖、每句都有信息量、每段都在推进，但就是缺少"读者知道要来了但还没来"的期待感区间。把本章概括出来，就是"主角做了A→做了B→做了C"的平推清单。
为什么是AI特征：AI被训练的目标是"生成连贯、信息完整、逻辑自洽的序列"。它天然倾向于把所有信息按最佳顺序排好、一次性交付给读者——这是"信息传递"的思维，不是"叙事节奏"的思维。真实叙事的节奏包含蓄力、延迟、刻意吊胃口这些"信息上不高效但读感上高效"的设计。AI不会主动选择"此时应该先不告诉读者答案，让读者等两段再揭示"——因为在信息论层面这是"低效"的，但对于读感来说这是"有效节奏"。
与指纹3（节奏全程匀速）的区别：
拆洗方法：
插入"延迟区间"：找到本章最关键的揭示/爆发/回报点，在它之前故意插入1-2段蓄力内容（角色观察环境、对手的细节动作、一个将爆未爆的信号）——不是拖字数，是给读者一点"啊要来了……"的时间。
把"直接揭示"改为"分步逼近"：一个关键信息不要一次性交代完，拆成信号→逼近→确认三步。
制造"读者知道但角色不知道"的信息差：这是打破线性推进最有效的手段。让读者提前知道一个角色不知道的关键信息，读者就会在角色犯错的边缘紧张等待。
允许非必要内容的"氛围留白"：在和关键剧情无关的过渡段落，可以写一句"只是交代气氛"而不推进任何信息——真实人类的注意力并非永远高效。
验收标准：去味后的文本，把"主角做了A→做了B→做了C"的概括骨架写出来。如果读骨架感觉"这是一路推进"，而去味后的全文读感是"有起伏、有期待、有释放"——说明假节奏已修复。如果两者读感差异不大，说明去味未覆盖节奏层。
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§01 结构太完整
识别信号：AI把内容写成"背景→原因→方法→总结"的完整结构，每个部分都被平等照顾、面面俱到，但读者读完后找不到"这篇到底想强调什么"。真人写作会有主次、有停顿、有取舍——知道哪里该展开，哪里可以一句带过。AI稿的问题是每一层都被照顾到，最后看起来很全，读起来却没有推进。
与指纹3（节奏全程匀速）和指纹11（假节奏）的区别：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§02 太爱用清单
识别信号：正文大量使用"三类原因、五个方法、七个步骤、十二个信号"的清单格式，且每一点平均用力、没有优先级。清单一多，文章就容易变成"每一点都说一点，每一点都没说透"。
为什么是AI特征：AI的"列举"机制源于训练数据中的结构化知识——它能识别出"某个概念有N个方面"并整齐列出。但AI不理解"哪一项最危险、哪一项可以先忽略"——因为优先级判断需要作者主观经验，不是统计共现能给出的。
量化判断基准：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§04 观点太安全
识别信号：全文的判断句都用"一方面……另一方面……""既……也……""总的来说"来保持平衡——赞成谁不写、反对谁不写、优先做什么不写、哪些做法不建议碰也不写。读者读完知道"这件事很复杂"，但不知道该往哪个方向走。
与原则四（表达鲜明的观点）的关系：原则四定义了"应该怎么做"的方向，本项提供更具体的检查清单和拆洗方法——两者是"纲领→执行细则"的关系。
量化判断基准：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§10 太爱升华
识别信号：正文在段落末尾或章节结尾处，从不就事论事——明明问题只是"这篇稿子为什么像AI"，它突然跳到时代变化、生产关系、个人成长、长期价值。基础答案没给够，就先拉高到抽象层面。
与指纹5（元叙事总结口吻）的区别：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§12 结尾套话
识别信号：章节或段落结束时，出现"总结三点→升华一句→号召行动"的固定模式。总结只是在重复标题或前文内容，没有增加新信息；号召缺乏具体的下一步指向。
