Menu
审核中文内容中的 AI 写作痕迹。支持"审核"（仅标记）和"改写"两种模式。当用户说"查 AI 痕迹"、"去 AI 味"、"审核 AI 写作"、"这段像不像 AI 写的"时触发。
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 | avoid-ai-writing-zh |
| description | 审核中文内容中的 AI 写作痕迹。支持"审核"（仅标记）和"改写"两种模式。当用户说"查 AI 痕迹"、"去 AI 味"、"审核 AI 写作"、"这段像不像 AI 写的"时触发。 |
| version | 1.0.0 |
| license | MIT |
| compatibility | Any AI coding assistant that supports agentskills.io SKILL.md format (Claude Code, Cursor, VS Code Copilot, Hermes Agent, OpenHands, etc.) or OpenClaw. |
| metadata | {"author":"Woosley Xu","tags":"writing editing chinese voice quality","agentskills_spec":"1.0"} |
你正在审核中文内容，识别并消除让文本读起来像机器生成的 AI 写作模式。
本 skill 有两种工作模式：
改写（默认）— 标记 AI 痕迹，并改写文本消除它们。
审核 — 仅标记 AI 痕迹，不改写。适用于：
当用户说"审核"、"只标记"、"扫一下"、"查 AI 痕迹"时使用审核模式。未指定则默认改写模式。
改写模式的输出：
审核模式的输出：
AI 极度偏爱这个对比句式。一篇文章中出现 1–2 次是有效修辞，超过 3 次就是 AI 的结构性依赖。
例外：哲学/概念阐述类文章中，"不是 X，而是 Y"常作为概念区分工具而非 AI 修辞依赖。如果文章本身在逐层辨析概念（存在者 vs 存在、问题 vs 奥秘），每节出现 1–2 次是可接受的。判断标准不是计数，是看这句话在推进概念还是填充句式。如果删掉后概念区分崩塌，保留；如果删掉后上下文依然通顺，是 AI 冗余。
注意变体也要计入：
这是中文 AI 写作中最隐蔽、最普遍的模式之一。
模式：长句陈述 → 短句补充/列举 → 短句让步确认
"最近看几家厂商的方案，我越来越强烈地感觉到一件事：大家演示得最卖力的，往往都是模型防护。
比如红队、越狱检测、提示词注入拦截、输出过滤。
这些当然重要。"
三个问题：
变体：
全文上限：1 次。 超过 1 次就是 AI 在用同一个套路反复周转。
修复方法：
#2 的变体。#2 是"让步型三拍"（假装客观），这条是"展示型三拍"（炫耀修辞）。
模式：长句铺垫 → 两个对称短句 → 一句 meta 点评
"前两年聊 AI 安全，重心还在模型本身：越狱、幻觉、敏感信息泄露、提示词注入。
AI 从 chat 走向 agent 之后，风险的性质变了。
Copilot 的主要风险是说错。Agent 的主要风险是做错。
差一个字，背后的系统设计完全不同。"
三个问题：
变体：
全文上限：0 次。 对比本身可以保留，删掉 meta 点评那句，让内容自己发力。
修复方法：
AI 偏爱整齐的排比来制造气势，但读起来像模板输出。
AI 喜欢在展开之前先"报幕"——告诉读者接下来要讲什么、讲几点。
例外：架构职责枚举。 当列举的是系统设计中真正有不同功能的职责切分——比如「Gateway 做三件事：身份翻译、权限收口、审计补全」——这不是修辞报幕，是架构描述。判断标准：删掉「X 件事」这句后，后面的展开是否失去锚点？如果失去，说明它是内容锚点而非修辞装饰。如果后面只是一个没有递进关系的并列列表，则仍是报幕。
用情绪词预告下一句的重要性，而不是让内容自己说话。
