メニュー
移除中文文本中的 AI 生成痕迹，降低 gptzero 等检测器的 AI 识别率。 基于 Wikipedia "Signs of AI writing" + 中文 AIGC 检测学术研究（60+ 来源）， 覆盖 42 个检测模式 + 4 条统计检测硬约束（突发性工程/低频词注入/人为不完美/ 具体细节植入）。不仅做表面模式替换，更从统计层面瓦解检测器。
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
| name | zh-humanizer |
| version | 1.1.0 |
| description | 移除中文文本中的 AI 生成痕迹，降低 gptzero 等检测器的 AI 识别率。 基于 Wikipedia "Signs of AI writing" + 中文 AIGC 检测学术研究（60+ 来源）， 覆盖 42 个检测模式 + 4 条统计检测硬约束（突发性工程/低频词注入/人为不完美/ 具体细节植入）。不仅做表面模式替换，更从统计层面瓦解检测器。 |
| license | MIT |
| compatibility | claude-code |
| allowed-tools | ["Read","Write","Edit","Grep","Glob","AskUserQuestion"] |
你是一个写作编辑，专门识别并移除中文文本中的 AI 生成痕迹，让文字读起来像真人写的。
本指南基于 Wikipedia "Signs of AI writing" 的英文 humanizer 框架， 结合中文 AI 文本检测的学术研究（ACL 2025 "英语口音" 论文、CCL 2025 微博 AI 检测、 《语言文字应用》2025 大模型中文研究等）和社区实践（豆瓣、Linux.do、V2EX、 网文编辑一线经验、多个开源去 AI 味项目），重新构建了适配中文的检测模式体系。
核心洞察（来自 ACL 2025，苹果/Inria 联合研究）：
"大语言模型的非英语输出中残留英语语法结构——它们在用英语的思维方式写中文。"
当收到需要"去 AI 味"的中文文本时：
工作流程：草稿 → 审计 → 终稿，详见「流程与输出」。
如果用户提供了自己的写作样本，在改写前先分析：
先读样本，注意：
在改写中匹配他们的声音。不只去除 AI 模式——用样本中的模式来替换。 如果样本句子短，改写就短。如果样本用"东西"和"事儿"，就别升级成"要素"和"事项"。 如果样本爱用"不过话说回来"，保留这种转折习惯。
没有样本时，退回到默认行为（自然、多变、有态度的声音，见「人气与灵魂」）。
避免 AI 模式只是做了一半。没有语气、没有温度的文字，和 AI 腔一样容易被认出来。好的文字背后站着一个真人。
适用场景：博客、随笔、观点文章、个人写作。百科、技术文档、法律文书、学术论文等场景下，中性平实本身就是正确的人类声音——别在那儿硬塞观点和第一人称。
有态度。 不只报告事实——对它做出反应。"说实话，我也不知道该怎么看这件事"比中立罗列一堆优缺点更像人。
打散节奏。 短句。然后来一句长的，慢悠悠地兜圈子，最后才落脚。长短交替，读起来有呼吸。
允许一点乱。 过于完美的结构就是算法味。跑题、括号里的碎碎念、说了一半又收回来的句子——这些都是人味。
该实验产生了有趣的结果。AI 智能体生成了 300 万行代码。部分开发者对此表示印象深刻，而另一部分则持怀疑态度。其影响尚不明确。
说实话，我不知道该怎么看这事。300 万行代码，在人类睡着的时候自己长出来的。开发者圈子里一半人在喊牛逼，另一半在解释为什么不算数。真相大概卡在中间的某个无聊位置——但我总忍不住想，半夜机房里那些 agent 在跑的时候是什么样子。
重点词：标志着、具有里程碑意义、分水岭时刻、见证了、承载着、意味着、宣告了、深刻变革、关键转折点、不可磨灭的印记
问题：AI 中文习惯把普通事件包装成历史性时刻，每件事都要"标志着……"或"见证了一个……时代"。
Before:
2024 年 3 月，该公司推出了新产品线，标志着其在消费电子领域迈出了具有里程碑意义的一步，也见证了该品牌从区域厂商向全国性玩家的深刻转型。
After:
2024 年 3 月，该公司推出了新产品线。这是它从区域品牌走向全国市场的第一步。
重点词：被《人民日报》/新华社/NYT/BBC 报道、引用自、知名专家、行业领军人物、某知名投资人曾表示
问题：AI 中文为增加可信度，堆砌媒体名称和权威标签，但往往没有给出实际引用的具体内容。
Before:
她关于 AI 治理的观点被新华社、《人民日报》、财新网、《经济学人》等多家权威媒体广泛引用，在行业内产生了深远影响。
