メニュー
用于对章节正文做去 AI 味重写。适合主编式多轮去味、先诊断再定强度、整章去模板腔、局部拆解释腔、打散均匀句群、保信息重写与人物声音去同腔化。关键词：去AI味、主编式去味、多轮改稿、模板腔、解释腔、均匀句群、太像AI、重写这段。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
SOC 職業分類に基づく
Remove signs of AI-generated writing from text. Use when editing or reviewing text to make it sound more natural and human-written. Based on Wikipedia's comprehensive "Signs of AI writing" guide. Detects and fixes patterns including: inflated symbolism, promotional language, superficial -ing analyses, vague attributions, em dash overuse, rule of three, AI vocabulary words, passive voice, negative parallelisms, and filler phrases.
检查和清理中英文文本里的 AI 套路，适用于“去 AI 味”“说人话”“自然一点”“别像模板”“先标问题”这类改写和审稿需求；按场景控制力度，同时保留事实、术语、语域和责任主体。
用于【AI科幻】题材下搜索起点中文网等目标平台的同题材 TopN 候选池，先锁定榜单与样本池，再从中收束 3–5 本主样本做四层深拆式竞对分析。作为题材包装层与路由层，负责保留AI科幻标准入口名，补充技术视角、技术针脚、数据链/系统逻辑链、长线系统谜团等题材维度，并明确要求优先强制加载并使用 `通用-分析竞对作品`。关键词：AI科幻竞对分析、AI科幻竞品分析、起点AI科幻榜单、标杆作品拆解、技术悬疑标杆报告。
用于【AI科幻】题材下的章节正文创作。作为题材包装层、兼容入口与路由层，负责保留AI科幻入口名，补充起点追读、数据追溯程序、真实编号、数字压迫感与文件写回要求，并要求生成的 ` ## 作者有话说` 保持读者向小剧场口感。
用于【AI科幻】题材下的去 AI 味重写。作为题材包装层、兼容入口与路由层，负责保留AI科幻标准入口名、补充程序 / 数据痕迹径、数值双轨与冷压迫来源保护边界，并明确要求优先强制加载并使用 `通用-去AI味重写`。关键词：AI科幻去AI味、模板腔、数据痕迹径、冷压迫。
用于【AI科幻】题材下的多平台适配策略。作为题材包装层与兼容入口，负责保留AI科幻入口名、补充异常数据、系统摩擦、数字压迫感与长期谜团在各平台的保真边界，并明确要求优先强制加载并使用 `通用-多平台小说适配`。关键词：AI科幻多平台适配、平台差异、改写前推演、平台保真。
| name | 通用-去AI味重写 |
| description | 用于对章节正文做去 AI 味重写。适合主编式多轮去味、先诊断再定强度、整章去模板腔、局部拆解释腔、打散均匀句群、保信息重写与人物声音去同腔化。关键词：去AI味、主编式去味、多轮改稿、模板腔、解释腔、均匀句群、太像AI、重写这段。 |
| argument-hint | 要处理哪一章或哪一段？默认先做一句病灶诊断，再在三档手术强度里定档，始终保信息、保结构、保钩子。 |
| user-invocable | false |
题材路由：若 .github\题材专用Skills\ 目录存在对应的 <题材>-去AI味重写 Skill，则：
- 将题材特性骨架路由到 <题材>-去AI味重写，该 Skill 位于 .github\题材专用Skills\ 目录。
- 命中本技能时，必须优先强制加载当前 Skill 与 <题材>-去AI味重写。
去 AI 味不是把文本洗平，而是把“假”洗掉，把同一份信息写得更像人在场景里说话、做事和承受压力。
以下所列 references 文件必须通过 read_file 工具逐文件读取，不得因"已有相关知识"、"之前执行时已读过"、"该文件只是参考"为理由跳过任何一条。 每条 references 按其标注的必读等级强制执行：
标注 必读 的文件：必须读取，少一条即视为流程违规，不得开始执行流程。
未标注必读的文件：必须读取，但读取后可仅提取与当前任务直接相关的段落，不要求逐字通读。
若文件路径指向的文件不存在（如引用的外部路径未就位），必须在日志中显式记录 reference_missing_{refName}，不得静默跳过。
references/科幻类AI味典型问题.md — 科幻小说AI味典型问题与修正策略
references/七猫专栏OS叙事拐杖检测增补.md — 七猫专栏 OS 叙事拐杖检测增补
18 个 reference 文件按用途分层分为 5 组。调用时先根据当前阶段锁定要读的组，再按本组的"读取时机"判断读哪些文件。
| 文件 | 读取时机 | 优先级 |
|---|---|---|
references/去AI味识别雷达.md | 每轮必读。快速定位病灶属哪一层（病灶识别/句群重构/人声回补）并做 Green/Yellow/Red 初筛 | ★★★ |
references/AI味高发信号与拆洗策略补充.md | 每轮必读。扫描句子均匀、对话同腔、抽象判断等常规表层病灶 | ★★★ |
references/实战对比案例——从AI稿与人工稿的差异提取可复用诊断与拆洗规则.md | 每轮必读。该文件的 13 项量化指标（基础篇 7 项 + 扩展篇 6 项，涵盖句法层、设定层、情绪层）提供深层诊断证据 | ★★★ |
../../写作研究/网文留存模型.md | 每轮必读。去AI味完成后，验证情绪刺激密度不降低——去味后的正文必须维持原有情绪主轴与读者驱动力 | ★★★ |
references/去AI味三档手术强度与风险卡.md | 用户未定强度时必读。用此文件向用户展示三档说明并锁定本轮档位 | ★★★ |
分层规则：先跑识别雷达做初筛 → 再用 AI味高发信号检查表层 → 若读感为"像AI但挑不出毛病"转向深度诊断（十一大结构指纹，见本文
## AI味深度诊断节，其中指纹8已扩展制度层/数字层，指纹10为AI语义崩溃模式，指纹11为假节奏专项） → 量化指标不确定时参考实战对比案例的 13 项测量门禁。
| 文件 | 读取时机 | 优先级 |
|---|---|---|
references/去AI味共享裁判规则补编.md | 每轮必读。5 大通用病灶 + 6 项小说专项病灶 + 收尾快检 | ★★★ |
references/去AI味四维病灶与45条规则.md | 每轮必读（或至少扫描 45 条目录确定本轮用哪几条）。习惯用语/句式逻辑/写法口气/论证逻辑 4 个维度 + 45 条逐条拆洗规则 | ★★★ |
references/AI句式替换与动作化替代清单.md | 每轮必读。C 批次高发 AI 句式的替换清单、三段式动作化替代模板、高频冗余词控制 | ★★★ |
references/去AI味句级改写工具.md | 句子级改稿时必读。遇到单句明显假但不会改时查此文件 | ★★★ |
references/去AI味三级改造与工具包.md | 中等及以上强度时必读。按强度提供整段/整章的改写法 | ★★ |
references/去AI味风格与排版补充.md | 改稿后排版复检时必读。句长控制、标点规范、现场质感补充原则 | ★★ |
跨文件冲突仲裁：同一病灶多个文件给出不同处理建议时 →
去AI味共享裁判规则补编的硬戒（如"禁止心理分析句式"）>去AI味四维病灶与45条规则的具体条目 >AI句式替换与动作化替代清单的句式替换 > 其他文件的补充建议。
| 文件 | 读取时机 | 优先级 |
|---|---|---|
references/去雕琢腔与透明人声校准卡.md | 每轮必读。6 类高发雕琢腔信号 + 透明人声最低标准 + 复检四问 | ★★★ |
references/风格注入锚点卡.md | 有作者风格模板时必读。将"补毛边"升级为按作者风格模板定向注入 | ★★★（有模板）/ ★（无模板） |
references/视角塌陷与五感替代诊断修复卡.md | 每轮必读。视角塌陷诊断、五感替换法、摄像头视角实操、有效细节 vs 无用拖沓 | ★★★ |
人声回补优先级：先修复视角塌陷（视角塌陷修复卡）→ 再拆雕琢腔（去雕琢腔校准卡）→ 最后按风格模板定向注入（风格注入锚点卡）。三个文件在同一角色声口问题上可能给出近似建议，以"视角正确 > 雕琢腔清零 > 风格定向"的顺序分层执行，不重复劳动。
| 文件 | 读取时机 | 优先级 |
