cnki-aigc-rewrite

## When to use 用户做以下任一动作时触发： - 提到"知网AIGC检测""AI率""红色显著""降AIGC""降AI率" - 上传AIGC检测报告（PDF/截图） - 贴出一段被标为红色或疑似的论文文本 - 询问"怎么改这段不像AI写的" 仅适用于**中文学术论文**（学位论文、期刊投稿、学术报告）。不适用于： - 摘要/Abstract（结构化文本天然像AI，但通常不计入AI字符数） - 文献引用密集段（"X等（2020）发现……"难以脱模板） - 研究方法固定描述句（"采用双向固定效应模型"是规范表达） - 非学术文本（自媒体、营销文案、小说） ## 核心认知：检测器抓的是什么 知网AIGC检测器**不是抓"AI写的"，而是抓5种语言模式**。理解这5种模式比记规则更重要： **模式1：句法节奏的可预测性** — LLM输出句长集中在20-35字（正态分布），人类写作是齐夫分布（少数特别长、少数特别短、多数中等）。改写要刻意打破均匀。 **模式2：信息密度的均匀性** — LLM每段密度都差不多，人类写作有"高密度论证段"和"低密度铺陈段"。检测器跟踪段级特征值方差。 **模式3：术语的句法位置固定** — LLM倾向把术语放在主语位置（"逆向技术溢出转化为创新能力"），人类更常放在话题或宾语位置（"企业把外部技术转化为创新能力"）。**不动术语本身，但挪动它在句子里的角色**。 **模式4：连接词功能重叠** — LLM爱用"因此""从而""进而""由此"，功能高度重叠都在做因果推进。人类的连接词承担多种功能：补充（也就是说）、转述（换句话说）、强调（——）、对照（同向）。 **模式5：模板段功能全等性** — 三/四项工整排比、抽象名词链、段尾元话语收束、模板化报告句、平行铺陈+末尾收束。这5个具体特征是上面5种模式的表层呈现。 ## 工作流：根据输入长度自动切换 ### 路线A：交互式精修（输入<800字） 用户贴一段红色显著文本进来，按以下步骤处理： **步骤1：识别高危特征** 扫描这段文本，列出它命中了下面哪几个具体特征（不必全列，列最关键2-3条）： - 三/四项工整排比（"从X看……从Y看……从Z看……" / "对A……对B……对C……" / "一方面……另一方面……" / "A以a为主；B以b为主；C以c为主"） - 抽象名词链（"传导机制""调控变量""动态监测体系""未被纳入检验的路径仍是传导重要环节"） - 段尾元话语（"这一结论""上述发现表明""为后续……提供了实证依据"） - 模板化报告句（"X的研究表明""在统计推断意义上获得支持""与预期方向一致""下降至/上升至"） - 平行铺陈+末尾收束 **步骤2：执行改写动作** 按下列动作改写。**保留所有数字、变量名、文献编号[N]、年份、作者姓名、专业术语**： 1. **拆三/四项排比**：每一项换不同句式起头（描述句/判断句/动宾句/转折句各一） - ❌ "从产业基础来看……从人力资本来看……从投资动机来看……" - ✅ "中部处于工业化中期；高校与高职供给的工程技术劳动力够用；OFDI动机上又以战略资产寻求型为主" 2. **抽象名词链 → 动词短语**： - "传导机制较为契合" → "跟……同向" - "在统计推断意义上获得支持" → "被样本较为充分地支持" - "动态监测体系" → "看看是不是还走在一起" 3. **删段尾元话语**：让段落自然结束。 4. **替换LLM典型语套**： - "研究表明" → "看到的是"/"读出的是" - "进一步揭示" → "再往下看是" - "下降至" → "跳到" - "一致" → "对得上"/"同向" - "释放/呈现" → 用具体动作替换 5. **打乱句长方差**：长短句穿插，用"——""换句话说""问题是""也就是说"让节奏不均匀。**不要写成短句串+连接词**，那是另一种AI腔。 6. **挪动术语句法角色**：原文术语在主语位置的，改写时换到宾语或话题位置。 **步骤3：自检5项** 输出前必须过一遍： 1. 数字、变量名、引用[N]是不是一字未动？ 2. 段落里还有没有任何"X的Y的Z"三层名词嵌套？ 3. 有没有两组以上"A，B，C"并列结构？ 4. 段尾有没有"这一……""上述……"元话语收束？ 5. 全段是否倒向口语化（找不到任何学术连接词）？保留至少2-3个学术连接词（"鉴于""因此""二者"），否则会从AI腔倒向博客腔。 任一项不通过，重写。 **Done when：** 输出包含改写版 + 改了哪些高危特征（1-3条最关键的）+ 未动的部分（数字/术语/引用列表）。 ### 路线B：批量处理（输入>800字或整节） 用户贴整节文字进来，按以下步骤： **步骤1：标定高危段落** 通读全节，按红色密度排序输出一个清单： ``` 段[起始词]…：高危特征 [排比/抽象名词链/元话语/模板报告/铺陈收束] ``` 让用户确认要改哪几段（可能用户只想改密度最高的1-2段）。 **Done when：** 给出排序清单等用户选择。 **步骤2：批量改写选定段落** 按路线A的步骤2/3对每一段改写。每段输出格式： ``` 【段N原文】 （节选首15字...） 【改写版】 （完整改写后段落） 【改了哪些】 - （1-2条最关键改动） ``` **Done when：** 所有选定段落改写完，每段都通过自检5项。 ## 硬约束（不可违反） 1. 数字、变量名（ln_X / β / R²）、统计量、p值、t值、系数、年份、文献编号[N]、作者姓名、模型名一字不动 2. 专业术语不替换（"互补效应""逆向技术溢出""中介效应""固定效应""稳健性检验"——这些是学科共识词） 3. 不增减事实陈述——原段说什么，改写后必须仍说同样的事 4. 段落长度与原文相差不超过±15% ## 不要做的事 - 不要换同义词（"显著"→"明显"）。检测器抓句法，词汇替换无效。 - 不要全面口语化。论文是学术文体，要保留至少2-3个学术连接词，否则评阅老师观感差。 - 不要把所有"较为""一定程度上""显著"删光——这些"有保留余地的学术语"反而是人写的特征。 - 不要给术语加引号造距离感（"所谓……"，"二分法"）——这是LLM典型动作。 - 不要把长句拆成短句串+大量连接词——这只是另一种AI腔。 ## 实测降幅参考 按这套方法实战处理一篇本科毕业论文： | 指标 | 首检 | 复检 | 变化 | |------|------|------|------| | 总AI率 | 20.6% | 10.1% | -10.5个点 | | 第1部分 | 4.2% | 0.0% | 全部归零 | | 第2部分 | 26.0% | 15.8% | -10.2个点 | | 第3部分 | 22.6% | 13.7% | -8.9个点 | 最关键变化：**全文红色显著片段全部降为疑似**——这是质变而不只是量变。10%左右是中文学术语体本身的下限，再降会损失学术性。 ## 边界提醒 - 如果用户改完一轮还想继续降到5%以下：劝退。低于10%通常意味着语体已经不像学术论文。 - 如果用户的论文本来就不是LLM生成、是自己写的却被误判：仍按本流程处理，特征是相同的。 - 如果用户给的不是中文论文：拒绝并说明skill仅适用于中文学术论文。