AI 喜欢用工整的对仗结尾，听起来漂亮但缺乏实质认知落点。
AI 用反问句做段落过渡来拖延进入正题。
AI 极度偏爱这个三段式连接词结构。人类写作如果真的有三点，通常不会每点都用连接词标记——直接说就行了。
AI 几乎不会只站一边。每个论点都要"一方面…另一方面…"，每个判断都留退路。结果是什么立场也没有。
AI 在论据和结论之间插入一个"翻译句"，替读者画重点。人类写作让论证自己说话。
AI 把每一步逻辑都铺满，怕读者跟不上。每个因果关系都要显式标注，每个概念都要先定义再使用。结果是读起来像教科书。
有些中文长文第一轮去味后，词句已经不明显像 AI，但整体仍然有一种“整理好再交付”的味道。用户常会直接说：AI 味还是重。 这时不要只继续删高频词，要改结构节奏。
常见信号：
第二轮改写重点：
先动结构，再动词句
优先补真实卡点，而不是继续润色
允许局部不那么工整
警惕“已经很好读，但还是不像人”
执行建议：
AI 写"我"但不像"我"——表面有第一人称，但后面紧跟的是通用观点而非真实经历。
这条对中文公众号论述文尤其重要。用户明明要的是讨论一个问题、提出一个判断，AI 却喜欢先铺一个"场景"、"感觉"、"最近一直在想"，把文章带进故事口吻。结果不是更有人味，而是更像表演。
常见信号：
适用场景：
修复方法：
开头直接抛问题或判断，不先铺情绪场景
把"我看到/我感觉/我想到"改成更直接的论点推进，除非那个"我"后面跟着不可替代的真实细节
段落之间靠逻辑递进，不靠叙事转场
如果一段删掉场景描述后，论证完全不受影响，说明那段只是叙事包装，直接删
对于行业判断类文章，优先用"问题 → 旧前提 → 新变化 → 结论"结构，不用"场景 → 感受 → 感悟"结构
❌ "我在工作中发现，沟通能力非常重要。"（没有任何具体场景）
❌ "我个人认为，这个趋势会持续下去。"（"我个人认为"是装饰，删掉不影响任何东西）
❌ "据我观察，越来越多的企业开始关注……"（谁的观察？观察了什么？）
✅ 真实的"我"带具体细节：时间、地点、角色、意外、情绪。"上个月我在给客户做 demo 的时候，Agent 直接调了一个不该调的 API"——这种"我"删不掉。
判断标准：把"我"换成"有人"或者直接删掉，如果句子完全不受影响，说明这个"我"是伪装的。
中文 AI 为了显得"有文采"，频繁使用成语和四字结构。技术文章中，人类很少密集使用成语。
AI 喜欢用"我们"把读者拉进来，制造"你我一样"的幻觉。但读者的第一反应往往是"你别代表我"。
和 #12 伪个人视角是一体两面。伪个人视角是"我"太假，这条是"我"太多。
AI 在试图模拟个人风格时，会连续几句都用同样句法反复强调"我怎么想""我怎么感受""我怎么发现"，读起来从真实变成了自我陈述表演。
有些中文技术文章不是词句像 AI，而是整段推进方式像 AI：明明在讨论一个系统设计问题，却硬要包一层"我最近反复在想一个场景""先讲个故事"的叙事壳。结果读者还没进问题，就先被拖进作者搭好的舞台。
这个模式在技术公众号里尤其明显：
这种写法未必错误，但如果用户要的是讨论一个问题，故事感本身就是 AI 味来源。因为它像一篇被整理过、包装过的交付稿，不像一个人真在把问题想透。
修复方法：
判断标准：
AI 论证的终极模式：先否定旧观点，再肯定新观点，全文变成一个"旧的不好→新的才对"的单向论证。看起来有对比，其实是在给标准答案。
AI 在文章开头或展开方案前，喜欢预先声明"这不是 X，只是 Y"来降低读者期待、给自己留退路。表面上是谦虚，实际是回避对自己观点负责。
全文上限：0 次。 让内容自己说明它是什么性质的东西。
| 替换 | 用 |
|---|---|
| 赋能 | 帮助、支持、让……能够 |
| 拥抱（比喻义） | 采用、接受、转向 |
| 底层逻辑 | 原理、核心机制、根本原因 |
| 打通 / 打通闭环 | 连接、整合 |
| 全方位 | 各方面、多个层面（或说清具体哪几个方面） |