拆洗方法：
来源：知乎·路过银河《让 AI 写得更像人：5 个值得安装的写作 Skill》（2026-07-12）。本 Skill 目录下已内置五款子 Skill 的完整规则文件。
本 Skill 目录下的五个子目录（humanizer-main/、Humanizer-zh-main/、stop-slop-main/、taste-skill-main/、shuorenhua-main/）各自包含一套独立的去AI味能力。它们不是本 Skill 的替代品，而是可插拔的协同模块——你可以在不同阶段按需调用，也可以按推荐编排顺序串联使用。
| 子Skill | 核心定位 | 最佳使用时机 | 语言 | 输出特点 |
|---|---|---|---|---|
| humanizer | 英文基础去味——扫描夸大意义、宣传腔、肤浅分析、模糊归因、破折号滥用、三段式排比、AI高频词、被动语态、填充短语 | 英文内容的第一道扫洗 | EN | 保留核心信息，匹配原文语调，注入个性 |
| humanizer-zh | 中文基础去味——处理书面腔、过度总结、四字结构、"收了但没说完"的收尾感、表演性技术腔 | 中文内容的第一道扫洗 | ZH | 中文AI腔专项处理，比英文版更适配中文网文 |
| stop-slop | 快速质检——8条核心规则 + 5维评分（直接性/节奏/信任感/真实感/信息密度） | 改写完成后、终审前的质量门禁 | EN/ZH | 输出评分卡，低于35/50分回炉 |
| taste-skill | 破模板增个性——拒绝默认开头、中庸结论、保险套话；逼你选立场、定语气、建节奏 | 基础去味后、需要让内容有辨识度时 | EN/ZH | 让内容"不像抄的"，有立场和辨识度 |
| shuorenhua | 场景化终审——按 chat/status/docs/public-writing 四场景分档，去掉模板感、表演腔和虚假主语，保留事实/术语/责任主体 | 最终输出前最后一轮 | ZH/EN | 改完能直接发，读起来像具体人在当前场景下表达 |
以下编排顺序来自知乎文章推荐的实战搭配，已根据本仓库的中文网文场景优化：
第1步：humanizer-zh（中文）或 humanizer（英文）
→ 做一遍基础去味，洗掉最明显的AI痕迹
→ 对应本Skill第三步（病灶初诊）+ 第四步（按档改写）的表层处理
第2步：stop-slop
→ 快速质检，砍掉残留的套路句式
→ 输出五维评分卡，任一项低于7分需针对性补修
→ 对应本Skill第六步（复检）的前置质量门禁
第3步：taste-skill
→ 注入个性——拒绝默认开头、中庸结论、保险套话
→ 对应本Skill第五步（人声回补）的上游策略层——先定调再回补
第4步：shuorenhua
→ 场景化终审，确保读起来像人在说话、可以直接发布
→ 对应本Skill第九步（统计对抗）+ 第十步（人味编辑终审）的轻量替代
五件套不替代本 Skill 的完整十步流程，而是提供分层可插拔的模块化选择：
| 本Skill步骤 | 全流程模式（完整十步） | 快速通道（四步法） | 说明 |
|---|---|---|---|
| 第一步·裁判源复核 | 强制执行 | 强制执行 | 裁判源复核不可跳过——五件套不读取人物传记和故事设定 |
| 第二步·范围确认 | 强制执行 | 强制执行 | 范围确认不可跳过 |
| 第三步·病灶初诊 | 识别雷达 + AI味高发信号 + 实战对比案例 | humanizer-zh 基础扫洗 | 快速通道用 humanizer-zh 替代表层扫描，但深度结构指纹诊断（九大指纹）在快速通道中跳过 |
| 第四步·按档改写 | 三档手术强度 + 四维病灶45条 + AI句式替换 + 句级改写 | humanizer-zh 深度改写 | 快速通道将诊断和改写合并 |
| 第五步·人声回补 | 视角塌陷修复 + 雕琢腔拆除 + 风格注入 | taste-skill | 快速通道用 taste-skill 的"拒绝默认"策略做轻量人声注入 |
