Menu
去除中文文本中的 AI 生成痕迹，使其更符合中国 MBA 毕业论文的自然写作风格。当用户提到"去 AI 痕迹"、"去除 AI 写作痕迹"、"MBA 论文改写"、"让这段文字更像人写的"、"去除机器感"等关键词时触发。适用于需要降低文本 AI 特征、提升学术写作自然度的场景。
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
| name | humanize-mba-text |
| description | 去除中文文本中的 AI 生成痕迹，使其更符合中国 MBA 毕业论文的自然写作风格。当用户提到"去 AI 痕迹"、"去除 AI 写作痕迹"、"MBA 论文改写"、"让这段文字更像人写的"、"去除机器感"等关键词时触发。适用于需要降低文本 AI 特征、提升学术写作自然度的场景。 |
本文档是 manifest：每节只保留导航 / 简介 / 边界，具体内容请读对应 TOML / Markdown 文件。 删繁就简的目的是让 Claude Code 在最小上下文里读到该项目最稳定的入口信息。
将带有明显 AI 生成特征的中文文本改写为自然、人类化的 MBA 毕业论文风格文本，符合中国 MBA 毕业论文的学术规范和实践导向。
SKILL.md 不再展开具体的识别词表与改写规则——它们以结构化数据的形式存放在本目录下：
| 类别 | 数据文件 | 内容 |
|---|---|---|
| 内容/语言/结构改写规则 | references/rules/categories/*.toml | regex 类规则，由 scripts/rule_loader.iter_regex_categories 自动加载 |
| 三维协同优化 + 评估标准 | references/strategy_optimization.toml | 维度 1/2/3 核心策略、改写流程、量化 / 定性评估表 |
| 改写检查清单 | references/mba_rewrite_checklist.toml | 4 类检查项 + 硬性量化阈值 |
| 章节特定改写规则 | references/chapter_rewrite_rules.toml | 5 章节 × 改写点的 before/after 示例 |
| 高频 AI 词 / 连接词 | references/rules/categories/language.toml | ai_buzzwords / excessive_connectors 等条目；与 humanizer-academic-zh 模式 10/12/21 交叉对应 |
使用方式：写正文时按
references/mba_rewrite_checklist.toml4 大类逐条核对；遇到具体痕迹词按references/rules/categories/language.toml词表替换；如果要引用某个章节的特定模式，查references/chapter_rewrite_rules.toml的chapter.section。
输入文本
↓
[多维度检测] → 生成检测报告（detect_ai_patterns.generate_report）
↓
[modify_plan] → 结构化骨架（analyzers.rewrite_planner.build_modify_plan）
↓
[反馈生成] → 修改建议（feedback_generator）
↓
[自动修复] → 中英文空格等可机械修复项
↓
[手动改写] → 按 checklist.toml / chapter_rewrite_rules.toml 逐项处理
↓
[质量验证] → 再次跑 detect_patterns，确认 modify_plan 清空
检测层由三类组成，可独立运行也可组合：
规则匹配检测 (scripts/detect_ai_patterns.py)
references/rules/**/*.toml 的 7 个分类（structure / rhythm_quality / formatting / content / evidence / language / chapter-categories）iter_regex_categories 渐进式加载，可按 group 或 category_id 选载PatternMatch(pattern_name, pattern_type, line_number, content, suggestion, severity)散文统计 + 结构分析 (scripts/analyzers/)
uniform_sentence_length / uniform_paragraph_length / paragraph_edge_template_repeat / paragraph_structure_uniformity / chapter_template_repeatAnalyzerIssue(analyzer_id, severity, confidence, location, evidence, suggestion) + 统计指标语义链分析 (scripts/analyzers/semantic_chain.py)
融合评分 (scripts/multi_detector.py)
FusionEngine.detect 把统计 + 链 + AI 模式三类 detector 合并StatisticalDetector 把散文指标 + 链指标并入 features 与 issues 通道按句高风险聚合 (scripts/analyzers/high_risk_annotator.py) 🆕v1.4
high_risk_annotations[]phrase_replacements 与 before_after_example# 基础检测（含 modify_plan）
python scripts/detect_ai_patterns.py input.txt --output report.json
# 多维度融合检测
python scripts/multi_detector.py input.txt --output report.md
# 生成修改建议
python scripts/feedback_generator.py detection_result.json --text input.txt --output feedback.md