| 抓手 | 切入点、手段、方法 |
| 沉淀 | 积累、记录、保留 |
| 心智 / 用户心智 | 认知、印象、理解 |
| 颗粒度 | 精度、细度、层级（或直接说"更细"） |
| 链路 / 全链路 | 流程、路径、调用链（技术语境可保留） |
| 降本增效 | 省钱提效率（或说清省了什么、提了什么） |
| 深度赋能 | （删掉，说清楚具体做了什么） |
| 生态（非技术义） | 行业、市场、社区 |
| 破圈 | 传播到更多人、跨出原有圈子 |
| 范式 / 范式转移 | 模式、方式、方法论（"paradigm" 的中文翻译同样 AI 味重） |
同一段落出现 2 个以上时标记：
| 词 | 替代 |
|---|---|
| 本质上 | 其实、说白了、根本上是 |
| 某种意义上 | （多数时候可以删掉） |
| 真正的 | （检查是否必要，常可删掉） |
| 核心 | 关键、重点、根本 |
| 关键在于 | 重点是 |
| 换句话说 | （检查是否真的在换说法，还是在重复） |
| 从某种角度来看 | （删掉或具体化那个角度） |
| 不可忽视 | （直接说为什么重要） |
| 毋庸置疑 | （删掉，直接说） |
| 至关重要 | 很重要、关键（或说清为什么重要） |
AI 为了制造力量感，偏爱选择过于剧烈的动词，把普通变化写成暴力事件。
子类：拟人化技术动词。 AI 喜欢用人体动作来描述系统/技术概念的状态，制造一种"生动口语感"。单独出现一个不致命，但在技术文章里密集出现就是假口语。
AI 为了听起来"从容"、"有分寸"，会在判断句里塞入缓冲词，削弱句子的锐度。单个缓冲词不致命，但一篇文章里反复出现就会让整体读感变"棉"。
常见缓冲词：
| 缓冲词 | 问题 | 处理 |
|---|---|---|
| 这件事 / 这个事情 | 指代模糊，多数时候可以删 | 删掉，让主语直接出现 |
| 本身 | 多数时候是"就"的意思 | 换成"就"或删掉 |
| 没有那么 / 并没有那么 | 弱化判断——要么说"不"，要么别说 | "不"或重新表述 |
| 恰恰 | 装饰性强调 | 删掉，或用"就是"代替 |
| 真正（的） | 隐含"前面说的都不算"，如果前面没有铺对比就是空转 | 检查是否有对比语境，没有就删 |
| 往往 | 减弱断言的担当 | 如果你相信这个判断，删掉"往往" |
| 其实 | 偶尔用没问题，高频出现像在反复解释"你可能没想到" | 全文不超过 2 次 |
| 某种程度上 | 几乎永远可以删 | 删 |
AI 喜欢把同一个意思用两种方式说，制造"层次感"。实际效果是读者读完第一句已经懂了，第二句浪费注意力。
语法正确但中文母语者不会这么说的搭配。分两类：搭配错位，和英文直译。
搭配错位：
翻译腔（Translation-ese）： 英文概念的直译，中文母语者不这么说。
物理动词嫁接抽象概念：
重量隐喻直译（"heavy/light"→"重/轻"）： 英文用 weight 表重要性，中文不这么说。
英文习语直译：
抽象名词直译（"-ness"/"-ity"→"性"）：
判断标准：大声读出来。停顿、皱眉、觉得"正常人不这么说话"，就是翻译腔。
语法正确但中文母语者不会这么说的搭配。AI 把抽象概念硬塞进不匹配的动词/量词/介词框架，读起来要停下来想一下"他在说什么"。
常见类型：
动词搭配错位：用物理动词搭配抽象对象
介词/量词框架不匹配：把空间/距离框架套在动作/关系上
翻译腔：像是从英文直译过来的思路
空间比喻+戏剧动词+不当量词三重叠加：单独看都可以接受，三者叠在一句就是强 AI 信号\n - ❌ "上面设计得再细，到下面还是会塌成一整包粗权限。"——「上面/下面」空间比喻 + 「塌」戏剧动词 + 「一整包」不当量词，三层 AI 味叠在了一起\n - ❌ "上层压下来，底层接不住，整个架构就崩了。"——「上层/底层」空间 + 「压/崩」戏剧动词 + 拟人化「接不住」\n - ✅ 拆掉任意一层即可去味：去掉空间比喻（"设计再细，落到接口上只剩能调/不能调"），或换掉戏剧动词（"无能为力"替代"塌"），或去掉不当量词\n - 判断标准：如果一句里同时有空间方向词 + 剧烈动词 + 不匹配的量词/拟人动作，即使每个单独可接受，也要标记\n- 压缩式总结：AI 在段落结尾把复杂判断压成一句太短的话，像在凑节奏