|---|---|---|
references/去AI味后供血与职责复检卡.md | 每轮必读（改稿后）。复检卖点供血、章首抓力、中段回报、章末钩子与人物声音差 | ★★★ |
references/去AI味执行清单.md | 每轮必读（改稿后）。全局性检查清单，确保没有遗漏关键任务 | ★★★ |
references/去AI味红线保护.md | 每轮必读（改稿前默读，改稿后复核）。红线清单——什么不能改、什么不能丢、什么不能洗平 | ★★★ |
references/去AI味多轮诊断与回写模板.md | 输出终稿时必读。按模板格式输出 【修改总结与原因】、【修改后的小说正文】、【后续修改建议】 | ★★★ |
references/统计模式对抗与人味编辑终审方案.md | 第九步、第十步必读。统计对抗十维度扫描 + 人类指纹注入 + 三视角终审模拟 | ★★★ |
复检顺序：改稿后先跑红线保护（确保没踩线）→ 再跑后供血复检（确保章节职责仍成立）→ 然后跑执行清单（全面收尾）→ 接着跑 stop-slop 五维评分门禁（快速通道模式下替代完整复检；全流程模式下作为前置质检，总分 < 35 必须回炉）→ 最后执行统计对抗（第九步）→ shuorenhua 场景化终审（第十步，全流程模式下保底；快速通道模式下作为最终输出前的唯一终审）→ 按多轮诊断模板输出。
| 文件 | 读取时机 | 优先级 |
|---|---|---|
references/腾讯专栏直白与氛围保持增补.md | 通用任务读取 | ★ |
来源：知乎·路过银河《让 AI 写得更像人：5 个值得安装的写作 Skill》（2026-07-12）。以下五个子目录各含独立 SKILL.md 与 references/，可按需加载。
| 子Skill | 读取时机 | 优先级 | 加载内容 |
|---|---|---|---|
humanizer-main/ | 英文内容去味时必读（替代第三、四步的表层扫描） | ★★★ | SKILL.md — AI写作特征全量规则（夸大意义/宣传腔/被动语态/填充短语等） |
Humanizer-zh-main/ | 中文内容去味时必读（替代第三、四步的表层扫描） | ★★★ | SKILL.md — 中文AI腔专项规则（书面腔/过度总结/四字结构/收尾感等） |
stop-slop-main/ | 第六步复检前必读（作为质量门禁） | ★★★ | SKILL.md + references/phrases.md + references/structures.md — 8条核心规则 + 五维评分卡 |
taste-skill-main/ | 第五步人声回补前选读（需要破模板增个性时） | ★★ | skills/gpt-tasteskill/SKILL.md — 反默认审美策略；注意：原版为UI设计Skill，取其"拒绝默认/选定立场"的写作哲学映射 |
shuorenhua-main/ | 第九、十步前必读（作为场景化终审） | ★★★ | SKILL.md + references/protected-spans.md + references/operation-manual.md + references/structures.md — 四场景分档规则 + 保护原则 + 微操作手册 |
子Skill协同规则：
- 快速通道模式（用户说"快一点"）：humanizer-zh → stop-slop → taste-skill → shuorenhua，四步串联
- 全流程模式（默认）：在现有十步流程中按上表"读取时机"按需插入子Skill
- 子Skill之间不互相依赖，可单独使用其中任意一个。但串联使用时必须按推荐顺序（基础去味→质检→增个性→终审），不可逆序
- 子Skill的规则文件与本Skill的18个reference文件不重复、不冲突——前者处理通用AI语言模式，后者处理网文专项病灶
- 所有子Skill均为MIT或开源协议，详见各子目录下的LICENSE文件
以下原则吸收自知乎专栏作者柳漫漫《先正常写作，写完再微调》。
去 AI 味的技术能力很重要，但如果创作时心里一直坐着 AI 检测器，写出来的东西必然缩手缩脚、假上加假。去味的起点不是改稿时的刀法，而是创作时的心态。
不要让检测算法坐在你肩膀上指挥每一句话。去 AI 味是写出好文本后的自然提纯，不是戴着镣铐跳舞。如果你在写第一章时就在想"这句会不会被判 AI"，你已经在替机器写作，而不是替读者写作。
AI 最擅长生成"公共化"的例子——正确、通用、但缺乏任何人真正经历过的时间地点和人物。去 AI 味的第一原料是你真实经历过的事：
每个人都有独特的表达习惯——口头禅、常用的语气词、特定的比喻偏好、固定的转场方式。这些"不完美"的个人痕迹，恰恰是你在文本中最难被 AI 复制的身份标识：
AI 生成的句子长度往往很均匀——像机器量产的零件，每句都在 25-35 字之间，每个段落都在 3-5 句之间。主动打破这种节奏：
这不仅能降低 AI 检测率，更能让读者获得阅读的呼吸感。
AI 倾向于"一方面……另一方面……""总的来说""值得注意的是"这类客观中立的口吻。而人写的东西可以有：
去味不是把文本洗成中性，而是把作者和角色的真情实感洗出来。
来源：本仓库《朱雀AI检测机制与应对手段研究报告》（2026-06）。
去AI味的底层逻辑不只是"读着像人"，更是在统计特征层面消除AI文本的可检测模式。理解以下检测维度，能让去味更有方向感，而不是盲目改稿：
AI倾向于选择高概率词，使文本"过于可预测"。去味方向：引入低频词和非常规搭配——方言词汇、行业黑话、口语化表达、网络用语。不是硬塞，而是让角色说符合其身份的话。
AI的句子长度分布窄（每句12-18字），段落长度均匀。去味方向：主动制造句长方差——2-5字短句与25-40字长句交替。写完一个长句，接一个短句。允许自己写"不够好"的过渡段。
AI回避低概率词，导致词汇熵偏低。去味方向：减少模板化连接词（"然而/此外/因此/值得注意的是"），用动作、对话、环境直接衔接段落。让同义词自然重复，而不是机械轮换。
AI输出逻辑链条呈线性推进（A→B→C→D，每一步严丝合缝），缺乏跳跃、留白、旁支。去味方向：故意打断完美逻辑链——允许跳针、倒置、信息推迟释放、局部留白。不是每段都要推理清楚才结束。
"均匀就是AI。句长有高低、段落有长短、细节有疏密、情绪有起伏——这四个'有'记在心里，去味就不会偏。"
补充说明：以上四个维度的技术命名来自AI检测领域的知识框架（详见研究报告），去味时不需要记住这些术语，只需理解其指导方向即可。
来源：
实战对比案例.md§一·第二式"主语重复病"；研究报告§一。
AI文本中一个极易量化但常被忽视的AI味信号：主语重复率。AI受英文语法习惯（每句必须有显性主语）的"语料污染"，生成的每句中文都以"她/他/人名"开头。人类中文写作天然有大量无主句、动词引导句、感官引导句、脱漏主语——这是中文与英文的本质差异。
检测方法：统计前300字中，以"她/他/角色名/她的/他的"开头的句子占比。
| 主语重复率 | 判定 | 操作 |
|---|---|---|
| ≥ 80% | AI高风险 | 必须拆洗 |
| 60%-80% | 关注 | 建议优化 |
| < 60% | 正常 | — |
拆洗方向（来自实战案例统计）：
经验门槛：连续3句以上同一主语开头，至少拆1句为无主句或逆序句。
来源：虎嗅网《AI落地的苦，没有人比网文圈更懂》采访番茄/七猫编辑；本仓库研究报告。
当去味完成后，按以下编辑判定AI的优先级顺序做自检（越靠前的项目权重越高，不要只修最低优先级的"文笔漂亮"）：
反直觉提醒：第6项（文笔精细度）是去味中最容易被误判的方向——不要削足适履地把好句子改差来"显得不像AI"。好文笔不是问题，均匀性和模板化才是。
来源：知乎专栏文章《AI 写的小说会被检测出来吗？讲讲原理，别被焦虑带偏》Majx，2026-07-07。
以下原则帮助建立对AI检测的正确认知，避免在去味过程中被焦虑带偏方向。
AI检测的四大信号——高频套话、用词太平滑、风格过度一致、结构模板化——恰好也是读者弃文的四大原因。一套好的去味流程，既降低了被检测的概率，也提升了读者的阅读体验。这不是两件需要分别做的事，而是同一件事的两面。如果某个去味操作让文本"更不容易被检测"但"更难看了"，说明方向错了。
决策指南：当在去味中遇到"改还是不改"的犹豫时，优先问"改完读者读着更舒服吗"，而不是"改完AI率更低吗"。两者的方向在好的去味中应当一致，若不一致，以读者体验为准。
主流AI检测工具输出的不是"是/否"二值结果，而是AI率或概率评分。处理过的文稿风险是可控的——没有哪个正规平台仅凭工具评分就直接判定。去味的目的是把"被高置信判定"的概率降到合理区间，不是追求检测率归零。相比纠结检测分数，更值得关注的是章节正文的逻辑一致性、人设稳定性和对话自然度——这些才是编辑审稿的真正重心。
