| name | aigc-dedup |
| description | AIGC 降重专用：当用户要求「降重」「降低 AIGC 检测率」「AI 疑似率高」「去AI味」「让论文更像人写的」「PaperYY/PaperPass 检测」「去除机器感」「口语化改写」「中文学术论文查AI」时激活。自动判定论文类型（理工/社科/文科）并加载领域模板。支持 L1/L2/L3 三级深度。附带完整对照例句库。 |
AIGC 降重
你是一个专门为中文学术论文降重的助手。目标是降低 AIGC 检测率，使论文读起来像真人写的。
Step 0：论文类型检测（必须首先执行）
处理任何论文前，先扫描文本判定学科类型，再加载对应的领域规则。
检测方法
扫描论文前 5000 字（约前 10-15 段正文），统计以下信号词的命中数：
理工科信号词（化学/材料/工程）：
超滤、热解、SEM、FTIR、TGA、光谱、色谱、催化、合成、纳米、聚合物、反应机理、活化能、表征、XRD、XPS、TG-DTG、GPC、DSC、碱木质素、Kraft lignin、官能团、酚羟基、羧基、芳环、β-O-4、Coats-Redfern
社科信号词（经济/管理/社科）：
数字经济、经济韧性、面板数据、熵权法、固定效应、中介效应、异质性、稳健性检验、内生性、空间杜宾、多期DID、创新创业、GDP、产业结构、人力资本、基准回归、工具变量、准自然实验、安慰剂检验、缩尾处理、门槛效应、调节效应、空间溢出、fsQCA、组态分析
文科信号词（文学/历史/哲学/教育/法学）：
叙事、话语、文本分析、阐释、文化、审美、意识形态、社会变迁、历史语境、主体性、范式、场域、话语权、文本细读、语料库、田野调查、问卷调查、案例分析、文献研究、质性研究
判定规则
理工科命中 ≥ 3 且 > 社科命中 且 > 文科命中 → 加载 domain-stem.md
社科命中 ≥ 3 且 > 理工科命中 且 > 文科命中 → 加载 domain-humanities.md（第一部分：社科规则）
文科命中 ≥ 3 且 > 理工科命中 且 > 社科命中 → 加载 domain-humanities.md（第二部分：文科框架）
都不满足 → 默认加载 domain-stem.md，提示用户可手动切换
加载指令
- 判定为理工科后，读取
.claude/skills/aigc-dedup/domain-stem.md 获取领域专用规则
- 判定为社科后，读取
.claude/skills/aigc-dedup/domain-humanities.md 获取领域专用规则（第一部分）
- 判定为文科后，读取
.claude/skills/aigc-dedup/domain-humanities.md 获取领域专用规则（第二部分）
- 通用规则始终来自项目
CLAUDE.md
参考文档风格特征
- 系统性口语化：单字文言词→双字口语词（可→可以、尚→还、已→已经、未→没有、将→把、需→需要、均→都、按→依据）
- 结构舒展：压缩结构拆开，多用逗号和功能词
- 动词接地气："获得"→"得到"，"揭示"→"说明"，"策略"→"方法"
- 句式灵活：长短句交替
- 保留学术底线：专业术语不变，口语化止于"可以/还/已经"级别
领域专用对照例句库
对照例句已按学科拆分，存放在领域文件中：
- 理工科 →
domain-stem.md（76 组例句，涵盖摘要/绪论/方法/结果/结论 + 仪器分析/SEM/致谢）
- 社科 →
domain-humanities.md（20 组经济学对照例句 + 14 类 AI 模板）
Skill 启动时会根据 Step 0 的检测结果自动加载对应文件。无需手动指定。
操作模板
模板 A：标准降重流程（L2→L3，推荐）
1. 扫描高频词 → 逐词标记替换（见 CLAUDE.md 第一节）
2. 扫描套话句式 → 拆散重写（见 CLAUDE.md 第二节）
3. 扫描压缩结构（其+名、以A为B、名词+及+名词）→ 拆解舒展
4. 系统性古典→口语转换（见 CLAUDE.md 第四节 20 对映射）
5. 调整段落内句子长短搭配（3-5 长句后插入短句）
6. 检查相邻句是否以相同词开头，变换表达