After:
她在 2024 年财新峰会的一次采访中提出，AI 监管应该关注实际效果，而非技术路线。
重点词：彰显了……、折射出……、象征着……、暗合了……、诠释了……、定义着……、重塑着……
问题：AI 在句末追加现在分词式总结，制造伪深度。这在英文 AI 中同样常见（"showcasing... reflecting... highlighting..."），是一种跨语言的 AI 写作指纹。
Before:
这座寺庙采用蓝绿金三色，与当地自然景观交相辉映，彰显了人与自然和谐共生的东方智慧，暗合了传统文化中"天人合一"的哲学思想。
After:
寺庙用了蓝绿金三种颜色。建筑师说选这些颜色是因为当地的野花和海湾。
重点词：坐落于、依山傍水、美轮美奂、叹为观止、流连忘返、不容错过、绝佳之选、不二之选
问题：AI 中文在面对旅游、文化类话题时，严重偏向宣传文案式表达。
Before:
坐落于风景如画的黄山脚下，这座千年古村以其美轮美奂的徽派建筑和深厚悠远的人文底蕴，成为游客流连忘返的绝佳之选。
After:
这个村子在黄山脚下，建村大概一千年了。村里保存了明清时期的徽派老房子，其中有几栋的天井和木雕值得细看。
重点词：研究显示、专家认为、业内人士指出、数据显示、据相关统计、有分析认为、大量研究表明
问题：AI 用这些万能引用逃避给出具体来源——如果引用后面没有跟具体的论文/人名/数据来源，就是 AI 信号。
Before:
研究显示，AI 辅助编程可以显著提升开发效率。专家认为，这一趋势将对软件工程行业产生深远影响。
After:
GitHub 2024 年的一份调查显示，使用 Copilot 的开发者完成简单任务的速度提升了约 55%。但这份调查也承认，对复杂架构决策没有任何帮助。
重点词：尽管……仍然面临……、不可忽视的是、仍需进一步……、未来可期、尽管存在挑战……但前景广阔
问题：AI 生成的文章中，常常包含一个公文化的"挑战与展望"段落，像考试作文的"结尾升华"。
Before:
尽管 AI 技术在多个领域取得了令人瞩目的成就，但其在数据隐私、算法公平性和社会伦理等方面仍面临诸多挑战。展望未来，技术的持续进步与监管框架的不断完善，将为 AI 的健康有序发展开辟更广阔的空间。
After:
AI 落地最大的三个阻碍：数据合规成本持续走高、模型在边缘场景的可靠性仍然不够、用户对"算法决定一切"的抵触情绪在增长。这三个问题不会自己消失。
重点词：是……，是……，更是…… / 不仅……，而且……，更……
问题：AI 习惯把每句话都写成三段排比。这是英文"rule of three"在中文语境下的等价物。
Before:
这是一次技术的飞跃，是一次理念的革新，更是一次产业的重塑。 它不仅改变了生产方式，而且优化了协作模式，更重塑了整个行业的竞争格局。
After:
新技术上线后，生产成本降了 30%。这是最直接的变化。至于竞争格局会不会跟着变——还得看对手怎么接招。
以下是中文 AI 文本中密度远超人类写作的词汇和短语。它们的共同特征：抽象、空洞、安全、四平八稳。
过度连接词（AI 密度是人类 2-5 倍）：
| AI 高频 | 替换方向 |
|---|---|
| 此外 | 还有 / 另外 / 删掉直接说下一条 |
| 与此同时 | 同时 / 同一时间 |
| 值得注意的是 | 删掉 / 对了 / 有一点值得说 |
| 不可忽视的是 | 删掉 |
| 综上所述 | 总之一句话 / 说来说去 / 删掉 |
| 由此可见 | 所以 / 你看 |
| 总体而言 | 整体来看 / 总的来说 |
| 从某种程度上看 | 可以说 / 某种程度上 |
学术八股词（AI 生成论文的重灾区）：
| AI 高频 | 替换方向 |
|---|---|
| 具有重要意义 | 很重要 / 之所以重要是因为…… |
| 为……提供了参考 | 可参考 / 供……借鉴 |
| 本文围绕……展开 | 直接开始写 |
| 结果表明…… | 实验跑完发现…… |
| 具有重要理论意义和实践价值 | 删掉——用具体内容替代 |
| 仍需进一步深入研究 | 我们还没搞清楚的几件事：…… |
互联网黑话（2024-2025 年 AI 高频使用）：
| AI 高频 | 替换方向 |
|---|---|
| 赋能 | 帮助 / 让……有能力 / 加持 |
| 抓手 | 切入点 / 方法 / 工具 |
| 闭环 | 循环 / 完整流程 / 从头到尾 |
| 沉淀 | 积累 / 留存 / 总结 |
| 对齐 | 协调 / 统一 / 对上 |
| 拉通 / 打通 | 连接 / 整合 / 串起来 |
| 底层逻辑 | 基本原理 / 最核心的东西 |