去味工具和疲劳词表能压制可量化的破绽——高频套话、均匀句长、模板化结构——能把"像人写"做到八九成。但"有没有灵魂、像不像这个作者"这最后一道判断，必须由人来完成。工具可以辅助诊断和局部改写，但不能替代作者的判断力、风格选择和对故事的理解。指望工具把粗糙的生成稿洗成精品，是不现实的。
去AI味的技术服务于两个合法目标：提升作品质量和通过平台审读。它不是用来造假、抄袭、或绕过原创审核的工具。所有去味操作都必须建立在"这是我自己创作的内容"的前提下。
底线：保留创作过程记录（引用原则五），在被误判时有据可查。既不要因为焦虑而放弃使用工具，也不要因为工具方便而逾越创作伦理。
写作时使用支持版本历史的工具（VS Code 的本地历史、Git 提交记录、腾讯文档、飞书文档等）。这些记录不是用来审查自己的，而是在被误判时最有力的自证证据。这虽然不是去味的技术方法，但能让你在创作时更放松、更有底气——敢写真实的内容，而不是为了"安全"写成机器腔。
来源：知乎答主"铷洱"《网文的下一个突破点会是什么？》（2026-07-03）；本仓库整理。 证据充分性：一般（行业趋势判断，单篇观点） 置信度：中 适用层：去味的上游动机层——在执行具体去味技术前，先建立对"为什么要去味"以及"AI时代作者应该拼什么"的正确认知。
当AI能够把模板化爽文写到80分水准时，套路赛道上的竞争已经没有意义了——读者不再需要人类作者为他们提供"标准配置"的升级打脸恋爱文，因为AI能以更低成本、更高效率完成这类内容。这不是威胁，而是信号：它告诉人类作者，你应该彻底放弃和AI比套路。
核心推演：
AI写不出来的不是"更好的套路"，而是：
很多作者把去AI味理解为"隐藏AI痕迹"——这是一种防守型、焦虑驱动的错误认知。
正确的战略认知是：去味不是为了让你看起来不像AI，而是为了让你的个人印记更清晰地穿透文本。你的目标是让读者读完一章后感叹"这肯定是XX写的"，而不是"这不知道是人还是AI写的"。
未来的高效写作流程不是"人类写全部→去味"，而是：
AI负责：开头框架 / 章末钩子候选 / 场景骨架 / 设定一致性检查
人类负责：核心情绪选择 / 角色声口 / 认知型爽设计 / 个人偏见注入 / 叙事节奏裁断
这套分工不是"人做一半AI做一半"，而是各尽其能——AI处理可模板化的结构性工作，人类专注那些AI无法复制的个人化表达。去味技术的真正价值在人类的"注入"环节之后：确保个人印记没有被AI的标准化表达冲淡。
最终原则：当AI把所有套路文写到80分的时候，剩下的赛道全是人类的——你只需把自己活成一个有血有肉、有偏见、有执念、有创伤、有热爱的人，然后把这些写进故事里。这不需要技巧，只需要勇气。
这九条原则不与本 Skill 的技术方法（十大结构指纹、量化指标、三档手术强度等）并列或竞争。它们是去味的上游心态层——在动刀之前先确认"我写的这一段，首先是一段有人声、有来源、有立场的文本"。技术工具解决的是"洗掉假"，创作原则解决的是"长出真"。
"不要为了通过机器的检验，把自己变成一台机器。读者需要的，是真实的我们。"
来源：Jake Orlowitz（穆双译）《人们总说我的 AI 作品是金子——提高AI作品可读性》（知乎专栏，2026-07-11）。原作者为《纽约时报》撰稿人，描述其将 AI 初稿提炼到"记者看不出破绽"的多轮流程。
模型递给我的是矿石。任何值得阅读的内容都源于我后续的提炼。人们想象的是敲击键盘和一杯咖啡的功夫，而真正的工作发生在接下来的一个小时里。
这个认知直接影响去味时的战略判断——不要期望 AI 一次生成就是成品。去味的对象不是"写得不好的 AI 文本"，而是"未经提炼的矿石"。心态决定你愿意花多少轮、多少精力去打磨。
以下流程基于实战验证，适用于需要将 AI 生成稿提升到"看不出破绽"级别的精炼场景：
第1轮：精确提示 → AI产出初稿（矿石）
第2轮：增补缺失 → AI加入模型遗漏的组件/线索
第3轮：事实核查 ← 必须独立进行（见下方警告）
第4轮：剥离惯用痕迹 → AI去掉三点列举/跷跷板句式/宠词
第5轮：自批评重写 → 新对话·批判性评分·按评分重写
第6轮：三位读者框架 → 写作教师/领域专家/怀疑论者
第7轮：人工终审 → 读出声，找死点，换活词（不可由AI代劳）
这是投入最少、回报最高的操作：
为什么有效：AI 在同一对话中会持续维护对已生成内容的"自信"。新对话切断这种惯性，让它能以更客观的批评者视角审视同一份文本。
与事实核查的关系（关键）：自批评重写轮捕捉的是清晰度和写作技巧问题，它无法可靠地捕捉到错误日期或站不住脚的论点。所以事实核查必须是独立的一轮——而且在前。把这两步混在一起做，你得到的只会是对一个原本就错误的句子进行自信而精炼的改写。
精炼的最后阶段，想象三位特定读者：
| 读者角色 | 关注的缺陷 | 问法 |
|---|---|---|
| 写作教师 | 死板的句子、没有脉搏的段落、节奏僵硬 | "这段读起来有呼吸吗？有没有一句话可以删掉而不影响任何东西？" |
| 领域专家 | 事实错误、逻辑跳跃、不合理的专业细节 | "这个说法经得起推敲吗？一个真正懂行的人会在这里皱眉吗？" |
| 怀疑论者 | 论证是否说服人、是否有预设立场 | "凭什么相信你？这段有没有在偷换概念或回避真正的问题？" |
实操方法：在 AI 精炼对话中，明确说出三位读者的身份特征和各自等待发现的缺陷，要求 AI 以"他们各自的语气"给出诚实反馈。然后收集全部反馈，要求基于此做一次全面重写。
最后 25% 的工作必须由人类手动完成：
大多数 AI 辅助写作正是在事实核查这一步功亏一篑。
不单独做事实核查的后果：
实操规则：在剥离惯用痕迹之后、自批评之前安排独立的事实核查轮。要求 AI 逐一标注每项事实的置信度（可验证/推测/不可验证），并对不可验证项给出替代方案。
本工作流不替代本 Skill 现有的十大结构指纹诊断、四维病灶检测、三档手术强度决策等核心技术方法。它是在技术诊断之上的执行流程——告诉你什么时候做什么检测、什么阶段用什么工具：
在完成第7轮人工终审后，执行统计模式对抗（统计模式对抗与人味编辑终审方案.md §二）+ 人类指纹注入（§三）+ 三视角终审模拟（§四）。这三步共同构成"人味编辑终审 + 统计模式对抗"的完整闭环。
如果这三步后仍有问题 → 标记为"当前技术条件下最优版本"，记录未解决维度。
本 Skill 已吸收外部共享 deai-rules 的通用识别框架，但已按本仓库的中文网文场景改写落地：
## AI味深度诊断）：当常规去味后文本仍然"读着像AI但挑不出具体毛病"时，进入九大结构指纹扫描——前六项覆盖文本结构层（感官均匀轰炸、比喻公式套娃、节奏全程匀速、内心独白过度条理、元叙事总结口吻、职业设定教科书执行），后三项覆盖创作逻辑层（模板机械复现、术语历史嫁接、过度合理缺失盲区），辅以四项量化检测指标（破折号异常率、句长标准差、感官词密度、转折扣密度）。这些是高级AI润色/扩写后的深层痕迹，常规模板腔检查无法覆盖。../通用-执行场景单元/references/知乎精华_文笔四维与交互框架.md 第三节。references/OS叙事拐杖检测增补.md。来源：自知乎精华《如何写好一个优质的长篇小说？》（摘星，2026-06-17）。
以下四则硬规则是去AI味检查的上游前置约束——在诊断AI味之前，先确认正文是否遵守了网文叙事的基本纪律。这四则不是"写得更好"的建议，而是"不要踩的底线"：
通用-设计人物传记 的"人物对话参与度设计"与"表达DNA"），不能只在去味阶段临时改写。四则规则的优先级按从上到下排列。规则一（视角统一）是底线中的底线——视角混乱对读者造成的阅读障碍 > 台词同腔化 > 情绪直白 > 环境过多。但如果四条同时出现问题，优先修复视角和台词风格（规则一和规则三），因为这两条直接影响读者的代入感和角色辨识度。
来源：知乎·Raymond《AI味，不是AI的味》（2026-07-02，149 赞同）。核心论点：AI味是一种文体特征（信息优先于体感、结构优先于节奏、完备优先于取舍），不是一种来源——人也写得出来，机器调教后也能避开。
以下三轴框架是本 Skill 所有诊断规则的上游组织原则。在执行任何具体指纹扫描或病灶检测之前，先用三轴做一次"文体层面"的快速定位。
| 轴 | AI味倾向 | 人味倾向 | 改稿时的自检问题 |
|---|---|---|---|
| 体感轴 | 信息优先于体感——句子在传递正确信息，但没有还原任何身体感受 | 体感优先于信息——读完后脑中有一个具体的感觉画面 | "这句话是在传递信息，还是在还原一种感受？如果只有信息没有感受→改写" |
| 节奏轴 | 结构优先于节奏——段落之间的转折是因为"结构需要转"（首先/其次/最后），而非思路自然走到这里 | 节奏优先于结构——过渡靠语气和思路的自然流动，不是显式路标 | "这个转折是因为结构需要才转的，还是思路自然走到了这里？如果是前者→拆掉结构" |