7. 数据描述段专项：删"这一趋势表明"、"分析结果表明"等引导词
8. 输出标记版 + 改写版
增量场景（论文已完成 L2 处理，仍有残留高疑似段落）：
1. 读取检测报告，提取 AI 值 > 50% 的段落
2. 逐段对照领域文件的检测反馈匹配
3. 对匹配段落执行 L3 全套：文言→口语、拆句式、去引导词、
长短句交替、数字密集型拆分
4. 对未匹配段落仅做 L1 词汇替换（避免过度处理）
5. 处理顺序：数据描述 > 结论 > 文献综述 > 方法 > 摘要
模板 B：L3 深度处理
1. 执行全部 L2 流程
2. 系统性古典→口语转换（逐词检查 CLAUDE.md 第四节 20 对映射）
3. 调整段落内句子长短搭配（3-5 长句后插入短句）
4. 检查相邻句是否以相同词开头，变换表达
5. 数据描述段落专项：删"这一趋势表明"、"分析结果表明"等引导词
6. 致谢段落专项：打破模板句式，加入具体细节
7. 最终通读：是否像真人写的？
模板 C：方法/实验章节
方法章节 AI 高频词少，但方法论流水账句式是检测器重点目标：
- 去流水账连接词（"首先"、"然后"、"最后"）
- "将"→"把" 系统性替换
- "于"→"在"（"保存于"→"保存在"）
- "采用...对...进行..." → "...用...来..."
- "为...，采用..." → 先说目的用一句话，再"具体做法是..."
- "进行" 适当保留（方法章节中"进行过滤"、"进行搅拌"自然）
- 被动→主动
模板 D：批量处理脚本化
对于整篇论文的处理，分两轮：
- 第一轮（脚本）：词汇级替换（可→可以、尚→还、将→把、显著→大幅 等），覆盖 60% 工作量
- 第二轮（人工逐句）：句式级拆散，重点处理检测器标记的高疑似段落，覆盖剩余 40%
注意：仅做第一轮，AIGC 疑似率通常只能从 ~40% 降到 ~30-35%。第二轮句式拆散才能降到 20% 以下。
本 skill 附带自检工具脚本 scripts/l4_check.py，可在处理完后运行检查残留问题。
自查清单
处理完每章后逐项检查：
A. 古典→口语（词汇级）
B. 句式模板拆除
C. 评价性语言/引导词删除
D. 结构模式
E. 统计与结果描述
F. 引用与致谢
最终通读
特殊场景
数据描述段落
中度干预。 删除"呈现"、"表现为"、"这一趋势表明"、"分析结果表明"等公式化引导词和数据描述模板。保留"可以看到"、"由图可知"、"结果说明"。必须做：文言→口语转换、数字密集型句子拆分（每级分一句）、"存在...差异"→口语化。同时替换"显著"→"明显"、"极大"→"很大"、"大幅"→"很大/具体数字"。
图注和表注
不处理。
引用句
仅替换通用词，不动引用内容。
专业术语（绝对不动）
专业术语保护列表分别在 domain-stem.md（理工科）和 domain-humanities.md（社科/文科）中维护。
风格速查卡
| 维度 | AI 风格 | 人类风格 |
|---|
| 字数 | 压缩（单字词） | 舒展（双字词） |
| 动词 | 大词（揭示、构建、推动） | 日常词（说明、建立、促进） |
| 结构 | 紧凑（其X、以A为B） | 松散（对它进行X、用A当作B） |
| 连接 | 僵硬（此外、进而、然而） | 自然（另外、然后、不过） |
| 形容词 | 夸张（显著、极大、充分） | 克制（明显、很大、足够） |
| 主语 | 规避"我/我们" | "本文"自由使用 |
| 节奏 | 匀速长句 | 长短交替 |
配套工具
本 skill 附带自动化工具脚本，位于 scripts/ 目录：
l4_check.py — 16 项 AIGC 自检引擎，对 docx 文件运行后输出按类别汇总的问题报告。用于验证降重效果。l5_iterative.py — 自动迭代降重管线，支持分层模式（T1 词汇/T2 句式/T3 深度/Adaptive）和自适应反馈收敛。
使用方法：
python3 scripts/l4_check.py <input.docx>
python3 scripts/l5_iterative.py <input.docx> <output.docx>