| 第六步·复检 | 红线保护 + 后供血复检 + 执行清单 | stop-slop 五维评分 | 快速通道用 stop-slop 评分卡替代完整复检 |
| 第七步·回写 | 多轮诊断模板 | 同左 | — |
| 第八步·多轮迭代 | 自批评技术 + 三位读者框架 | 可选 | 快速通道默认单轮，复杂文本追加 |
| 第九步·统计对抗 | 十维度扫描 + 人类指纹注入 | shuorenhua 场景终审 | 快速通道用 shuorenhua 的场景化改写替代统计层面对抗 |
| 第十步·终审 | 三视角终审模拟 | shuorenhua 终审 | — |
使用决策：用户未明确要求"快速"时默认走全流程模式；用户说"快一点""简单去下味"时走快速通道。
来源：stop-slop Skill，基于 8 条核心规则的 5 维度量化评分。
在最终输出前（全流程模式对应第九步前，快速通道对应第4步后），必须执行五维评分。每维度 1–10 分，总分低于 35/50 分时判定为不合格，必须回炉：
| 维度 | 检查问题 | 网文场景的评分锚点 |
|---|---|---|
| 直接性 (Directness) | 是直接陈述还是绕圈公告？ | 10分=每句话都在推进情节或人物；1分=大段心理活动/环境描写不推进任何事 |
| 节奏 (Rhythm) | 句长和段长是否有变化？ | 10分=有明显长短句交替、段落呼吸感；1分=每句25-35字、每段3-5句的均匀机器节奏 |
| 信任感 (Trust) | 是否尊重读者智力？ | 10分=留白充分、不解释读者已能推断的信息；1分=每件事都要解释"为什么""这意味着什么" |
| 真实感 (Authenticity) | 读起来像人写的吗？ | 10分=能感受到具体人物在说话、有口癖和毛边；1分=所有角色同一种标准中文 |
| 信息密度 (Density) | 有没有可删的内容？ | 10分=每段都有不可删的信息或情绪推进；1分=大量可删而不影响理解的装饰性描写 |
门禁规则：
来源：shuorenhua Skill，按场景控制改写力度。
shuorenhua 的四场景分档为去AI味提供了发布场景感知——不同发布场景对"像人"的要求不同：
| 场景 | 对应网文场景 | 默认力度 | 核心约束 |
|---|---|---|---|
| chat | 作者有话说、章后小剧场、读者互动 | minimal | 保留口语感和个人习惯，只去掉端着说话的表演腔 |
| status | 章节后记、创作日志、更新通知 | minimal/standard | 保留时间线和事实，不改成"文学化"表达 |
| docs | 设定文档、写作研究、人物传记 | minimal | 保留术语和系统主语，只去模板腔不去技术性 |
| public-writing | 章节正文（默认主场景） | standard | 语域一致、去掉表演性技术腔、去掉虚假主语和收束腔 |
章节正文场景的 shuorenhua 终审清单（在快速通道第4步执行）：
shuorenhua 的保护原则（不可改内容）：
五件套的规则文件（各子目录下的 SKILL.md 与 references/）与本 Skill 的 18 个 reference 文件不重复、不冲突：
若当前服务的项目根目录存在 Agents.md，执行去AI味重写前必须：
Agents.mdAgents.md 中注册了"写作研究模板"——读取对应路径的模板文件，将其约束作为题材×平台的默认约束基线（优先级低于用户明确指定的作者风格模板，高于通用默认基线）Agents.md 中注册了"作者风格模板"——读取对应路径的模板文件，将"人声回补层"从通用"补毛边"升级为按模板定向注入（详见 references/风格注入锚点卡.md）Agents.md 中注册了"作品蓝本模板"——读取对应路径的模板文件，将其结构约束（章首模式、钩子轮换、回报间隔）作为去味时不得洗平的硬节拍参照（去味只能提纯结构拍点，不能洗平节奏）Agents.md，或其中未注册对应模板——回退通用默认模式，不报错，不阻断Agents.md 中存在 ## 语言风格配置 段——读取并解析以下子字段：