| 取舍轴 | 完备优先于取舍——每一个可以展开的地方都倾向于展开，每一个可以加一层的地方都倾向于加 | 取舍优先于完备——该说的说完就停，不该说的根本不会出现 | "不写这句话，文章是不是就缺了？还是写了之后只是'更全'？如果是后者→删掉" |
使用方式：拿到一段需要去味的文本时，先不用任何具体检查清单，只用三轴各问一次。通常问完就能定位"这一段的AI味主要出在哪根轴上"——是体感缺失（只有信息没有画面）、节奏机械（结构驱动而非思路驱动）、还是取舍失当（想说的全说了没有留白）。
适用于评论、分析、讲稿、写作研究等非小说文本的去AI味场景。小说正文的AI味诊断仍以九大结构指纹为主。
| 症状 | 识别信号 | 改法 |
|---|---|---|
| "不是…而是…"滥用 | 中文AI写作中频率最高的句式。变体包括"是…不是…""不只是…更是…""与其说是…不如说是…"——识别关键不在于具体变体，而在于：作者是在正常陈述，还是在刻意制造转折？ | 人顺着说，AI翻过来说。把"不是A，而是B"改成直接陈述B。一篇文中出现≥3次→必须拆掉至少2处 |
| 英文句式硬译感 | 破折号滥用（中文读者不习惯满篇破折号）、过长的嵌套从句（英文三层定语从句→中文读到第二层就喘不过气） | 破折号→改成逗号或拆成独立句。长嵌套从句→拆成2-3个短句，按中文语序重组 |
| "首先…其次…最后…综上"全套 | 无论题材是否需要，这套四件套几乎成了AI议论文的标配。人类写议论文靠语气过渡，不需要显式路标 | 删除全部显式序列词。用段落之间的逻辑关系自然过渡。如果删掉后读者无法理解顺序→说明论证本身没有逻辑递进，先修论证再修表达 |
| 连接词机械堆砌 | "此外""同时""并且""然而"——人类写中文时很多过渡靠语序本身完成，根本不需要这些词。AI不放心，每一句都要和上一句显式挂钩 | 删除50%以上的连接词。用句序本身表达逻辑关系（因果靠先后、对比靠并列、递进靠具体化） |
| 不需要比喻的地方硬塞比喻 | 议论文本来靠论证推进，AI却总忍不住往里插意象——"像一把无形的刻刀""一条令人心碎的轨迹"。人类用比喻是想了好久才找到一个贴切的；AI随时随地都能掏出比喻，毫不犹豫 | 删。议论文中每个比喻都必须能回答"不用这个比喻，论证是否受损？"如果答案为否→删除。比喻太廉价了，像批发的 |
适用于小说正文、散文等文学性文本。这是比九大结构指纹更底层的判断维度——它不回答"有什么症状"，而回答"句子是怎么产生的"。
| AI倾向（效果倒推） | 人类倾向（体验顺推） | |
|---|---|---|
| 句子发生方式 | 从修辞效果出发——先决定"这里需要一个比喻/一个画面"，再从语料库里拼装成句 | 从身体体验出发——先有一个真实的身体感觉，再想办法说出来 |
| 典型表现 | "寒意刺进她的胸膛"——主语是"寒意"、动词是"刺进"、宾语是"胸膛"，整个句子从修辞效果倒推出来 | "她胸前一冷"——主语是人、动作是感知，没有比喻、没有修辞意图 |
| 检测方法 | 把每句话的主语圈出来。如果大量句子的主语是无生命的抽象名词在执行人类动作（"寒意刺进""悲伤淹没""希望照亮"等），即为倒推 | 如果主语是有感知的人、动作是具体感知或行为（"她感到冷""他往前走"等），即为顺推 |
关键认识的纠正：流传很广的一个说法是——人类写"寒意刺进她的胸膛"，AI写"寒意刺进她第四节胸椎"。实际上，"寒意刺进她的胸膛"恰恰是最典型的AI写法（效果倒推），而"第四节胸椎"在特定上下文里（外科医生视角、先锋文本）完全可以是人类的精确选择。判断标准不是"精确度"，而是"句子的发生方式"。
这两种信号比句式/比喻问题更深、更难察觉，但一旦被识别，是AI味最强力的证据。
定义：AI从大量网络语料里提取高频零件，按统计规律重新拼合出的表达——表面有口语质感，但没有任何真人社群真正使用过。
识别信号：
示例：
检测与处理：
定义：AI知道过于正式会暴露自己，于是在整齐的分析性语句中定点投放口语词——投放位置和频率都透着算计。
识别信号：
与真正口语化写作的区别：
检测与处理：
识别信号：人类在议论文/非文学文本中用比喻，一般是想了很久才找到一个贴切的。AI用比喻是随时随地都能掏出一个，而且掏得毫不犹豫——这种流畅本身是破绽。
检测：非文学文本中，比喻密度 > 每500字1个 → 标记。比喻的功能如果不能回答"不用它，论证是否受损"→ 删除。
当前网文领域，AI辅助写作已进入"半公开"阶段。传统的AI味识别（模板腔、解释腔、均匀句群）只能抓表层机器痕迹。以下九种深层结构指纹（前六项文本结构层 + 后三项创作逻辑层）是高级AI润色/扩写后的文本最难以洗掉的特征——掌握这些，才能从"句子像AI"识别到"整章有AI深度参与"。
识别信号：全文几乎找不到一句"中性叙述"——每一句都在调动身体感官（疼、热、冷、嗡鸣、视野模糊、膝盖冰凉、心跳撞击胸腔），没有"她跪在地上，周围是灵堂"这种不带身体感受的白描。
为什么是AI特征：人类作者的注意力有起伏——写到紧张处可能专注痛觉忘了听觉，写到情绪沉浸时感官描写就松了。但AI一旦被训练成"要用身体感受来写"，它不会忘——会在每一段、每一个场景、甚至每一个动作里都执着地执行。
拆洗方法：
识别信号：比喻密度极高，且全部遵循同一个公式——"A像B——（然后加一个精炼的解释或否定）。"
示例：像隔着一层水听人说话。像墨水洇在宣纸上最中心的那一滴。像往抽屉里放一件重要的东西，关上抽屉，知道它在哪。按住左胸口——不是怕。是怕心跳声被屋里的人听见。
为什么是AI特征：AI学到"好的比喻要具体、要加解释让它更独特"后，会在每个能用比喻的地方都套这个公式。人类也会用，但不会用得这么密集、这么结构统一。而且最要命的是——"不是怕。是怕心跳声被听见"这种精准命名情绪并做出修正的写法，是人类在极度紧张时不会做的，真实恐惧中的内心独白是破碎的、重复的、语无伦次的。
拆洗方法：
识别信号：从第一章到最后一章，全篇维持同一种"高密度、高张力、每句话都要有信息量"的匀速节奏。没有松弛的段落，没有"只是交代信息就过去"的过渡句，每一段都在努力"写得好看"。
为什么是AI特征：人类写作时思维有快有慢、注意力有集中有涣散、情绪有高涨有平复——这些都会反映在节奏上。有些段落急促（短句、快切），有些段落舒缓（长句、沉浸）。AI不会累、不会走神、不会在某一段只想草草交代完信息就翻过去。这种"全程高能"在人类长篇连载中几乎不可能持续。
拆洗方法：
识别信号：
为什么是AI特征：AI对"深度心理描写"的理解是逻辑化的、分条列的、分析性的。真实人类在恐惧/愤怒/悲伤中的内心独白是破碎的、跳脱的、有时甚至不合逻辑的。AI会把人类的模糊感受整理得太干净、太有条理——这本身就是假。
拆洗方法：
识别信号：在关键转折点出现叙事层面的总结句，像电影旁白在向观众确认设定收束。
示例："她进了那本书。她现在是沈昭宁。" / "从这一天起，一切都变了。" / "她不知道，这只是一个开始。"
为什么是AI特征：AI被训练时要求"逻辑清晰、设定明确"，它会主动在关键节点做总结性陈述来确认读者没有掉队。人类作者更倾向于让设定在情节中自然显影，不需要主角站在灵堂里对自己说"我现在穿书了"。
拆洗方法：
识别信号：角色是律师，就写"已知/未知列表"；角色是医生，就写诊断推理流程图；角色是程序员，就写逻辑分支树。AI对"专业角色思维"的还原是教科书级的——太标准、太干净、太像职业培训手册中的案例。
为什么是AI特征：真实专业人士的日常思维是混乱的、跳跃的、掺杂了个人经验和偏见的。一个做了八年的律师不会在脑海中列"已知/未知"——她会直接跳到最可疑的那个点，因为经验告诉她在哪里下嘴。
拆洗方法：
识别信号：作品在关键节点密集使用该题材在AI训练数据中的高频模板——
为什么是AI特征：AI对"穿书文"的理解不是从情节逻辑出发，而是从训练语料中的共现频率出发。它不知道"倒计时式复仇宣言"在人类创作中是一种需要被掩饰的技巧（人类作者通常会把它藏在角色的具体行动和选择里），因为它看到的训练数据里全是这种显式的版本。
拆洗方法：
识别信号：现代专业知识被直接套用于古代/异世界场景，命名和推断路径完全脱离当时当地的认知框架——
术语层（原始版）：
制度层（扩展）——AI 在古言/古代设定的关键制度点上，会把现代制度直接嫁接入古代语境：
数字层（扩展）——AI 在数字表达上缺乏语域一致性：
为什么是AI特征：AI能复刻训练数据中"法医学知识"的词条和定义，但无法模拟"一个从未接触现代化学的古代人如何逐步接近中毒这个事实"的认知历程。人类作者若写此类情节，会设计角色通过《本草纲目》类古籍、民间偏方、老郎中的经验口述等方式逐步推测——中间有误判、有盲区、有基于错误前提的正确结论。AI可以直接从A跳到Z，因为它的训练数据里A和Z是关键词关联的。