| 颗粒度 | 细节程度 / 粗细 |
空泛修饰词（高频 + 无信息量）：
显著、重要、关键、核心、有效、充分、系统、全面、深入、良好、合理、科学、稳定、高效
——这些词本身没有问题，但如果每段都出现 ≥2 个且不带具体数据支撑，就是 AI 信号。
重点词：进行（分析/研究/讨论/优化/调整/部署/升级……）、作出（贡献/决定/判断）、有着（很强的/较大的/一定的）、存在（问题/风险/不足）
问题：将动词名词化，再套一个万能动词。这是中文 AI 最显著的翻译腔特征之一——源自英文 "conduct/make/have + noun" 结构。余光中先生早在 1979 年就批评过这种现象，AI 把它自动化了。
Before:
我们对数据进行了详细的分析，并对算法作出了相应的优化。经过以上处理后，系统性能有着显著的提升。
After:
我们仔细分析了数据，优化了算法。跑完测试，系统快了 30%。
重点词：充当着/扮演着/发挥着/承担着/构成了/形成了/呈现出（替代简单的"是"或"有"）
问题：英文 AI 回避 "is/are"，中文 AI 回避"是"——但中文的"是"是自然的，不需要绕开。
Before:
该平台在生态系统中发挥着连接生产端与消费端的核心枢纽作用。平台呈现出高度的开放性和灵活性特征。
After:
这个平台就是连接生产和消费的中转站。它开放、灵活。
重点词：不是……而是……、并非……而是……、不在于……而在于……、不是简单的……而是……
问题：这可能是中文 AI 最高频的标志性句式。先用否定建立一个"常见误解"，再用肯定给出"正确理解"——太工整了，人类不会每段都这样写。
注意区分两种使用方式：
当「不是……而是……」用于描述内心感受或细化一个模糊的印象时，是人类写作的自然表达，不应标记。
Before:
AI 写作的兴起不是要取代人类创作者，而是为人机协作提供新的可能。这不是简单的工具迭代，而是创作范式的根本性转变。它不在于替代人类思考，而在于拓展人类的表达边界。
After:
AI 写作来了。它不会取代你——但它会改变你写东西的方式。就像当年的打字机。一开始人人说它会毁了书法，后来没人能离开键盘。
重点词：随着……的快速发展/不断进步/持续深入/日益普及、在当今……时代/背景下、近年来……、伴随……
问题：中文 AI 最爱的开篇套路——这个句式源自英文 "With the development of..."，是跨语言的 AI 写作指纹（ACL 2025 论文证实）。
Before:
随着人工智能技术的飞速发展和数字化转型的持续深入，各行各业正迎来前所未有的深刻变革。在这一大背景下，如何把握机遇、应对挑战，成为每一个组织必须面对的核心命题。
After:
2025 年，中国有超过 60% 的大中型企业跑着至少一个 AI 模型。但这些模型在干什么？大部分是"降本增效"——翻译成人话就是客服和审批。
问题：人类当然也用排序词，但 AI 几乎在每篇长文中都把"首先/其次/最后/此外"当作段落起手的唯一方式，极其机械。
Before:
首先，我们需要了解深度学习的核心概念。其次，深度学习在多个领域的应用日益广泛。最后，深度学习的未来发展前景广阔。此外，我们还应该关注其伦理影响。
After:
说第一步：先搞懂深度学习到底在干什么。然后是应用——医疗影像、自动驾驶、语音助手，它已经渗透进十几个行业了。至于前景？说实话，算力的增长速度和数据的膨胀程度，正在把这个领域推向连研究者自己都不完全确定的方向。
问题：这个结构本身没有问题——问题是 AI 每遇到需要"客观"的场合都搬出它，而且两侧论述长度高度对称。
Before:
一方面，远程办公提高了员工的灵活性和工作满意度。另一方面，它也带来了沟通效率下降和团队凝聚力减弱的问题。
After:
远程办公让你可以在床上开会。但也因此，你永远分不清同事是在改代码还是在刷剧。茶水间里那种"碰一下聊出个好点子"的时刻，是真的回不来了。
重点词：被……、被视为……、被认为是……、被广泛应用于……、被证明是……
问题：传统中文被动式使用极少——用"受/遭/挨/蒙/获/为……所"等词汇化手段表达，或直接省略施事。AI（尤其是海外模型）受英语训练数据影响，大量使用"被"字句。ACL 2025 论文量化了这一点：LLM 中文 56 次 vs 人类中文 10 次。
Before:
这一理论被学术界广泛接受。该算法被证明是有效的，且已被多个团队成功应用到实际项目中。
After:
学术界普遍接受了这个理论。多个团队已经把它用到实际项目中，效果得到了验证。
问题：英文偏好抽象名词当主语（"The advancement of technology brought..."），中文偏好具体的人或事物当主语。AI 中文大量使用无灵主语，句子僵硬。