对偶区位 → 映射到去味强度的三档选择：藻丽+繁丰型保修辞但打散均匀句群；平实+简洁型保节奏但增加感官密度网文色标 → 映射到色标特异性检测（检查"均匀就是 AI"：热血风格验证短句密度是否达标，沙雕风格验证吐槽密度是否均匀）叙述者类型 → 映射到人声回补方向（吐槽型加强反讽一致性，沉浸型加强感官锚点）表达方式占比 → 映射到段落节奏裁判源（防去味洗平对话与叙述的节奏差）Agents.md，或其中不存在 ## 语言风格配置 段——回退通用默认模式，不报错，不阻断若当前服务的项目根目录存在 Agents.md 且其中声明了 主输出平台，去AI味重写前必须按命名约定加载对应的 通用-输出{平台名}版 Skill，将其平台门禁（表达风格禁忌、段落节奏偏好、读者心理特征）作为去味时不得越界的平台约束基线。若未配置主平台或配置缺失，回退通用默认模式，不阻断。
开篇（前300字/前三章）是AI味对留存率伤害最大的区域。本 Skill 在执行任何针对第1–3章的去味重写时，必须在常规指纹诊断之外，额外执行以下专项检查。
基于"人人都是产品经理"平台的AI写文实验（仿写0K/2K/10K/50K对照组）与工作区研究，以下六项在开篇中的破坏力远高于普通段落：
| AI缺陷 | 在开篇的具体表现 | 对留存率的杀伤机制 | 去味专项操作 |
|---|---|---|---|
| 均匀句群 | 前300字内每段长度相近，描写密度无起伏 | 读者找不到"重点在哪"，3段内滑走 | 必须制造长短句节奏差：紧张段用≤15字短句，平静段正常写 |
| 模板结构 | "开头→遇到问题→解决问题→结尾"的线性推进 | 读者能猜到走向，无意外感不追读 | 打破线性：用"反常事件→追问→信息错位"替代"开头→问题→解决" |
| 无真实情绪锚点 | 用"他感到……""她意识到……"描述情绪而非通过行动展示 | 情绪钩子不成立，读者无法共情 | 前200字内替换所有"感到/意识到/觉得"为具体的身体信号+动作 |
| 信息平铺无分层 | 设定/背景一次性倾倒，不做分层释放 | 造成信息过载，读者在设定墙上撞晕 | 只在前300字释放"现象"，把"解释"推迟到后续章节 |
| 章末展望口吻 | 首段或首章结尾倾向"美好的未来"或总结式收尾 | 章末无钩子，读者没有翻页冲动 | 章末必须落在认知缺口上（什么/为什么/然后呢），禁止归纳总结 |
| 过度合理化 | 每一个异常/冲突都被立刻解释，不留下未解之谜 | 读者没有追问 = 没有追读的必要 | 故意留下1–2个"不说清楚"的缺口，让读者自己追问 |
2K仿写版效果最佳；10K和50K示例反而情节跑偏、人设崩坏、AI味加重。 来源：人人都是产品经理《去「AI味儿」大作战》——AI chat写正文的对照组实验。
实操含义：若当前文本是由AI辅助生成（多轮迭代/大段扩写），前三章的质量风险随AI参与度递增。去味时不能只做表层句群清洗，必须检查结构层——确认"这一章在叙事层面是否从某个点开始跑偏"。
| 章节 | AI易产生的典型错误 | 诊断聚焦点 | 去味优先级 |
|---|---|---|---|
| 第一章 | 以设定说明开场、无情绪钩子、用"感到"代替行动、章末做总结 | 前300字的句长分布 + 情绪表达层级 | ★★★★★ |
| 第二章 | 节奏与第一章同频（无变化）、信息平铺、对话模板腔 | 第一章到第二章的节奏差异度 | ★★★★ |
| 第三章 | 首次冲突/高潮被AI写成"教科书级战斗"、章末被圆回来 | 高潮段落的真实感 + 章末是否留有真缺口 | ★★★★ |
执行规则：命中第1–3章的去味任务时，必须在去味方案中注明当前处理的是第几章，并按上表聚焦诊断。不得对所有章节使用同一套去味流程。
来源：研究报告§七·策略B"自我检测闭环"、§五·方法D"5步风格分析法"。