拆洗方法：
翻译腔层（扩展）——AI生成中文文本时，海外模型常带出翻译腔，尤其在"稳、硬、推、强"四个万能字上高发：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§09 翻译腔重
| 万能字 | AI高频用法 | 人类更自然的写法 |
|---|---|---|
| 硬 | 能力很硬、方案很硬、约束很强（来自英文hard/hardcore） | 能力很强、功能扎实、约束更强 |
| 稳 | 表示"可靠"时全用"稳"（稳运行、稳交付） | 失败率低、结果可复现、流程可靠 |
| 推 | 一个"推"涵盖所有动作（推荐工具、推送通知、推动执行、推进任务） | 按具体动作拆：推荐用"推荐"、推送用"发"、推动用"协调" |
| 强 | 万能好评（强能力、强抓手、强支撑）——读者只知道在夸，不知道强在哪里 | 具体到"哪个方面如何优于基准" |
拆洗方法：
语序层（扩展）——AI偏好"抽象名词提前"的英文语序，中文习惯先说人和事：
识别信号：所有线索线性闭环——皮肤暗沉→中毒→母亲之死→同一毒物——全程无一次误判，无一个认知盲区，无一个"基于当前证据的合理但最终被推翻的假设"。
为什么是AI特征：AI为规避逻辑风险，倾向于让叙事"每步都对"。真实人类创作（即使是经验丰富的作者）中，角色会有认知盲区——她们会误判、会忽略关键线索、会基于偏见做出错误推断然后在后续章节中被现实打脸。这种"失控感"是AI难以模拟的：AI不理解为什么一个聪明的角色应该犯错，因此它的角色总是"在看到足够证据之前不下结论，在证据充分时结论绝对正确"——这本身就是一种非人类的行为模式。
拆洗方法：
识别信号：正文中大量使用"情绪形容词"替代具体的动作描写——"他很愤怒"替代"他一拳砸在墙上"，"她很害怕"替代"她缩进墙角，屏住呼吸"。这种描写方式的本质是用解释替代呈现，是AI味的重要根源之一。
对比诊断：
❌ 形容词告知（AI高发）：房间里很安静，气氛很压抑。他是一个悲伤的老人，眼神里充满孤独。
✅ 动词呈现（人写版本）：老人坐在窗边。阳光爬上他的手背，停了一下，又缩了回去。他没有动。桌上的茶凉了，他也没动。
核心原理：形容词是"替读者做判断"，动词是"让读者自己判断"。前者让读者变懒，后者让读者上瘾。AI模型倾向于使用形容词，因为形容词在训练数据中与情绪词共现频率高、生成路径短；而精准的动词选择需要更多的语义推理。
"动词匮乏"的量化判断基准：
拆洗方向：
训练工具：一周禁词令——未来一周禁止使用任何"高兴、悲伤、愤怒、害怕、惊讶"类情绪形容词，出现一次罚写500字动作描写。一周后你会发现文字活了。
来源：知乎专栏「中国网络文学研究」#45《很多人不知道，写小说，这个技巧能让你脱胎换骨》顾里木图的小酒馆 置信度：高 — 从原理到案例到训练方法完整；与 §「情绪表达层级叠加诊断」互补但不同维度，"层级"看情绪藏在哪层，"动词"看动作是否替代了形容词
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§05 例子不落地
识别信号：正文中出现"看起来像案例，其实没发生"的假例子——有案例框架（"比如""举个例子""我有一个客户"），但没有具体的时间、任务、角色、动作和结果。
❌ 假案例（AI高发）：一个内容创作者通过AI优化选题、提高效率、降低成本，最终提升了内容质量。
✅ 真案例：我让AI检查一篇工具测评稿，它很快给出十几条修改建议。真正有用的只有两条：一条指出开头没有说明使用场景，另一条提醒我把"适合办公"改成"适合把会议录音整理成纪要"。剩下的建议，大多只是把句子改得更顺。
为什么是AI特征：AI的"举例"机制是从训练数据中抽取"最像案例"的模式拼合而成——它无法锚定到具体一次任务、一个时间点、一个真实的人说过的一句原话。例子换到任何账号、任何场景下都成立——这正是假案例的本质。
量化判断基准：
拆洗方法：
识别信号：在正文中发现以下任何一种模式，即为极端高风险AI信号（人类写作中几乎不可能出现）：
为什么是AI特征：这几种模式共用一个源头——AI在生成序列时对"当前位置需要精确信息"的感知力极弱。当它无法从上下文中提取精确值时，会猜测后输出一遍、再猜再输出，直到猜测的残次版全部留在正文里。人类作者对"我不确定"的反应是模糊化（"几天后""某个深夜"），而非猜测+输出的循环。
拆洗方法：
来源：虎嗅网《AI落地的苦，没有人比网文圈更懂》、爱范儿报道、网文编辑社区观测；本仓库《朱雀AI检测机制与应对手段研究报告》。
DeepSeek-R1/V3系列模型在网文生成中有独特的文风特征，被编辑统称为"DS味儿太浓了"。这些特征与普通AI味不同，有其特定的识别信号和拆洗策略：
DS生成的章节开头常堆砌精确数字——"二十七层楼、三千六百秒、一百四十三人"，用精密感制造"真实"，实则过度。
拆洗：保留最关键的一到两个数字，其余模糊化处理。"三四个人""几分钟"比精确计数更自然。
DS在强化学习中对"创造性"的偏好导致比喻过度密集——且比喻质量高但出现位置不合理。
拆洗：统计全章比喻密度，超过"每千字2处"即触发警报。删除至少一半，只保留与当下情境情绪直接绑定的那一个。
在不需要描写的段落塞入大量意象（"暮色像打翻的砚台，楼道里的声控灯在咳嗽，墙皮像剥落的旧海报"）。
拆洗：每个场景锁定1个核心意象做主角，其他全部清掉。意象服务于当下角色情绪，而不是堆出来展示文字能力。
DS内容容易从当前主线细节展开不必要的"联想分支"——在追凶时突然描写天气像什么、在对话中突然插入环境感官轰炸。
拆洗：每个段落的每一句话，先问自己"这一句有没有推动当前小目标"。没有就删，不让读者在紧张节奏中被拉去逛风景。
DS偏好"前半句-逗号-后半句"长度相近的平衡句式，导致全文读起来像在打拍子。
拆洗：扫全文对称句，把至少一半拆成不等长结构——长句配短句、完整句配碎片句，打破平衡感。
来源：本仓库《朱雀AI检测机制与应对手段研究报告》核心发现。该报告指出，AI检测最敏感的七大敏感特征中，有六条直接与"均匀性"相关。
检测工具最敏感的既不是用词好坏，也不是逻辑对错，而是**"均匀性"**——文本在多个维度上是否过于整齐划一。以下六条检查项，去味完成后逐条过一遍，有任何一条中招即应返回调整：
| 检查项 | 危险信号 | 去味方向 |
|---|---|---|
| 段落长度 | 每段3-5行，节奏无变化 | 穿插1行短段和8-10行长段 |
| 句长分布 | 全部7-15字，无长短交错 | 2-5字短句占≥10%，25-40字长句占≥15% |
| 细节密度 | 重要场景和过渡段落"分量一样" | 关键场景多细节，过渡段故意少写 |
| 情感曲线 | 全文语气平稳一致 | 兴奋/紧张时短句加速，低沉时长句舒缓 |
| 段落质量 | 每段都打磨到一样好 | 允许局部"不够好"的过渡段落 |
| 逻辑推进 | 每一步都严丝合缝 | 允许跳针、留白、信息推迟释放 |
反直觉结论：把每一段都写到同样好，反而增加AI嫌疑。人类写作天然有"高能段落"和"只是过场"的波动——去味的目标不是整体提优，而是恢复这种自然的"不均匀"。
以下指标是AI风格文本在统计层面的稳定特征。当单个指纹的读感判断不确定时，用下述量化指标辅助决策。
测量方式：统计全文破折号占总标点符号的百分比。
| 阈值 | 判定 | 说明 |
|---|---|---|
| ≤ 1.5% | 正常 | 人类网文创作的平均水平 |
| 1.5%–2.5% | 关注 | 偏高，需结合其他指标判断 |
| > 2.5% | AI高风险 | 显著超过人类平均值（~1.1%） |
为什么是AI特征：AI倾向于用破折号做"强行解释"——"不是天生的。是毒。"——因为它的训练数据中这种"断裂-补逻辑"的模式极为高频。统计全文中用于解释/补逻辑的破折号占比：若 > 80% 的破折号用于解释性插入，则AI置信度极高。
测量方式：计算全文中所有完整句子的字数标准差。
| 阈值 | 判定 | 说明 |
|---|---|---|
| ≥ 8 字 | 正常 | 人类长篇创作的典型波动范围 |
| 5–8 字 | 关注 | 偏均匀，缺乏长短错落 |
| < 5 字 | AI高风险 | 节奏过于均匀，"会写"但没有呼吸感 |
操作提示：AI文本的句长标准差极窄（4-5字），说明每个句子在长度上几乎没有变化——这是机器优化到"最佳阅读体验"的副作用。人类即使刻意控制句长，也会在情绪波动处自然出现标准差 > 8。
测量方式：统计"疼""痛""烧""冷""钻""刺""嗡""钝""麻""辣"等身体感官词 + 描述疼痛的比喻（如"像火燎""像针扎"）的总出现次数 / 千字。
| 阈值 | 判定 |
|---|---|
| ≤ 2 次/千字 | 正常 |
| 2–4 次/千字 | 关注——身体感官描写偏密集 |
| > 4 次/千字 | AI高风险——感官轰炸式写作 |
