| 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":"[Truncated]","required":"[Truncated]"},"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
}