去味不是一次过就完事。只有经过"去味→检测→诊断→再去味"的闭环，才能确认统计特征层面的AI痕迹已被消除。以下是推荐的闭环验证流程：
在执行去味之前，将被处理章节上传朱雀检测一次，记录：
这步不是用来"证明原文是AI"，而是给后续去味提供靶心方向。
不要整章平均用力。把朱雀标红的段落作为优先处理对象，按本Skill的原则与指纹逐一拆洗。未被标红的段落不必强行改动。
修改后用朱雀再次检测，比较：
经验值：改后AI率下降30%-50%为成功。不要追求"AI率=0%"——朱雀检测本身存在±20%的波动，绝对0%不现实。
如果修改了多个段落，检查：
去AI味红线保护.md过一遍）如果一轮去味后仍感觉"哪里不对但说不上来"，或者检测结果反复横跳，执行风格基线校准：
原理：通过预先建立"个人风格指纹"，使改写结果更接近"这个人的写作特征"，而非"通用的去AI化文本"。
满足以下任意一条即可退出：
本 Skill 的结构遵循前缀缓存优化原则。去AI味重写是高频调用任务（每章可能多轮），调用时：
去 AI 味重写属于文本修订操作，使用中间温度可保留原意与结构，避免过度改写引入新的不自然。
| 阶段 | 推荐温度 | 说明 |
|---|---|---|
| 去 AI 味重写（任何强度档） | 0.45 | 方向已定，适度约束 |
通用-正文润色。通用-审阅章节正文。固定优先级：先确认范围与不可改动钉子，再做一句病灶初诊与强度定档，再按工具包改写，最后复检卖点供血、章节职责与人物声音差。
每步末尾标注了当前步要读取的 reference 文件（括号内为文件名简写，完整路径见 继续读取的 references 节），以及当前步的交付物。
动作：认真仔细阅读本章相关人物传记、故事设定/背景设定、控制卡与最新审阅结论，确认不可改动的钉子、必须保住的声口与不能洗掉的规则边界。
参考资料：人物传记、故事设定、控制卡（外部文件，不在 references 中）
交付物：心中明确的本轮"钉子清单"——哪些声口/规则/证据链不能碰
动作：确认处理范围（整章/场景/段）、题材、不可改动的钉子，以及用户是否已指定强度。若用户未定强度，展示 去AI味三档手术强度与风险卡.md 的三档说明并锁定本轮档位。
参考资料：去AI味三档手术强度与风险卡.md
交付物：处理范围 + 锁定档位
动作：先用"四维病灶"做一句话初诊：习惯用语、句式逻辑、写法口气、论证逻辑分别哪里最假。同时做 Green/Yellow/Red 初筛。
参考资料：去AI味识别雷达.md、AI味高发信号与拆洗策略补充.md
交付物：一句话病灶判断 + Green/Yellow/Red 初筛色
动作（仅当第三步初筛结果为 Yellow 或 Red，或读感为"像AI但挑不出具体毛病"时执行）：进入本文 ## AI味深度诊断 节做 十大结构指纹 扫描（注意指纹8已扩展制度层/数字层，指纹10为AI语义崩溃模式）。同时用 实战对比案例 的 13 项量化指标做辅助测量。
参考资料：本文 AI味深度诊断 节、实战对比案例——从AI稿与人工稿的差异提取可复用诊断与拆洗规则.md
交付物：触发的结构指纹清单 + 量化指标数值
动作：先默读 去AI味红线保护.md 确认本轮不改动的钉子。然后交叉使用 去AI味识别雷达.md 与 去AI味共享裁判规则补编.md，定位套话、均匀句群、内容抬升腔、模糊归因、假专业句、假钩子、回合制打斗、章节自指导览腔、交流残留与解释腔。
参考资料：去AI味红线保护.md（改前默读）、去AI味识别雷达.md、去AI味共享裁判规则补编.md
交付物：本轮要拆洗的病灶清单（套话/句群/声口/视角等逐项标出）
动作：按已锁定强度档位，结合以下文件的工具规则执行去味改写。默认同时执行"删填充、拆公式、变节奏、信任读者、删金句"五条共性原则。
AI句式替换与动作化替代清单.md 做词句级替换；辅以 去AI味句级改写工具.md 处理局部卡点去AI味四维病灶与45条规则.md（第1–30条）做段内重排 + 潜台词补入 + 交流摩擦；同时读取 去雕琢腔与透明人声校准卡.md 做人声校准去AI味三级改造与工具包.md + 去AI味四维病灶与45条规则.md（第31–45条），允许重估人物选择与代价显影所有层级通用：去AI味共享裁判规则补编.md 作为跨层基线贯穿全程。