# 自动修复空格等简单问题
python scripts/feedback_generator.py detection_result.json --text input.txt --apply
detect_ai_patterns.generate_report 返回 JSON 含：
summary.ai_score：0-100，越高 AI 痕迹越重matches：包含规则、散文、链三类问题的统一列表modify_plan ⭐：每条 ModifyEntry 含 location / evidence / rewrite_template / recommended_replacements / target_word_count_range / before_after_examplehigh_risk_annotations 🆕：按句聚合的高风险标注（v1.4），每条 = 一句话 + 该句触发的所有规则 + 短语替换字典 + 真实改写对。LLM humanizer agent 可直接逐句消费chapter_specific_advice：根据检测到的章节类型提供的针对性建议metrics：包含 sentence_cv / paragraph_cv / prose_* / chain_* / evidence_chain_completeness修改策略见 references/strategy_optimization.toml 的「评估标准」节：高风险 (>70%) 重写、中风险 (40-70%) 针对性优化、低风险 (<40%) 细节润色。
references/mba_rewrite_checklist.toml hard_limits.copy_rate）本 Skill 走检测路径——用正则、统计、链分析把 AI 痕迹定位到具体段落。在改写路径上，我们参考同生态的 cangtianhuang/humanizer-academic-zh（其 SYSTEM_PROMPT.md 与 SKILL.md）。两份 Skill 的关系：
| 维度 | humanize-mba-text（本 Skill） | humanizer-academic-zh |
|---|---|---|
| 主路径 | 检测 + 量化定位 | 改写 + 润色 |
| 规则粒度 | 正则 / CV / 跨段指纹 | 25 类语义模式（每类带"警惕词 + 改写原则"） |
| 输出 | AnalyzerIssue + modify_plan + high_risk_annotations[]（按句聚合，含短语替换字典与真实改写对） | 表格化识别人性化润色版本 |
| 强项 | 维度 3-5 的跨段/跨章链检测、量化报告、按句精确定位 | 模式词典丰富、对中文学术语感的精确判断 |
humanizer-academic-zh 把 AI 模式分成 5 大类共 25 小类。本 Skill 已将其中部分模式并入渐进式加载的 manifest——具体落位：
| humanizer-academic-zh 模式 | 本 Skill 的 category_id | 状态 |
|---|---|---|
| 模式 21 填充短语 | filler_phrases | 增强 +3 条正则，覆盖「具有处理……的能力」「不难发现，两人之间存在」「需要指出的是，」 |
| 模式 22 过度对冲 | hedging_overload | 已有覆盖，本版本不动 |
| 模式 23 协作式沟通痕迹 | chatbot_conversation_residue | 增强 +2 条正则：「亲爱?的?读者」「如下所示」+「以下是 … 修改/改写/润色 …」 |
| 模式 24 知识截止免责 | knowledge_cutoff_disclaimer | 已有覆盖，本版本不动 |
| 模式 25 谄媚语气 | sycophantic_praise | 新增 [[categories]]，severity=medium / weight=0.5 |
所有上述模式的 category_id 都登记在 references/rules/index.toml 的 category_ids 列表里，由 scripts/rule_loader.iter_regex_categories 自动发现。新增模式无须改代码——只要在对应 category 文件里加一行 regex_patterns 项即可。
剩余模式（22 类人文化的句式、连接词密度、否定式排比等）已在原 language.toml 的 19 个 category 里独立实现，不与 humanizer-academic-zh 的分类一一对应；两套体系互补不冲突。
references/chinese-paper-humanization-rules.toml — Python rule_loader.load_rules 的默认入口（fallback）references/rules/index.toml — 渐进式加载的 manifestreferences/rules/categories/{structure, rhythm_quality, formatting, content, evidence, language}.toml — 7 大类 AI 检测规则references/rules/chapter-categories.toml — 章节类型识别references/rules/metrics.toml — 共享度量词表references/strategy_optimization.toml — 三维协同 + 评估标准references/mba_rewrite_checklist.toml — 改写检查清单 + 硬阈值references/chapter_rewrite_rules.toml — 五章节特定改写规则references/strategy_ai_reduction.md — 策略文档（人读版，gitignored 但本地有）references/strategy_plagiarism.md — 策略文档（同上）references/strategy_polishing.md — 策略文档（同上）references/ai-writing-patterns.md — AI 写作特征详细列表references/chapter-1-introduction.md 至 references/chapter-5-conclusion.md — 五章节详细写作指南references/format-standards.md — 格式规范