chinese-de-aigc

name	chinese-de-aigc
description	面向中文学术论文的降 AIGC 检测率 Skill。针对知网、万方、维普、Turnitin 中文版的检测机制，识别并消除中文大语言模型的 17 类结构化写作痕迹。采用"定位 → 诊断 → 改写 → 自评 → 复查"五步闭环工作流，分章节差异化策略（摘要/引言/文献综述/方法/结果/讨论/结论），保持学术严谨性前提下通过检测。
triggers	["降 AIGC 检测率","降低 AIGC","中文论文去 AI 味","知网 AIGC 检测","万方 AIGC","维普检测","论文查重 AI","人工化重写","去 AI 痕迹","chinese de-aigc","chinese humanize"]

中文学术降 AIGC Skill

中文学术实证论文的 AI 痕迹消除器。不是"改同义词"，不是"打乱语序"，而是系统性地重构中文 AI 文本的统计学特征，让它回归到真实研究者写作的语言分布上。

适用场景

• 中文期刊投稿前的 AIGC 率自查与修改
• 学位论文（本/硕/博）应对知网 AMLC 检测
• 基金申请书、开题报告、研究报告去 AI 化
• 已完成英文投稿、需要中文摘要/中文版本的场景
• CoPaper.AI 等工具生成初稿后的人工化处理

核心理念

三个错误的做法（很多教程都在做但无效）：

1. ❌ 同义词替换：把"关键"改成"核心"，把"重要"改成"显著"——检测器看的是 n-gram 统计分布，不是单词替换
2. ❌ 句式倒装：简单把"由于 A，所以 B"改成"B，这是因为 A"——句法模板没变
3. ❌ 全文重写交给 AI：换另一个 AI 改写，只是从一种 AI 痕迹换成另一种

本 Skill 的正确路径：针对中文 AI 的五大结构性特征做定点破坏，而非字词层面的表面修改。

中文 AI 文本的五大结构性特征

与英文 AI 不同，中文大模型的痕迹主要表现在：

1. 四字套话密度过高：每 200 字出现 3+ 个"综上所述/不可否认/毋庸置疑/显而易见"之类
2. 虚词与关联词冗余：过度使用"然而/因此/此外/而且/并且/以及/等等"
3. 主语回避与隐藏被动：大量"本文认为/本研究发现/相关研究表明"式的模糊主语
4. 句长方差低：句子长度集中在 20-35 字，缺乏人类写作的节奏跳跃
5. 结论绝对化：倾向使用"证明了/确立了/充分说明/必然导致"等过强断言

本 Skill 针对上述 5 大特征，提供 17 类细分诊断规则（详见 references/patterns.md）。

五步闭环工作流

┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│ 1. 定位扫描 │ →  │ 2. 诊断分类 │ →  │ 3. 差异化改写 │
└─────────────┘    └─────────────┘    └─────────────┘
                                             │
┌─────────────┐    ┌─────────────┐          │
│ 5. 二次复查 │ ←  │ 4. 五维自评 │ ←────────┘
└─────────────┘    └─────────────┘

Step 1 · 定位扫描

接收用户提交的文本，按 references/patterns.md 的 17 类规则做全文扫描，输出结构化问题清单：

## AI 痕迹定位报告

| 段落 | 原文片段 | 命中规则 | 严重度 |
|------|---------|---------|--------|
| ¶2   | "毋庸置疑，数字化转型..." | P01 四字套话 | 高 |
| ¶3   | "...此外，该研究还..."   | P04 显性连接词 | 中 |
| ¶5   | "本文认为该机制充分证明了..." | P12 绝对化断言 | 高 |

⚠️ 不要此时就开始改写，先让用户/作者看到问题全貌。

Step 2 · 诊断分类

按段落功能分类：

• 事实陈述段（方法/数据/结果）→ 低调改写，保留学术精确度
• 论证段（文献综述/讨论/机制分析）→ 重点改写，注入学者的"认识论谨慎"
• 过渡段（章节衔接、段落承上启下）→ 大幅改写，消除机械连接词