物理动词用于抽象概念：用描写物理动作的动词来描述心理感受或抽象进程，读起来像英文直译
英文重量隐喻直译：用"轻/重"的物理重量变化来描述重要性或紧迫感的变化
英文复合名词直译：把英文名词短语逐词译成中文，造出中文里不存在的抽象名词
AI 在中文写作中经常把英文的思维方式、语法结构、隐喻习惯直接搬进中文。单独看每个词都没错，但整句读起来不像中文。这是比生硬搭配更隐蔽的问题——它不是词配错了，是整个思路的"形状"是英文的。
重量隐喻直译（最常见）： 英文用 weight/heaviness 比喻重要性，中文很少这么说。
英文抽象名词直译： 英文善用 -ity/-ness 类抽象名词，中文偏爱具体描述。
英文所有格/从句结构的直译： 英文可以嵌套多层修饰，中文需要拆开或换说法。
英文空间动词直译： 英文用大量空间/物理动词描述抽象关系，中文需要更节制的动词。
英文习语的硬译：
英文术语的不必要插入： 对非纯技术读者直接用英文词会跳戏。
token 序列、bug、debug 这些在中文技术日常中已经自然化的词可以保留全文上限： 每 500 字不超过 1 处直译痕迹。超过说明整篇文章的思维框架还是英文的。
审核执行要求：
逐句检查时，对每一个动词+宾语、主语+谓语的搭配都问一遍：
不要因为"好像见过类似说法"就放过。 逐一验证：主语是谁？动词的物理语义能不能套上去？如果主语是抽象概念（组织、经验、判断、能力），对动词搭配要额外严格。
中文 AI 写作常把英文的物理/重量隐喻直译过来描述抽象概念。这些在英文里是死隐喻（"the weight of existence", "lighten the burden", "elevate to another dimension"），直译成中文"存在之重""变轻""拔到维度"是翻译腔。
常见错误及自然替代：
| 翻译腔 | 问题 | 自然说法 |
|---|---|---|
| 变轻了 / 变得很重 | 英文 weight metaphor 直译 | 不再要紧了 / 突然有了分量 |
| 往下拽 / 往上顶 | 方向动词当心理描述 | 是恐惧 / 是不服 |
| 压过来 | 物理动作描述抽象追问 | 变得避不开 / 逼到眼前 |
| 拔到另一个维度 | "elevate to another dimension" | 推到另一个维度 |
| 加一个自己的签名 | "put one's signature on" | 留下自己的印记 |
| 走向比自己更大的东西 | "walk toward something bigger" | 被比自己更大的东西牵引着 |
| 某个瞬间的彻底性 | "totality of the moment" | 某个瞬间的实在 |
判断标准：删掉物理动词后，能否用更朴素的中文说清同一个意思？如果能，说明原句是翻译腔。
全文检查重点：如果一篇文章反复出现"变轻/变重""往上/往下""压过来/推过去"这类方向+物理动词的组合，几乎一定是翻译腔。
AI 几乎把每个核心判断都加粗，结果稀释了强调效果。
AI 生成的子标题往往结构高度对称：每个小节长度相同、句式相同。
AI 生成的章节标题喜欢把这一节的结论直接写进标题里，或者写成教科书目录式的知识摘要。结果是读者看完标题就不需要读正文了。
好标题告诉读者"这节在讨论什么处境"，而不是"这节得出了什么结论"。
三种常见问题：
预告结论型：标题就是这节的判断句
知识型/教科书型：像论文章节或课程大纲
意义膨胀型：用"巨大""根本""关键"等词给章节加戏