测量方式：统计"不是X。（而）是Y"或"不是X——是Y"结构每千字出现次数。
| 阈值 | 判定 |
|---|---|
| ≤ 0.5 次/千字 | 正常 |
| 0.5–1.5 次/千字 | 关注 |
| > 1.5 次/千字 | AI高风险——过度精确的情绪命名和修正 |
测量方式：统计以下中文AI高频词在正文中的总出现次数 / 千字。词库分三组：
画卷、诠释、迷离、氤氲、仿佛、宛如、宛若、犹如深邃、璀璨、斑斓、微凉、温热、细碎、斑驳嘴角（勾起/扬起/扯出）一抹、眸中（闪过/划过/掠过）一丝、喉间（发出/溢出）一声| 阈值 | 判定 |
|---|---|
| ≤ 1 次/千字 | 正常 |
| 1–3 次/千字 | 关注——建议结合结构指纹判断 |
| > 3 次/千字 | AI高风险——词库式写作，词汇密度远超人类均值 |
词库可按题材扩展：穿书文追加
倒计时、剧情、原主、书中；系统文追加面板、礼包、加点、任务。
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》"写在最后：AI味大致可以归成三类"
本框架将AI味的12大类症状归为三层类别，作为快速诊断的分级入口。去味前先判断当前文本的AI味主要落在哪一层，再决定优先下刀层。
| 层级 | 名称 | 包含症状 | 诊断聚焦 | 优选下刀策略 |
|---|---|---|---|---|
| 第一层 | 结构上的AI味 | 结构太完整（提纲完整病）、清单扁平化（缺优先级）、段落太整齐（节奏匀速）、假节奏（无期待曲线） | 正文的骨架是否过于规范、工整、"什么都说了但没重点" | 先做"主次判断"——砍掉为了完整而写的段落，制造信息不对称 |
| 第二层 | 表达上的AI味 | 抽象词太密、句式用太多（不是/而是等）、修辞太用力（比喻堆砌）、翻译腔重（稳硬推强万能词） | 句子的信息密度——删掉抽象词和信息量未增加的修饰后，剩下的信息是否够 | 先删抽象词和万能句式，再处理修辞和翻译腔 |
| 第三层 | 内容与观点上的AI味 | 观点太安全、例子不落地、太爱升华、观点不清晰（模糊归因）、结尾套话 | 内容是否有真实落点——是否有具体的判断、可核实的案例、和作者位置 | 先补观点（明确取舍）和锚点（给案例补时间/角色/动作/后果） |
使用规则：
识别信号：全文或整章在"节奏"层面感觉不对劲——不慢、不拖、每句都有信息量、每段都在推进，但就是缺少"读者知道要来了但还没来"的期待感区间。把本章概括出来，就是"主角做了A→做了B→做了C"的平推清单。
为什么是AI特征：AI被训练的目标是"生成连贯、信息完整、逻辑自洽的序列"。它天然倾向于把所有信息按最佳顺序排好、一次性交付给读者——这是"信息传递"的思维，不是"叙事节奏"的思维。真实叙事的节奏包含蓄力、延迟、刻意吊胃口这些"信息上不高效但读感上高效"的设计。AI不会主动选择"此时应该先不告诉读者答案，让读者等两段再揭示"——因为在信息论层面这是"低效"的，但对于读感来说这是"有效节奏"。
与指纹3（节奏全程匀速）的区别：
拆洗方法：
插入"延迟区间"：找到本章最关键的揭示/爆发/回报点，在它之前故意插入1-2段蓄力内容（角色观察环境、对手的细节动作、一个将爆未爆的信号）——不是拖字数，是给读者一点"啊要来了……"的时间。
把"直接揭示"改为"分步逼近"：一个关键信息不要一次性交代完，拆成信号→逼近→确认三步。
制造"读者知道但角色不知道"的信息差：这是打破线性推进最有效的手段。让读者提前知道一个角色不知道的关键信息，读者就会在角色犯错的边缘紧张等待。
允许非必要内容的"氛围留白"：在和关键剧情无关的过渡段落，可以写一句"只是交代气氛"而不推进任何信息——真实人类的注意力并非永远高效。
验收标准：去味后的文本，把"主角做了A→做了B→做了C"的概括骨架写出来。如果读骨架感觉"这是一路推进"，而去味后的全文读感是"有起伏、有期待、有释放"——说明假节奏已修复。如果两者读感差异不大，说明去味未覆盖节奏层。
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§01 结构太完整
识别信号：AI把内容写成"背景→原因→方法→总结"的完整结构，每个部分都被平等照顾、面面俱到，但读者读完后找不到"这篇到底想强调什么"。真人写作会有主次、有停顿、有取舍——知道哪里该展开，哪里可以一句带过。AI稿的问题是每一层都被照顾到，最后看起来很全，读起来却没有推进。
与指纹3（节奏全程匀速）和指纹11（假节奏）的区别：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§02 太爱用清单
识别信号：正文大量使用"三类原因、五个方法、七个步骤、十二个信号"的清单格式，且每一点平均用力、没有优先级。清单一多，文章就容易变成"每一点都说一点，每一点都没说透"。
为什么是AI特征：AI的"列举"机制源于训练数据中的结构化知识——它能识别出"某个概念有N个方面"并整齐列出。但AI不理解"哪一项最危险、哪一项可以先忽略"——因为优先级判断需要作者主观经验，不是统计共现能给出的。
量化判断基准：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§04 观点太安全
识别信号：全文的判断句都用"一方面……另一方面……""既……也……""总的来说"来保持平衡——赞成谁不写、反对谁不写、优先做什么不写、哪些做法不建议碰也不写。读者读完知道"这件事很复杂"，但不知道该往哪个方向走。
与原则四（表达鲜明的观点）的关系：原则四定义了"应该怎么做"的方向，本项提供更具体的检查清单和拆洗方法——两者是"纲领→执行细则"的关系。
量化判断基准：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§10 太爱升华
识别信号：正文在段落末尾或章节结尾处，从不就事论事——明明问题只是"这篇稿子为什么像AI"，它突然跳到时代变化、生产关系、个人成长、长期价值。基础答案没给够，就先拉高到抽象层面。
与指纹5（元叙事总结口吻）的区别：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§12 结尾套话
识别信号：章节或段落结束时，出现"总结三点→升华一句→号召行动"的固定模式。总结只是在重复标题或前文内容，没有增加新信息；号召缺乏具体的下一步指向。
拆洗方法：
来源：知乎·路过银河《让 AI 写得更像人：5 个值得安装的写作 Skill》（2026-07-12）。本 Skill 目录下已内置五款子 Skill 的完整规则文件。
本 Skill 目录下的五个子目录（humanizer-main/、Humanizer-zh-main/、stop-slop-main/、taste-skill-main/、shuorenhua-main/）各自包含一套独立的去AI味能力。它们不是本 Skill 的替代品，而是可插拔的协同模块——你可以在不同阶段按需调用，也可以按推荐编排顺序串联使用。
| 子Skill | 核心定位 | 最佳使用时机 | 语言 | 输出特点 |
|---|---|---|---|---|
| humanizer | 英文基础去味——扫描夸大意义、宣传腔、肤浅分析、模糊归因、破折号滥用、三段式排比、AI高频词、被动语态、填充短语 | 英文内容的第一道扫洗 | EN | 保留核心信息，匹配原文语调，注入个性 |
| humanizer-zh | 中文基础去味——处理书面腔、过度总结、四字结构、"收了但没说完"的收尾感、表演性技术腔 | 中文内容的第一道扫洗 | ZH | 中文AI腔专项处理，比英文版更适配中文网文 |
| stop-slop | 快速质检——8条核心规则 + 5维评分（直接性/节奏/信任感/真实感/信息密度） | 改写完成后、终审前的质量门禁 | EN/ZH | 输出评分卡，低于35/50分回炉 |
| taste-skill | 破模板增个性——拒绝默认开头、中庸结论、保险套话；逼你选立场、定语气、建节奏 | 基础去味后、需要让内容有辨识度时 | EN/ZH | 让内容"不像抄的"，有立场和辨识度 |
| shuorenhua | 场景化终审——按 chat/status/docs/public-writing 四场景分档，去掉模板感、表演腔和虚假主语，保留事实/术语/责任主体 | 最终输出前最后一轮 | ZH/EN | 改完能直接发，读起来像具体人在当前场景下表达 |
以下编排顺序来自知乎文章推荐的实战搭配，已根据本仓库的中文网文场景优化：
第1步：humanizer-zh（中文）或 humanizer（英文）
→ 做一遍基础去味，洗掉最明显的AI痕迹
→ 对应本Skill第三步（病灶初诊）+ 第四步（按档改写）的表层处理
第2步：stop-slop