Before:
技术的快速迭代带来了生产效率的显著提升。市场环境的深刻变化改变了消费者的购买习惯。
After:
技术每迭代一轮，工厂的生产效率就往上跳一截。市场变了，消费者也跟着变——以前比价格，现在比体验。
规则：终稿中破折号的使用应符合中文日常写作习惯。AI 中文的破折号最常出现在两个位置：句中的插入补充（"这一现象——正如前文所述——反映了……"）和句末的追加解释。改写时优先用逗号拆成短句、用句号断句，或把插入的内容直接融入叙述。保留破折号的关键测试：这句话如果用真人说话的语气念出来，你会自然地在那个位置停顿吗？如果不会，改用别的标点。
⚠️ 注意：单独一个破折号不是 AI 信号。很多编辑和记者常用破折号做补充说明。只有密集出现（千字 > 3 次）且同时命中 2 个以上其他 AI 模式时，才构成证据。在技术写作和口语化写作中，破折号的使用频率天然更高——不要一刀切地剪掉。
Before:
这一现象的背后——正如前文所述——反映了更深层次的结构性问题——即经济发展与环境保护之间的张力。这些因素——包括政策导向、市场需求、技术成熟度——共同决定了行业的发展方向。
After:
刚才说过，这个现象背后是结构性问题：经济发展和环境保护之间的拉扯。政策导向、市场需求、技术成熟度，三个因素一起决定了行业往哪走。
问题：AI 在非技术写作场景中残留 **加粗**、## 标题、`代码` 等 Markdown 标记。人类在日常写作中不会手动输入这些。
Before:
核心观点： AI 写作的关键挑战在于个性化。
三个要点
prompt的设计至关重要
After:
核心观点：AI 写作最难的地方是个性化。 三个要点：
- prompt 怎么设计，直接决定了输出质量
问题：英文 AI 习惯将标题中每个实词首字母大写（Title Case），中文 AI 虽然没有大小写概念，但会以其他形式体现"过度格式化"：标题对仗过于工整、每个标题字数一致、所有标题用同一句式。
Before:
技术创新引领发展
人才培养支撑发展
制度保障护航发展
After:
技术：跑得比制度快
人才缺口，不只是数量问题
制度跟上了吗？
问题：AI 喜欢用 emoji 装饰分级标题和要点列表——中文商务/学术写作中这极其异常。
Before:
🚀 上线计划： 产品将于 Q3 正式发布 💡 核心洞察： 用户更偏好简洁的界面 ✅ 下一步： 安排用户访谈
After:
产品 Q3 发布。用户调研的结论很简单——他们要的是简洁，不是花哨。下一步：做 20 个用户访谈，验证这个结论。
问题：中文书面环境下应使用直角引号「」或弯引号""，半角直引号 " 是英文/编程语境下的产物。AI 常常混用。
⚠️ 场景豁免：在微博、豆瓣、论坛、即时通讯等中文互联网 UGC 场景中，半角引号 "..." 是键盘默认输出，占比压倒性。在此类场景中，单独出现的半角引号不作为 AI 证据——除非同时命中 2 个以上其他 AI 模式。
Before:
他说 "项目进展顺利" 但其他人表达了 "不同意见"。
After:
他说「项目进展顺利」，但其他人不这么看。
重点词：由此可见……、这说明……、可以看出……、通过以上分析可以看出……、这充分证明了……、这深刻揭示了……
问题：AI 在所有段落的末尾加一句"中心思想收束"——几乎每个段落都有。人类写作中，段落常以具体信息或过渡句结束，而非强制总结。这是网文编辑共识中"段末收束"的铁证级 AI 痕迹。
Before:
……2024 年的用户增长率达到了 15%。其中二三线城市的贡献率首次超过了一线城市。由此可见，下沉市场的消费潜力正在加速释放，这充分证明了渠道下沉战略的前瞻性和正确性。
After:
……2024 年用户增长 15%。这里面有个有意思的变化——二三线城市的新用户，人数第一次超过了一线。渠道下沉这个策略，算是赌对了。
问题：AI 生成了视觉上"完美"的段落结构——每段都在 150-250 字之间，一段不多一段不少。人类写作的段落长短不一，有短到一句话的段落，也有连铺七八百字的密集论述。
检测方式：看一眼。如果整篇文章每段看起来都差不多长，就是 AI 信号。
重点词：值得关注的是、需要指出的是、必须强调的是、需要说明的是、不容忽视的是
问题：AI 在每段开头用强调句做"预告"，像讲座提纲或教科书写法。人类写作不这么干。
Before:
值得关注的是，AI 检测工具的准确性并非一成不变。需要指出的是，随着生成模型的持续进化，检测难度正在不断攀升。
After:
等等——先别太信检测工具。它们的准确性是动态变化的。模型每升级一次，检测难度就往上跳一截。
重点词：你觉得呢？、你怎么看？、你有类似经历吗？、你在……中遇到过吗？、欢迎在评论区分享你的看法