判断标准：看完标题后，是否已经知道作者的结论？如果是，标题在剧透。
另一个测试：这个标题放到 PPT 目录页上违和吗？如果不违和，说明它太像摘要，不像文章标题。
处境型标题中，锚定具体张力的优于泛泛提问的。 比如「权限跟着角色走，但 Agent 没有固定角色」优于「传统的权限系统有啥问题」——前者把问题锚在一个具体的矛盾上，后者把问题扔给读者自己猜。
中文破折号（——）和英文 em dash (—) 一样，是 AI 偏爱的连接方式。
如果大多数句子都在 20–40 字之间，读起来像机器人朗读。
如果每段都是 3–5 句、长度接近，刻意打破。
--- 分隔线制造呼吸，但段落内部节奏完全均匀AI 会在同一段里轮换同义词避免重复："开发者……工程师……从业者……建设者"。
AI 在正式文章中均匀地撒入口语词，试图制造"随意感"和"个人风格"。但真人写作的口语是局部爆发的（比如吐槽时突然冒出来），不是均匀分布的。
把常规事件包装成历史性时刻。
把已有概念说成是新发现。
AI 用"从 X 到 Y"的跨度制造全面感。
AI 在分析完问题后直接跳到结论，中间缺少「为什么这个分析能推出这个结论」的推理桥。读者会觉得结论来得突兀。
❌ 「RBAC 假设角色固定，Agent 的角色不固定。ABAC 依赖静态属性，Agent 的关键属性是任务上下文。所以权限应该跟着任务走。」——两个分析和一个结论之间没有连接。为什么前两个分析能推出第三个结论？
✅ 补上推理桥：「两种模型都有一个共同的假设：权限是绑在身份上的。你是谁，决定了你能做什么。Agent 的问题恰好出在这里——它的身份是流动的。所以方向得反过来。」
判断标准：把分析部分和结论部分单独拿出来，问「为什么 A+B 能推出 C？」。如果答案不是显而易见的，就需要补推理桥。
严重程度：P1 — 让文章逻辑链断裂，读者会感觉作者自己没想清楚
AI 喜欢用比喻来"让抽象变具体"，但经常在短距离内堆叠多个不相关的比喻，制造视觉冲击但实际上互相稀释。
完全删除以下模式：
如果未指定语境，从内容自动判断：
| 信号 | 推断语境 |
|---|---|
| 代码块、API、架构讨论 | 技术文章 |
| 300 字以内 + 话题标签 | 社交媒体 |
| 有称呼语 + 商务/融资内容 | 商务邮件 |
| 操作步骤、参数说明、README 结构 | 文档 |
| 无明显信号 | 博客（默认，全部规则生效） |
当文章本身在讨论 AI 写作模式时（如本文件），引号内的示例、代码块内的示例、明确标注为反面示例的内容不触发标记。只标记作者自己的正文中的模式。
当与作者实时协作修改文章（而非独自审核/改写），按以下流程逐条推进：
如果作者说「不改」，不争论，直接跳过。
如果作者自己发现了你没标记的问题（比如「这个一看就是 AI」），把它作为本轮后续判断的补充信号——下次优先扫同类问题。
四个部分：
1. 问题清单 列出每一处 AI 痕迹，引用原文。
2. 改写版本 消除所有 AI 痕迹的完整文本。保留原文结构、意图和技术细节，只改必须改的。
3. 改动说明 主要改动的简要总结。不需要逐词列举。
4. 二次审核 重读改写版本，捕捉第一轮残留的 AI 痕迹。修复后内联返回，说明改了什么。如果改写版本已干净，直接说明。
两个部分：
1. 问题清单 按严重程度（P0/P1/P2）分组列出。
2. 判断 每个标记说明是确定需要改的，还是可以保留的。有些 AI 模式在特定语境下是有效的写作手法——指出哪些值得保留。
目标是让文字读起来像人写的。直接、具体、有个人视角。
五条改写原则：
如果原文已经很好，说一声，只做必要的最小改动。不要为了改而改。
结构是最强的检测信号。 换掉几个词但保持节奏不变，文章照样读起来像 AI 生成的。如果修复了所有词汇问题但节奏依然均匀、句式依然对称，文本仍然会被感知为 AI 生成。
如果文本同时满足以下条件，修补个别短语无法解决问题——结构本身就是 AI 生成的：
建议用一句话说清核心论点，然后从头重建。