参考 references/academic-sections.md 的分章节策略表决定每段的改写力度。

Step 3 · 差异化改写

针对 Step 1 清单里的每一条，按以下四条原则逐一修复：

1. 还原研究者视角：把"本研究发现"改成具体的"我们用 2015-2023 年 CFPS 面板数据发现"——加入可验证的颗粒度
2. 制造句长方差：在一段 200 字内，强制包含至少 1 个 ≤15 字的短句 + 1 个 ≥50 字的长句
3. 消灭显性连接词：去掉"此外/而且/因此/从而"这类段首连接词，改用语义接力（下一句主语呼应上一句宾语的关键概念）
4. 绝对→谨慎：所有"证明/确立/必然/充分说明"降级为"为...提供了证据/与...的预期一致/可能意味着"

⚠️ 禁止事项：

• 禁止为了"显得人类"而刻意制造错别字或不规范表达
• 禁止使用生僻词、文言化词汇强行降困惑度——这会损害学术性
• 禁止篡改数据、结论或研究主张——只改表达，不改实质

Step 4 · 五维自评

对改写后的文本做中文学术版 5 维评分（每维 1-10 分，详见 references/scoring.md）：

维度	检查点	权重
具体性	是否用具体数据/案例/作者替代了模糊表达	1.5×
节奏性	句长方差是否 ≥ 150（50 字长句 + 15 字短句混排）	1.2×
谨慎性	绝对化断言是否已降级为条件化表述	1.3×
隐衔接	段落之间是否消除了显性关联词（此外/因此等）	1.0×
研究者语气	是否出现"我们/本团队/我"等第一人称研究立场	1.0×

加权总分 < 35 → 返回 Step 3 再改一轮。加权总分 ≥ 42 → 通过。

Step 5 · 二次复查

用"冷读者"视角重新审视全文，执行三项终审：

1. 通顺性复查：改写后的逻辑链是否依然连贯？有没有为了降 AIGC 伤到学术表达？
2. 事实性复查：数据、引用、作者名、年份有没有被误改？
3. 风格一致性复查：全文语气是否统一，有没有出现"改过的段落 vs 没改的段落"断层？

输出终稿 + 改动摘要（哪些段落改了多少、为什么改）。

调用接口

用户可以用以下任意触发词调用：

• 请对这段文本降 AIGC 检测率
• 把这篇论文改得不像 AI 写的
• 走 chinese-de-aigc 五步闭环
• 诊断这段文字的 AI 痕迹，给出修改建议

与其他 Skill 的配合

• 先用 revision-guard 防止过度修改（本 Skill 改写完后交给它把关）
• 与 humanizer_academic 互补：那个针对英文，这个针对中文，一篇双语论文需要两个都用
• 写完初稿再用本 Skill：不要一边写一边降 AIGC，会干扰创作思路

参考资料

• references/patterns.md — 17 类中文 AI 痕迹模式库（每类含识别规则 + 典型样本）
• references/examples.md — 12 组原文/改写前后对比（覆盖实证论文七个主要章节）
• references/academic-sections.md — 按章节差异化的改写策略表（摘要/引言/文献综述/方法/结果/讨论/结论）
• references/scoring.md — 五维评分量表细则

重要声明

本 Skill 的目标是让人工写作和 AI 辅助写作的文本回归到真实研究者的语言分布，而不是"帮 AI 生成内容骗过检测"。

• ✅ 适用：研究者自己写的初稿，被 AIGC 检测误判为高 AI 率
• ✅ 适用：AI 辅助起草 + 研究者人工修改定稿的混合场景
• ❌ 不适用：完全 AI 生成的论文，希望零改动通过检测
• ❌ 不适用：学术不端场景，如代写、抄袭的掩盖

学术诚信优先于检测率。任何改写都不应触及研究结论、数据真实性、引用准确性。