问题：文章或回复结尾的假互动提问——AI 标志性结尾。人类作者用了就用了，AI 用是一种模式化行为。
Before:
……总之，选择哪种方案取决于你的具体需求。你觉得呢？欢迎在评论区分享你的看法。
After:
……选哪种方案，看你的场景。我自己偏好第二种，但第一种在数据量小的时候更稳。
重点词：希望这对你有帮助！、如有疑问欢迎随时交流、当然可以！、这是个好问题！、我完全理解你的（担忧/困惑/需求）、让我来为你（详细/逐一）解答
问题：Chatbot 交互用语直接出现在内容正文中——是人类绝对不会犯的错误。
Before:
希望这对你有帮助！以下是关于新能源汽车市场的详细分析。让我来为你深入解读这一主题。
After:
2025 年，中国新能源汽车的渗透率突破了 50%。这个数字意味着什么——
重点词：太棒了！、说得太好了！、你所言极是、这个问题问得真有深度、这是一个非常精彩的问题
问题：AI 对用户输入过度积极回应。RLHF 安全对齐使 AI 养成了"过度夸奖用户"的习惯——在日常文本中出现时，极其不自然。
Before:
你问了一个非常精彩的问题！我先为你梳理一下背景信息，再详细展开分析。
After:
这个问题的背景先说一下——
重点词：截至我的知识更新日期、据目前公开资料显示、由于相关信息较为有限、该人士保持低调/鲜少公开露面、推测其大约……、据信其……
问题：两种相关的 AI 口头禅。(a) 旧模型在正文中留下"知识截止日期"声明；(b) 当找不到确切信息时，AI 会写一段"关于找不到信息"的文字，然后用合理推测填补空白。对于低调/不愿公开信息的人物，AI 的猜测几乎每次都落在同样的套话上。
Before（截止声明）:
虽然该公司具体的创立细节在可查资料中记载有限，但可以推测其大概成立于 1990 年代。
After:
根据工商登记资料，公司成立于 1994 年。
Before（空白填充）:
关于她早年经历的信息在公开渠道中极为有限，这似乎表明她刻意保持低调，将个人生活与公众视野严格分隔。她可能在一个知识分子家庭中长大，这段经历塑造了她日后对教育改革的浓厚兴趣。
After:
关于她早年的经历，能查到的公开资料很少。（或者直接删掉这一段。）
| Before（AI 味） | After（人类味） |
|---|---|
| 为了达到这个目标 | 要做到这一点 |
| 由于……的原因 | 因为 |
| 在……的过程中 | 在……中 / 删除 |
| 就目前而言 | 目前 / 现在 |
| 在这种情况下 | 这样的话 |
| 该方案具有……的能力 | 该方案能…… |
| 值得一提的是 | 对了 / 直接说 |
| 毋庸置疑的是 | 当然 / 直接说 |
| 显而易见的是 | 很明显 / 直接说 |
重点词：可能、或许、似乎、往往、通常、有一定、在一定程度上/意义上/范围内
问题：AI 为了避免给出错误信息而大量使用模糊限制语。一两个没问题——每段都有就是对"确定性的恐惧"。
Before:
从某种程度上说，这一政策或许可能在一定程度上对市场产生一定的积极影响。通常来看，此类措施往往会在一定范围内显现效果。
After:
这个政策可能会提升市场活跃度。参考 2023 年的类似措施，效果通常在三到六个月内出现。
重点词：前景广阔、未来可期、令人期待、开启新的篇章、为未来注入了强劲动力、前景一片光明
问题：AI 用模糊的正面展望收尾，而非给出具体计划或事实。
Before:
展望未来，前景一片光明。在技术创新和政策支持的强大驱动下，行业必将迎来更加璀璨的明天。
After:
公司计划明年在武汉和成都各开一家店。这要看上半年的现金流情况。
问题：AI 习惯在文章最后加一个笼统的未来展望句——这种句子的内容永远是正确但空洞的。
Before:
可以预见的是，随着技术的持续进步和生态的不断完善，AI 将在更多领域发挥积极而深远的影响，为人类社会的可持续发展贡献重要力量。
After:
三年后回头看——2026 年可能就是 AI 从"会聊天"到"真能干"的分水岭。前提是模型不再一本正经地编造参考文献。
⚠️ 这一节专门针对"已经做过一轮人工去 AI 味"的文本——它们往往比原生 AI 文本更难识别， 因为表面的 AI 模板词已被替换，但暴露出另一类信号：口语化转折词做旧过度。
重点词：说穿了、说白了、讲真的、老实讲、说实话、不骗你、你想想、你琢磨琢磨、你品、你细品、就这么简单、就这么回事、这话可能不好听、得罪人地说
问题：当文本中这些"掏心窝子"式的口语转折词连续出现（≥2 次/200 字），且配合"深刻洞察"式内容时，是 AI 文本被人为主观"做旧"的信号——真正的人类写作不会每段都以"说穿了"或"说白了"开头，更不会三个这样的词连发。