→ 快速质检，砍掉残留的套路句式
→ 输出五维评分卡，任一项低于7分需针对性补修
→ 对应本Skill第六步（复检）的前置质量门禁
第3步：taste-skill
→ 注入个性——拒绝默认开头、中庸结论、保险套话
→ 对应本Skill第五步（人声回补）的上游策略层——先定调再回补
第4步：shuorenhua
→ 场景化终审，确保读起来像人在说话、可以直接发布
→ 对应本Skill第九步（统计对抗）+ 第十步（人味编辑终审）的轻量替代
五件套不替代本 Skill 的完整十步流程，而是提供分层可插拔的模块化选择：
| 本Skill步骤 | 全流程模式（完整十步） | 快速通道（四步法） | 说明 |
|---|---|---|---|
| 第一步·裁判源复核 | 强制执行 | 强制执行 | 裁判源复核不可跳过——五件套不读取人物传记和故事设定 |
| 第二步·范围确认 | 强制执行 | 强制执行 | 范围确认不可跳过 |
| 第三步·病灶初诊 | 识别雷达 + AI味高发信号 + 实战对比案例 | humanizer-zh 基础扫洗 | 快速通道用 humanizer-zh 替代表层扫描，但深度结构指纹诊断（九大指纹）在快速通道中跳过 |
| 第四步·按档改写 | 三档手术强度 + 四维病灶45条 + AI句式替换 + 句级改写 | humanizer-zh 深度改写 | 快速通道将诊断和改写合并 |
| 第五步·人声回补 | 视角塌陷修复 + 雕琢腔拆除 + 风格注入 | taste-skill | 快速通道用 taste-skill 的"拒绝默认"策略做轻量人声注入 |
| 第六步·复检 | 红线保护 + 后供血复检 + 执行清单 | stop-slop 五维评分 | 快速通道用 stop-slop 评分卡替代完整复检 |
| 第七步·回写 | 多轮诊断模板 | 同左 | — |
| 第八步·多轮迭代 | 自批评技术 + 三位读者框架 | 可选 | 快速通道默认单轮，复杂文本追加 |
| 第九步·统计对抗 | 十维度扫描 + 人类指纹注入 | shuorenhua 场景终审 | 快速通道用 shuorenhua 的场景化改写替代统计层面对抗 |
| 第十步·终审 | 三视角终审模拟 | shuorenhua 终审 | — |
使用决策：用户未明确要求"快速"时默认走全流程模式；用户说"快一点""简单去下味"时走快速通道。
来源：stop-slop Skill，基于 8 条核心规则的 5 维度量化评分。
在最终输出前（全流程模式对应第九步前，快速通道对应第4步后），必须执行五维评分。每维度 1–10 分，总分低于 35/50 分时判定为不合格，必须回炉：
| 维度 | 检查问题 | 网文场景的评分锚点 |
|---|---|---|
| 直接性 (Directness) | 是直接陈述还是绕圈公告？ | 10分=每句话都在推进情节或人物；1分=大段心理活动/环境描写不推进任何事 |
| 节奏 (Rhythm) | 句长和段长是否有变化？ | 10分=有明显长短句交替、段落呼吸感；1分=每句25-35字、每段3-5句的均匀机器节奏 |
| 信任感 (Trust) | 是否尊重读者智力？ | 10分=留白充分、不解释读者已能推断的信息；1分=每件事都要解释"为什么""这意味着什么" |
| 真实感 (Authenticity) | 读起来像人写的吗？ | 10分=能感受到具体人物在说话、有口癖和毛边；1分=所有角色同一种标准中文 |
| 信息密度 (Density) | 有没有可删的内容？ | 10分=每段都有不可删的信息或情绪推进；1分=大量可删而不影响理解的装饰性描写 |
门禁规则：
来源：shuorenhua Skill，按场景控制改写力度。
shuorenhua 的四场景分档为去AI味提供了发布场景感知——不同发布场景对"像人"的要求不同：
| 场景 | 对应网文场景 | 默认力度 | 核心约束 |
|---|---|---|---|
| chat | 作者有话说、章后小剧场、读者互动 | minimal | 保留口语感和个人习惯，只去掉端着说话的表演腔 |
| status | 章节后记、创作日志、更新通知 | minimal/standard | 保留时间线和事实，不改成"文学化"表达 |
| docs | 设定文档、写作研究、人物传记 | minimal | 保留术语和系统主语，只去模板腔不去技术性 |
| public-writing | 章节正文（默认主场景） | standard | 语域一致、去掉表演性技术腔、去掉虚假主语和收束腔 |
章节正文场景的 shuorenhua 终审清单（在快速通道第4步执行）：
shuorenhua 的保护原则（不可改内容）：
五件套的规则文件（各子目录下的 SKILL.md 与 references/）与本 Skill 的 18 个 reference 文件不重复、不冲突：
若当前服务的项目根目录存在 Agents.md，执行去AI味重写前必须：
Agents.mdAgents.md 中注册了"写作研究模板"——读取对应路径的模板文件，将其约束作为题材×平台的默认约束基线（优先级低于用户明确指定的作者风格模板，高于通用默认基线）Agents.md 中注册了"作者风格模板"——读取对应路径的模板文件，将"人声回补层"从通用"补毛边"升级为按模板定向注入（详见 references/风格注入锚点卡.md）Agents.md 中注册了"作品蓝本模板"——读取对应路径的模板文件，将其结构约束（章首模式、钩子轮换、回报间隔）作为去味时不得洗平的硬节拍参照（去味只能提纯结构拍点，不能洗平节奏）Agents.md，或其中未注册对应模板——回退通用默认模式，不报错，不阻断Agents.md 中存在 ## 语言风格配置 段——读取并解析以下子字段：
对偶区位 → 映射到去味强度的三档选择：藻丽+繁丰型保修辞但打散均匀句群；平实+简洁型保节奏但增加感官密度网文色标 → 映射到色标特异性检测（检查"均匀就是 AI"：热血风格验证短句密度是否达标，沙雕风格验证吐槽密度是否均匀）叙述者类型 → 映射到人声回补方向（吐槽型加强反讽一致性，沉浸型加强感官锚点）表达方式占比 → 映射到段落节奏裁判源（防去味洗平对话与叙述的节奏差）Agents.md，或其中不存在 ## 语言风格配置 段——回退通用默认模式，不报错，不阻断若当前服务的项目根目录存在 Agents.md 且其中声明了 主输出平台，去AI味重写前必须按命名约定加载对应的 通用-输出{平台名}版 Skill，将其平台门禁（表达风格禁忌、段落节奏偏好、读者心理特征）作为去味时不得越界的平台约束基线。若未配置主平台或配置缺失，回退通用默认模式，不阻断。
开篇（前300字/前三章）是AI味对留存率伤害最大的区域。本 Skill 在执行任何针对第1–3章的去味重写时，必须在常规指纹诊断之外，额外执行以下专项检查。
基于"人人都是产品经理"平台的AI写文实验（仿写0K/2K/10K/50K对照组）与工作区研究，以下六项在开篇中的破坏力远高于普通段落：
| AI缺陷 | 在开篇的具体表现 | 对留存率的杀伤机制 | 去味专项操作 |
|---|---|---|---|
| 均匀句群 | 前300字内每段长度相近，描写密度无起伏 | 读者找不到"重点在哪"，3段内滑走 | 必须制造长短句节奏差：紧张段用≤15字短句，平静段正常写 |
| 模板结构 | "开头→遇到问题→解决问题→结尾"的线性推进 | 读者能猜到走向，无意外感不追读 | 打破线性：用"反常事件→追问→信息错位"替代"开头→问题→解决" |
| 无真实情绪锚点 | 用"他感到……""她意识到……"描述情绪而非通过行动展示 | 情绪钩子不成立，读者无法共情 | 前200字内替换所有"感到/意识到/觉得"为具体的身体信号+动作 |
| 信息平铺无分层 | 设定/背景一次性倾倒，不做分层释放 | 造成信息过载，读者在设定墙上撞晕 | 只在前300字释放"现象"，把"解释"推迟到后续章节 |
| 章末展望口吻 | 首段或首章结尾倾向"美好的未来"或总结式收尾 | 章末无钩子，读者没有翻页冲动 | 章末必须落在认知缺口上（什么/为什么/然后呢），禁止归纳总结 |
| 过度合理化 | 每一个异常/冲突都被立刻解释，不留下未解之谜 | 读者没有追问 = 没有追读的必要 | 故意留下1–2个"不说清楚"的缺口，让读者自己追问 |
2K仿写版效果最佳；10K和50K示例反而情节跑偏、人设崩坏、AI味加重。 来源：人人都是产品经理《去「AI味儿」大作战》——AI chat写正文的对照组实验。
实操含义：若当前文本是由AI辅助生成（多轮迭代/大段扩写），前三章的质量风险随AI参与度递增。去味时不能只做表层句群清洗，必须检查结构层——确认"这一章在叙事层面是否从某个点开始跑偏"。