参考资料（按强度选择）：AI句式替换与动作化替代清单.md、去AI味句级改写工具.md、去AI味四维病灶与45条规则.md、去雕琢腔与透明人声校准卡.md、去AI味三级改造与工具包.md、去AI味共享裁判规则补编.md、去AI味风格与排版补充.md、视角塌陷与五感替代诊断修复卡.md、风格注入锚点卡.md（有模板时）
交付物：修改后的小说正文
动作：用 视角塌陷与五感替代诊断修复卡.md 修复视角塌陷，再用 去雕琢腔与透明人声校准卡.md 确认"复检四问"通过，最后若有作者风格模板则用 风格注入锚点卡.md 做定向注入。
参考资料：视角塌陷与五感替代诊断修复卡.md、去雕琢腔与透明人声校准卡.md、风格注入锚点卡.md
交付物：人物声口差异确认 + 视角检查通过
动作：先跑 去AI味红线保护.md 做最终红线核查。再用 去AI味后供血与职责复检卡.md 复检卖点供血、章首抓力、中段回报、章末钩子与人物声音差。最后用 去AI味执行清单.md 做全局收尾，按 去AI味多轮诊断与回写模板.md 输出终稿。
参考资料：去AI味红线保护.md、去AI味后供血与职责复检卡.md、去AI味执行清单.md、去AI味多轮诊断与回写模板.md、去AI味风格与排版补充.md
交付物：【修改总结与原因】—【修改后的小说正文】—【后续修改建议】
动作：按 统计模式对抗与人味编辑终审方案.md §2.3 的三步闭环执行统计特征层面的对抗：
参考资料：统计模式对抗与人味编辑终审方案.md §2.2-2.5、§3
交付物：十维度对抗前后对比表 + 人类指纹注入确认
动作：按 统计模式对抗与人味编辑终审方案.md §4.2 的三视角模拟做最终把关——这是去味流程的最后一道门禁，独立于技术去味的"人味穿透力"判定：
参考资料：统计模式对抗与人味编辑终审方案.md §4
交付物：人味编辑终审报告（含三视角判定 + 综合评级 + 可疑段落标注）
《改写小说的系统方法论研究》在"语言特色识别"和"文学作品仿写专用"在"提纯语感"中共同强调：每个作者（包括当前项目的作者）都有其独特的语言指纹。去味如果把这些指纹也洗掉了，文本会变得"干净但没有灵魂"。以下三条为去味时的保留红线：
| 指纹类型 | 检索方法 | 保留规则 | 拆洗禁区 |
|---|---|---|---|
| 词域 | 当前项目作者的专属语义域是什么？（如"旧物/烟火/温度/光影"等）扫描本章正文中的高频实义词，看它们是否落在该语义域内 | 属于作者专属词域的词汇——即使看起来"有点重复"，除非每段都在出现，否则默认保留 | 不得把作者的词域词当作"重复用词"来替换 |
| 句式习惯 | 作者偏好的句式指纹是什么？（短句为主/长句为主/先否定再肯定/先写景再抒情等）提取本章前 500 字看句式分布 | 占据作者句式习惯主要地位的句式（短句占比 > 60% 或特定转折结构）——去味时可以微调比例，但不得反转作者的句式习惯 | 不得把"短句为主"改成"长短句均衡"——这是改写作者的说话方式，不是去AI味 |
| 修辞指纹 | 作者偏好的修辞手法是什么？（白描为主 / 善用比喻 / 讽刺 / 设问等） | 作者标志性的修辞手法和修辞密度——去味时可以去掉冗余修辞，但不得把作者的修辞指纹洗成"干净白水" | 不得为了"去模板腔"把作者的个性化修辞全部砍光 |
豁免条件：以上三条指纹保护规则仅在"本章正文是当前项目作者的原创内容"时有效。如果本章内容本身就是对某蓝本的仿写（即加载了作品蓝本模板），则这三条规则不适用——此时要保护的是蓝本的词域/句式/修辞，但蓝本的保护已在蒸馏流程中处理，不在去味环节重复。
【修改总结与原因】、【修改后的小说正文】、【后续修改建议】。【修改后的小说正文】 时，正文区块不得使用 Markdown 项目符号、加粗、标题或解释插话。