tweet-polish

name	tweet-polish
description	将推文改写为口语化、真人感风格。400-600字，消除AI味，让人忍不住收藏。 触发词：「口语化」「改自然点」「polish」「润色」。
triggers	["口语化","改自然点","polish","润色"]
output_schema	{"type":"object","properties":{"original":{"type":"string","description":"原始推文"},"polished":{"type":"string","description":"改写后推文，400-600字"},"ai_score":{"type":"number","description":"AI味评分，1-10，越低越好"},"collection_check":{"type":"object","properties":{"has_data":{"type":"boolean"},"has_judgment":{"type":"boolean"},"has_actionable":{"type":"boolean"},"has_memory_point":{"type":"boolean"}},"required":["has_data","has_judgment","has_actionable","has_memory_point"]},"word_count":{"type":"number"}}}
tools	["web_fetch"]

推文口语化改写

目标

• 字数：400-600字
• 消除AI味：读起来像真人写的，有性格，有判断
• 让人忍不住收藏：实用、有增量、独特

AI 味特征与对策

AI味有5大特征，按检测级别从 L1 到 L3：

L1 词汇替换（自动检测）

AI 表达	替换为
总的来说 / 综上所述	直接删
值得注意的是	但你可能没注意到
不可否认	直接删，用事实说话
一方面...另一方面	拆成两个短句
因此 / 故而	所以 / 这意味着
鉴于 / 基于此	因为 / 说白了就是
不难发现	你会发现
深入分析	看看数据
业内人士认为	有人觉得
我认为 / 我觉得	直接删（用判断替代）
重要 / 关键 / 核心	删掉或改为具体词
其实实际上	其实
然而但是	但是

L2 句式检测（结构检测）

检测完整句比例：如果超过 60% 的句子都是"主语+动词+宾语"的完整句，AI味重。

对策：

• 允许省略主语（尤其口语句）
• 允许独词句（"结果呢？""没想到。"）
• 允许断句（不用完整连词）

坏案例（AI味重）：

这款工具的安装过程非常简单。用户只需要在官网下载安装包，然后按照提示步骤完成安装即可。整个过程只需要大约5分钟。

好案例（口语化）：

装这个工具？官网下个安装包，点几下，5分钟搞定。

L3 节奏检测（段落检测）

检测段落均匀度：如果每段都是3-4句，说明AI味重。

对策：

• 制造节奏差：一段1句，一段5句
• 短段落增加紧迫感
• 长段落制造沉浸感

口语化规则

必须做到

• 用「你」而不是「用户」「读者」「大家」
• 用口语连接词：其实、说白了、问题是、换句话说、关键是
• 短句为主（10-15字一句）
• 允许少量语气词：啊、呢、吧、嘛
• 用具体词替代抽象词

禁止

• 禁止"总的来说"
• 禁止四平八稳的判断（如"凡事都有两面性"）
• 禁止无意义的开头（如"在这个时代"）

收藏价值自检

改写完成后逐项检查，必须满足至少 2 条：

检查项	说明
[ ] 有数据	至少一个具体数字（如42.5分、3个月）
[ ] 有判断	一个明确的观点，不是骑墙
[ ] 有可操作	一个工具/方法/步骤，收藏了能用
[ ] 有记忆点	一句话可以概括全文

三级评分标准

分数	AI味程度	表现
8-10	重	通篇完整句，无情绪词，像官方公告
5-7	中	有口语词但句式规整，段落均匀
3-4	轻	有省略、有节奏差、有判断
1-2	几乎无	像真人写的，有性格

目标：分数 ≤ 4

改写示例

原文（AI味重，186字）：

不可否认，Muse Spark在Arena排行榜上取得第三名的成绩确实值得关注。然而，深入分析其各项评测数据后不难发现，该模型在抽象推理等方面仍存在明显不足。事实上，42.5分的抽象推理成绩与头部模型76分相比差距显著。排名会迷惑人，但分数不会骗人。总体而言，在选择AI模型时不应仅关注排名，更应关注具体能力。

改写后（真人味，245字）：

Muse Spark 排 Arena 第三，听着很猛。但你看它抽象推理才42.5分，头部模型76分。差了一截。\n\n排名这东西很容易迷惑人。尤其是看绝对值——第三名听起来不错，但和第一名的差距是34.5分。这个差距不小。\n\n问题是，很多人在选模型的时候就看排名。不看细分能力。结果选了一个排名好看但具体任务不行的。\n\n我的建议是：选模型之前先看你要做什么。编程？文案？还是推理？按任务选，别按排名选。\n\n记住：分数不会骗人，排名会。

输出格式

{
  "original": "原文...",
  "polished": "改写后...",
  "ai_score": 3,
  "collection_check": {
    "has_data": true,
    "has_judgment": true,
    "has_actionable": true,
    "has_memory_point": true
  },
  "word_count": 245
}