subjective-human-sounding

# SKILL.md - Subjective "Human-Sounding"（"像人写的"的主观性） ## R (Reading) - 原文引用 > "Humanizer rewrites AI-sounding text so it reads like a person wrote it, without changing what it says." ## I (Interpretation) - 方法论骨架 **核心问题**：Humanizer 假设"像人写的"有一个统一标准，但实际上不同读者对什么样的文本像人写的可能有不同看法。这种主观性可能导致去痕效果不符合某些用户的期望。 **反模式特征**： 1. **用户对去痕效果不满意**：认为仍然"太人工"或"太自然" 2. **缺乏客观标准**：无法用量化指标评估去痕质量 3. **可能过度简化**：35 个模式可能无法覆盖所有读者的偏好 4. **读者偏好差异**：不同文化背景、阅读习惯的读者可能有不同标准 **根本原因**：humanizer 假设存在一个通用的"像人写的"标准，但实际上这是一个高度主观的概念。 ## A1 (Past Application) - 书中作者用过的案例 README 中定义了 Humanizer 的目标是"rewrites AI-sounding text so it reads like a person wrote it"，但没有说明： - 什么是"像人写的"的具体标准 - 如何验证去痕后的文本真的像人写的 - 不同读者可能有不同偏好的处理方式 这种缺失导致用户可能对去痕效果有不同评价，有些人认为很好，有些人认为仍然不够自然。 ## A2 (Future Trigger) - 用户在什么情境下会需要这个 **适用场景**： - 用户对去痕效果不满意，认为仍然"太人工" - 用户想了解"像人写的"是否有统一标准 - 用户想知道如何处理不同读者的偏好差异 - 用户想建立更客观的去痕质量评估机制 **与相邻 skill 的区分**： - 与 `preserve-style` 的区别：subjective-human-sounding 关注**去痕效果的主观性**，而 preserve-style 关注**保持作者风格**。前者是评估问题，后者是风格问题。 - 与 `voice-matching` 的区别：subjective-human-sounding 关注**读者偏好的差异**，而 voice-matching 关注**匹配作者风格**。前者是多读者视角，后者是单作者视角。 ## E (Execution) - 可执行步骤 1. **识别主观性问题** - 询问用户对去痕效果的具体不满 - 检查用户是否有特定的读者群体 - 评估用户是否了解不同读者的偏好差异 - 完成标准: 已获得用户对"太人工/不够自然"的具体不满点描述 2. **定义目标读者** - 明确去痕后的文本主要给谁看 - 了解目标读者的阅读习惯和偏好 - 根据目标读者调整去痕策略 - 完成标准: 目标读者画像已成文，去痕策略与其阅读偏好一一对应 3. **寻求多方反馈** - 请多个读者评估去痕效果 - 收集不同意见并分析共同点 - 根据反馈调整去痕参数 - 完成标准: 已收集至少两位读者的意见，并归纳出共同点与分歧点 4. **建立客观评估指标** - 虽然"像人写的"是主观的，但可以建立一些客观指标 - 如句子长度变化、词汇多样性、标点使用频率等 - 用这些指标辅助主观判断 - 完成标准: 选定至少两项可测指标并完成对当前文本的基线测量 ## B (Boundary) - 什么时候不适用 **不适用场景**： - 用户对去痕效果满意 - 不需要讨论主观性的场景 - 用户有明确的单一目标读者 - 快速原型验证（不需要精细主观调整） **作者的盲点**： - Blader 假设存在一个通用的"像人写的"标准，但实际上这是一个高度主观的概念 - humanizer 缺少对不同读者偏好的任何提及 - 没有提到如何配置去痕强度以适应不同读者的期望