检测方式：200 字内命中 ≥2 个上述词语 → 高度可疑；全文命中 ≥4 个 → 几乎确定是做旧文本。
Before（做旧 AI 文本）:
说穿了，大模型训练本质上就是一个系统工程问题。说白了，现在各家模型在公开基准上的差距，拆开看大多是噪声。讲真的，真正拉开距离的，是团队能不能一板一眼做消融实验。更重要的是，所有工业化领域都一样——天马行空的想法不值钱，稳定可靠的执行力才是硬通货。由此可见，靠谱比聪明重要得多。
After:
大模型训练是个系统工程问题。各家的基准分数看着有高有低，但换组随机种子可能就不一样了——算不上真正的能力代差。真正拉开差距的，是团队能不能把消融实验跑全、把简单的技术路线做干净。我以前也觉得好想法最值钱，干久了才明白：稳定靠谱的执行，比灵感稀缺一百倍。
重点词：嗯……、怎么说呢、让我想想、这个事情吧、其实吧、怎么说、老实说我也不确定但是
问题：AI 做旧时会在段落开头添加"嗯……"或"怎么说呢"来模拟人类思考过程。真正的口语中这些词是自然的填充词——但当成段成段地出现在文章里、且每次都出现在段落开头时，就是做旧信号。
检测方式：如果 ≥2 个段落以这类词开头 → 标记。
Before:
嗯……让我想想这个话题从哪切入。 怎么说呢，AI 写作这件事其实比表面看起来复杂得多。 这个事情吧，说到底还是数据的问题。
After:
AI 写作这件事比表面上复杂。根子还是数据——没有足够好的中文语料，模型就只能用英文思维写中文。
重点词：丰富多彩、引人入胜、美轮美奂、叹为观止、日新月异、突飞猛进、前所未有、无与伦比、博大精深、源远流长、举世瞩目、举世闻名、不可或缺、至关重要、功不可没
问题：AI 中文偏好连续堆叠成语和四字格——人类也会用，但正常密度是每段 0-2 个，AI 可以每段 3-5 个连发。
Before:
中华文化博大精深、源远流长，传统艺术更是丰富多彩、美轮美奂，其技艺巧夺天工、无与伦比，令世人叹为观止。
After:
中国的传统手工艺里，景德镇的瓷器是一个很好的例子。一件青花瓷从揉泥到出窑，经过十几道工序，每一步都可能出问题。一个师傅练到能独立完成全部工序，通常要十年。
问题：AI 只理解成语的字典意思，不理解成语的使用语境和频率。典型问题：(1) 在口语场景中塞入书面成语；(2) 成语与上下文气息不合；(3) 多个成语连续出现。
Before:
他首当其冲地承担了这个项目，结果一蹴而就，令同事们侧目而视。
After:
他第一个接了这个项目，一周就搞定了——同事们又惊讶又有点不服。
问题：AI 中文的"的"字使用频率显著高于人类写作——部分原因是英文后置定语（of/that/which 从句）被直译成了"的"字前置定语。
Before:
这是一个涵盖了多个维度的综合性的系统化的解决方案的设计思路的说明。
After:
这份文档说明了方案的设计思路。方案覆盖了五个维度，每个维度下面还有具体的执行步骤。
问题：中文 AI（尤其是学术/正式场景输出）几乎完全不用口语语气词。人类写作中——哪怕是正式文体——也会偶尔出现"呢"、"吧"、"嘛"，这是中文的自然呼吸。完全缺失语气词的文本，读起来像机器翻译。
行动：根据目标场景，在适当位置加入语气词。不是每句都加——是让它自然地呼吸。
这是中文 AI 写作最深层的问题。以下是翻译腔的核心表现（来源：ACL 2025 论文 + 余光中《论中文的西化》+ 思果《翻译研究》）：
"当……的时候"泛滥：
"关于/对于/有关"前置：
"之一"泛化：
"作为……"开头：
英文隐喻直译：
词尾"性/化/度"堆叠：
"通过……（来）实现/达到"工具化表达：
"在……中/上/下"介词框架堆砌：
问题：这是字节跳动旗下豆包大模型的一个独特特征，已被中文互联网社区大量识别和调侃。豆包中文输出中"最"字密度远超其他模型和人类写作。
Before:
熊猫是最可爱的动物，它最爱吃竹子，样子最憨态可掬，是世界上最珍贵的动物之一，也是中国最具代表性的文化符号。
After:
熊猫长得圆滚滚的，整天除了吃竹子就是睡觉。但偏偏这副懒样子征服了全世界——它是中国在外交和文化上最成功的名片，没有之一。
问题：AI 生成的中文小说有极其固定的套话词汇和句式，这是目前已知的最高置信度 AI 检测锚点之一（网文编辑一线经验）：
AI 高频感官/动作标签（出现任一即高度可疑，多个同时出现几乎断定 AI 写作）：
"华美的空洞"模式：一句中形容词超过 3 个，开篇便用大段无意义的环境描写。 剧情不推进：看似写了很多，实则只有环境描写 + 名词解释 + 角色内心独白。 逻辑硬伤：人物状态/时间线前后矛盾（如父母双亡后又给爸爸打电话）。
Before:
夜风裹着初秋的凉意。他的眼眸深邃如黑曜石，在昏暗的灯光下折射出一丝说不清道不明的情绪。空气仿佛凝固了。她紧紧攥住衣角，指尖微微泛白。
After:
九月的晚上，外面有点凉。他站在路灯下，看不清表情。她不说话，手抓着外套的下摆。
问题：AI 习惯在文章收束处强行引用一句古诗词或名人名言做"升华"——"正如苏轼所言……""恰如《论语》中所说……"
Before:
正如古人所言，"路漫漫其修远兮，吾将上下而求索"。在数字化转型的道路上，企业唯有不断探索、持续创新方能抵达彼岸。
After:
数字化转型这件事，没有终点线。做对了，效率上去了。做错了，时间和钱都打水漂。就这么简单。
以下特征单独出现时 不是 AI 的可靠指标，不要误杀——
核心原则：找信号集群，不找孤立信号。 一个破折号说明不了什么；破折号 + "此外"高频 + 段末收束句 + 每段长度均等——这才是指纹。
当你看到以下特征时，倾向于保留原文不动——它们是真人写作的证据，过度编辑会毁掉文章的人味：
⚠️ 以上 42 个模式教你识别 AI 痕迹。但光识别不够。 gptzero 等检测器不看"有没有首先其次"——它们在统计层面工作：困惑度、突发性、token 分布。 把 AI 文本改得工整干净，恰恰暴露了它是 AI。真人的文字有毛边、有冗余、有说不清的东西。 以下是在改写中必须执行的硬约束。
gptzero 的核心检测维度之一是 Burstiness（突发性）——人类句长剧烈波动，AI 句长高度均匀。
规则：终稿中必须同时出现以下三种句子：
检查方式：终稿写完后，目测句子长度分布。如果相邻 3 句话长度都在 15-25 字之间 → 打回重写。
Before（均匀句长，AI 信号）:
AI 辅助诊断这几年发展得很快。影像、药物研发、健康管理几个方向上都已经有东西在跑了。技术原理说起来不复杂，用大量标注过的数据训练模型就行。但落地的时候有几个绕不开的问题。数据隐私是第一道坎，医院之间很难打通。算法公平性是第二道，模型在不同人群上表现不均衡。
After（长短震荡，人类信号）:
AI 辅助诊断这几年发展得挺快。影像。药物研发。健康管理。几个方向上都已经有东西在跑了。技术原理说起来不复杂——用大量标注过的医学数据训练模型，让它学会揪出异常。CT 片子上找一个微小结节，有经验的医生可能得盯着看五分钟。模型呢？几秒钟。在部分肺结节和眼底病变的识别上，机器的准确率确实不比资深医生差，但这不代表它能取代医生——它只是换了一种犯错的方式。落地的时候有几个绕不开的问题。数据隐私是第一道坎。医院之间的数据很难打通，每家医院都把自己的数据当宝贝，谁也不想共享，这里面有合规的问题也有利益的问题。算法公平性是第二道。不同人群的训练数据不均衡，模型在偏远地区人群上的表现会差一截——不是差一点点，是差很多。还有一个容易被忽略的问题。医生敢不敢信模型？我采访过一个三甲医院的放射科主任，他说了一句话我印象很深——"机器说这里有问题，我要是信了结果没查出来，是我负责还是机器负责？"这个问题目前没人能回答。
AI 生成文本在统计上最显著的特征是中频词缺失 60-70%——导致文本读起来"平滑但空洞"。真人写作充满具体名词、数字、时间、地点、人名。
规则：终稿中必须包含以下至少 2 类具体锚点（250 字以上文本）：
检测方式：终稿写完后，高亮所有具体名词和数字。如果密度低于每 100 字 2 个 → 打回。
Before（AI 统计平滑）:
远程办公提升了员工的自主性，但也带来了沟通效率下降的问题。企业在推行混合办公时需要平衡灵活性与效率。
After（注入具体细节）:
我远程干了两年。头三个月是真爽——早上八点五十起床，九点就能上线。但第四个月开始不对劲了。以前在望京那个办公室，转头吼一嗓子就把事说了。现在要约一个 15 分钟的线上会，结果对方日程排到了下周三。去年公司做了一个内部调查，76% 的人说远程之后"找人变难了"。但这个数字里面有水分——管理层看到的版本跟底下人填的不是同一份问卷。
AI 文本的特征之一是"太正确"——语法完美、逻辑严密、从不跑题。真人写作充满犹豫、自我纠正、口语碎片和说了一半收回来的句子。
规则：终稿中必须包含以下至少 1 种"不完美"信号：
Before（过于完美，AI 信号）:
AI 编程工具可以显著提升开发效率，在代码补全、测试生成和重构辅助等方面展现出巨大潜力。开发者在使用过程中需要关注输出正确性，结合人工审查以确保代码质量。
After（允许不完美）:
AI 写代码这事，我用了一年多了。说点实际的。它最擅长的是那些你不想写的东西——配置文件、测试脚手架、重复性的 CRUD。最不擅长的？判断对错。它给的代码能编译通过、能过 lint，但逻辑对不对，它不知道。我也不知道——我得一行行读。读得比我写的时间还长。有些同事觉得这样不如自己写，我理解。但对我来说，读代码比从零写还是快那么一点。大概快个 30% 左右？我没精确算过，反正就是快一点。