| 章节 | AI易产生的典型错误 | 诊断聚焦点 | 去味优先级 |
|---|---|---|---|
| 第一章 | 以设定说明开场、无情绪钩子、用"感到"代替行动、章末做总结 | 前300字的句长分布 + 情绪表达层级 | ★★★★★ |
| 第二章 | 节奏与第一章同频（无变化）、信息平铺、对话模板腔 | 第一章到第二章的节奏差异度 | ★★★★ |
| 第三章 | 首次冲突/高潮被AI写成"教科书级战斗"、章末被圆回来 | 高潮段落的真实感 + 章末是否留有真缺口 | ★★★★ |
执行规则：命中第1–3章的去味任务时，必须在去味方案中注明当前处理的是第几章，并按上表聚焦诊断。不得对所有章节使用同一套去味流程。
来源：研究报告§七·策略B"自我检测闭环"、§五·方法D"5步风格分析法"。
去味不是一次过就完事。只有经过"去味→检测→诊断→再去味"的闭环，才能确认统计特征层面的AI痕迹已被消除。以下是推荐的闭环验证流程：
在执行去味之前，将被处理章节上传朱雀检测一次，记录：
这步不是用来"证明原文是AI"，而是给后续去味提供靶心方向。
不要整章平均用力。把朱雀标红的段落作为优先处理对象，按本Skill的原则与指纹逐一拆洗。未被标红的段落不必强行改动。
修改后用朱雀再次检测，比较：
经验值：改后AI率下降30%-50%为成功。不要追求"AI率=0%"——朱雀检测本身存在±20%的波动，绝对0%不现实。
如果修改了多个段落，检查：
去AI味红线保护.md过一遍）如果一轮去味后仍感觉"哪里不对但说不上来"，或者检测结果反复横跳，执行风格基线校准：
原理：通过预先建立"个人风格指纹"，使改写结果更接近"这个人的写作特征"，而非"通用的去AI化文本"。
满足以下任意一条即可退出：
本 Skill 的结构遵循前缀缓存优化原则。去AI味重写是高频调用任务（每章可能多轮），调用时：
去 AI 味重写属于文本修订操作，使用中间温度可保留原意与结构，避免过度改写引入新的不自然。
| 阶段 | 推荐温度 | 说明 |
|---|---|---|
| 去 AI 味重写（任何强度档） | 0.45 | 方向已定，适度约束 |
通用-正文润色。通用-审阅章节正文。固定优先级：先确认范围与不可改动钉子，再做一句病灶初诊与强度定档，再按工具包改写，最后复检卖点供血、章节职责与人物声音差。
每步末尾标注了当前步要读取的 reference 文件（括号内为文件名简写，完整路径见 继续读取的 references 节），以及当前步的交付物。
动作：认真仔细阅读本章相关人物传记、故事设定/背景设定、控制卡与最新审阅结论，确认不可改动的钉子、必须保住的声口与不能洗掉的规则边界。
参考资料：人物传记、故事设定、控制卡（外部文件，不在 references 中）
交付物：心中明确的本轮"钉子清单"——哪些声口/规则/证据链不能碰
动作：确认处理范围（整章/场景/段）、题材、不可改动的钉子，以及用户是否已指定强度。若用户未定强度，展示 去AI味三档手术强度与风险卡.md 的三档说明并锁定本轮档位。
参考资料：去AI味三档手术强度与风险卡.md
交付物：处理范围 + 锁定档位
动作：先用"四维病灶"做一句话初诊：习惯用语、句式逻辑、写法口气、论证逻辑分别哪里最假。同时做 Green/Yellow/Red 初筛。
参考资料：去AI味识别雷达.md、AI味高发信号与拆洗策略补充.md
交付物：一句话病灶判断 + Green/Yellow/Red 初筛色
动作（仅当第三步初筛结果为 Yellow 或 Red，或读感为"像AI但挑不出具体毛病"时执行）：进入本文 ## AI味深度诊断 节做 十大结构指纹 扫描（注意指纹8已扩展制度层/数字层，指纹10为AI语义崩溃模式）。同时用 实战对比案例 的 13 项量化指标做辅助测量。
参考资料：本文 AI味深度诊断 节、实战对比案例——从AI稿与人工稿的差异提取可复用诊断与拆洗规则.md
交付物：触发的结构指纹清单 + 量化指标数值
动作：先默读 去AI味红线保护.md 确认本轮不改动的钉子。然后交叉使用 去AI味识别雷达.md 与 去AI味共享裁判规则补编.md，定位套话、均匀句群、内容抬升腔、模糊归因、假专业句、假钩子、回合制打斗、章节自指导览腔、交流残留与解释腔。
参考资料：去AI味红线保护.md（改前默读）、去AI味识别雷达.md、去AI味共享裁判规则补编.md
交付物：本轮要拆洗的病灶清单（套话/句群/声口/视角等逐项标出）
动作：按已锁定强度档位，结合以下文件的工具规则执行去味改写。默认同时执行"删填充、拆公式、变节奏、信任读者、删金句"五条共性原则。
AI句式替换与动作化替代清单.md 做词句级替换；辅以 去AI味句级改写工具.md 处理局部卡点去AI味四维病灶与45条规则.md（第1–30条）做段内重排 + 潜台词补入 + 交流摩擦；同时读取 去雕琢腔与透明人声校准卡.md 做人声校准去AI味三级改造与工具包.md + 去AI味四维病灶与45条规则.md（第31–45条），允许重估人物选择与代价显影所有层级通用：去AI味共享裁判规则补编.md 作为跨层基线贯穿全程。
参考资料（按强度选择）：AI句式替换与动作化替代清单.md、去AI味句级改写工具.md、去AI味四维病灶与45条规则.md、去雕琢腔与透明人声校准卡.md、去AI味三级改造与工具包.md、去AI味共享裁判规则补编.md、去AI味风格与排版补充.md、视角塌陷与五感替代诊断修复卡.md、风格注入锚点卡.md（有模板时）
交付物：修改后的小说正文
动作：用 视角塌陷与五感替代诊断修复卡.md 修复视角塌陷，再用 去雕琢腔与透明人声校准卡.md 确认"复检四问"通过，最后若有作者风格模板则用 风格注入锚点卡.md 做定向注入。
参考资料：视角塌陷与五感替代诊断修复卡.md、去雕琢腔与透明人声校准卡.md、风格注入锚点卡.md
交付物：人物声口差异确认 + 视角检查通过
动作：先跑 去AI味红线保护.md 做最终红线核查。再用 去AI味后供血与职责复检卡.md 复检卖点供血、章首抓力、中段回报、章末钩子与人物声音差。最后用 去AI味执行清单.md 做全局收尾，按 去AI味多轮诊断与回写模板.md 输出终稿。
参考资料：去AI味红线保护.md、去AI味后供血与职责复检卡.md、去AI味执行清单.md、去AI味多轮诊断与回写模板.md、去AI味风格与排版补充.md
交付物：【修改总结与原因】—【修改后的小说正文】—【后续修改建议】
动作：按 统计模式对抗与人味编辑终审方案.md §2.3 的三步闭环执行统计特征层面的对抗：
参考资料：统计模式对抗与人味编辑终审方案.md §2.2-2.5、§3
交付物：十维度对抗前后对比表 + 人类指纹注入确认
动作：按 统计模式对抗与人味编辑终审方案.md §4.2 的三视角模拟做最终把关——这是去味流程的最后一道门禁，独立于技术去味的"人味穿透力"判定：
参考资料：统计模式对抗与人味编辑终审方案.md §4
交付物：人味编辑终审报告（含三视角判定 + 综合评级 + 可疑段落标注）
《改写小说的系统方法论研究》在"语言特色识别"和"文学作品仿写专用"在"提纯语感"中共同强调：每个作者（包括当前项目的作者）都有其独特的语言指纹。去味如果把这些指纹也洗掉了，文本会变得"干净但没有灵魂"。以下三条为去味时的保留红线：
| 指纹类型 | 检索方法 | 保留规则 | 拆洗禁区 |
|---|---|---|---|
| 词域 | 当前项目作者的专属语义域是什么？（如"旧物/烟火/温度/光影"等）扫描本章正文中的高频实义词，看它们是否落在该语义域内 | 属于作者专属词域的词汇——即使看起来"有点重复"，除非每段都在出现，否则默认保留 | 不得把作者的词域词当作"重复用词"来替换 |
| 句式习惯 | 作者偏好的句式指纹是什么？（短句为主/长句为主/先否定再肯定/先写景再抒情等）提取本章前 500 字看句式分布 | 占据作者句式习惯主要地位的句式（短句占比 > 60% 或特定转折结构）——去味时可以微调比例，但不得反转作者的句式习惯 | 不得把"短句为主"改成"长短句均衡"——这是改写作者的说话方式，不是去AI味 |
| 修辞指纹 | 作者偏好的修辞手法是什么？（白描为主 / 善用比喻 / 讽刺 / 设问等） | 作者标志性的修辞手法和修辞密度——去味时可以去掉冗余修辞，但不得把作者的修辞指纹洗成"干净白水" | 不得为了"去模板腔"把作者的个性化修辞全部砍光 |
豁免条件：以上三条指纹保护规则仅在"本章正文是当前项目作者的原创内容"时有效。如果本章内容本身就是对某蓝本的仿写（即加载了作品蓝本模板），则这三条规则不适用——此时要保护的是蓝本的词域/句式/修辞，但蓝本的保护已在蒸馏流程中处理，不在去味环节重复。
【修改总结与原因】、【修改后的小说正文】、【后续修改建议】。【修改后的小说正文】 时，正文区块不得使用 Markdown 项目符号、加粗、标题或解释插话。