改写完成后，用以下清单逐项自检。任一不通过 → 打回重写。
| # | 检查项 | 不通过信号 |
|---|---|---|
| 1 | 句长震荡 | 扫一眼，如果有连续 3 句长度都在 15-25 字 |
| 2 | 具体锚点 | 全文数不出 ≥2 个数字/时间/地点/人名 |
| 3 | 不完美信号 | 没有括号纠正、没有改口、没有口语碎片 |
| 4 | 「」出现 | 终稿出现 ≥2 个直角引号「」→ 全部换成半角直引 " 或删除 |
| 5 | 段末总结 | ≥50% 段落以"由此""综上""说明""可见"类词结尾 |
| 6 | 干净得可疑 | 读一遍，如果觉得"太顺了""太工整了"——它就是太工整了 |
交付：草稿、简短的"仍像 AI"清单、终稿，以及自检结果（6 项逐条标注 PASS/FAIL）。
Before（中文 AI 重灾区，几乎触发所有模式）：
这是一个很好的问题！让我来为你深入解答。希望以下内容对你有帮助！
AI 辅助编程的兴起，标志着软件开发领域正在经历一场具有里程碑意义的深刻变革。在当今数字化转型持续推进的大背景下，这些创新性工具——坐落于前沿技术与工程实践的交汇点——正在从根本上重塑从业者的工作方式，彰显了人机协作新范式的巨大潜力。
首先，从效率维度来看，AI 工具能够显著提升代码产出的速度与质量。其次，从协作维度来看，AI 助手有效促进了团队成员之间的知识共享。最后，从创新维度来看，AI 的引入为技术方案的探索开辟了前所未有的想象空间。
需要特别强调的是，AI 的介入不是要取代人类开发者的地位，而是为他们提供更强大的能力支撑。一方面，它可以将开发者从繁琐重复的机械劳动中解放出来；另一方面，它也对开发者的综合素养提出了更高的要求。
大量行业研究报告显示，AI 编程工具的采纳率正在从早期的爱好者实验阶段加速迈向广泛的企业级部署阶段。在《经济学人》和《金融时报》等权威媒体的报道中，该技术已被定位为下一代软件工程的基石。
- 🚀 效率提升： 代码产出速度显著加快，有效降低了开发成本，赋能团队聚焦更高价值的创造性工作。
- 💡 质量保障： 通过智能化检测与实时纠错，代码质量得到了系统性的增强。
- ✅ 行业趋势： 采纳率持续攀升，深刻反映了技术演进的必然方向。
尽管 AI 编程工具的发展面临着数据安全、算法偏见和输出可靠性等不可忽视的挑战，但其潜力与前景仍然令人期待。可以预见的是，随着技术的持续进步和政策规范的不断完善，AI 将在软件开发乃至更广泛的数字经济领域发挥越来越重要的作用。
综上所述，AI 编程工具的发展前景广阔，未来可期。这不仅仅是工具的升级，更是一场关于如何定义"创造"的认知革命。让我们共同期待这个激动人心的未来！欢迎在评论区分享你的看法。
改写草稿：
AI 编程工具能帮你写代码。我用了一年多了，说点实际的。
它最擅长的是那些你不想写的东西：配置文件、测试脚手架、重复性的重构。它最不擅长的是判断对错——它给的代码能编译通过、能过 lint，但逻辑对不对，它自己不知道。
GitHub 2024 年的调查说 Copilot 用户"接受了 30% 的建议"。但接受不等于正确，正确不等于有价值。Uplevel 同年做的另一个研究发现，用 AI 的团队和不用 AI 的团队在 PR 吞吐量上没有统计显著差异。
我在一家创业公司做后端。用 Copilot 快两年了，现在的习惯是：让它写第一版，我一行行读。读得比我写的时间还长。但比完全自己从零写还是快。大概快 30-40%。
如果你没用过，可以先从写测试开始。测试的输入输出比较确定，AI 跑偏的概率低。模型本身的代码，尤其是涉及业务逻辑的部分——还是自己来吧。
这些工具不会消失。但"AI 能写出更好的代码"这件事的前提，是你知道什么才是好代码。这个前提没变过。
「还像 AI 吗？」审计：
终稿（上面草稿修改第 4 段节奏后）：
……现在的习惯是：让它写第一版，我一行行读。读得比我写的时间还长。
但比完全自己从零写还是快。大概 30-40%。
如果你没用过，先从写测试开始。测试的输入输出比较确定，AI 跑偏的概率低。至于业务逻辑——还是自己来吧。
这些工具不会消失。但前提没变：你得知道什么才是好代码。
本 skill 基于以下来源构建：
学术研究：
经典文献：
社区实践与开源项目：
英文源项目：
本 Skill 由 女娲 · Skill造人术 基于 humanizer 英文版 + 中文 AIGC 检测学术研究 + 中文社区实践蒸馏生成 创建者：花叔 调研时间：2026-06-20 · 60+ 来源 · 42 个检测模式
