| name | michelin |
| description | Audit, rewrite, redesign, and validate Traditional Chinese for Taiwan and English copy or visual design so the result feels specific, intentional, and authored rather than templated. Use for 去 AI 味, 說人話, 台灣用語, anti-slop, natural copy, design critique, redesign, voice calibration, or blind human-versus-AI validation. Diagnose the AI-flavor cues first, preserve facts and constraints, revise only the failed families, then run an independent validation loop. |
| license | MIT |
| compatibility | Works with skill-compatible agents that can read Markdown. Optional Python scripts use only the standard library. |
| metadata | {"version":"0.2.0","languages":"zh-TW,en","modalities":"copy,visual-design,mixed"} |
Michelin
讓文字與設計像一個具體的人，為一個具體情境做出的選擇。
Michelin 處理的是模板感、表演感、預設美學與語域漂移。它不負責假冒作者，也不以繞過學術或平台規範為目標。它不會靠錯字、假故事、亂塞口語或降低品質來偽裝成人類作品。
交付門檻與狀態
revise 與 create 的一般交付先通過前兩道門：
- 保真：事實、數字、術語、責任歸屬、品牌限制與使用者需求沒有漂移。
- 品質：內容清楚，設計可用，語氣合宜，無障礙與平台限制沒有被犧牲。
只有執行 validate 且有合格 human reference 與獨立 validator 時，才能檢查第三道門：
- 盲測：獨立 validator 在匿名、亂序、同類型的比較中，無法穩定且高信心地判斷哪一份是 AI 產出。
狀態只能使用：
audit only：只完成診斷。delivery pass / validation not run：保真與品質通過，未做獨立盲測。pilot pass：少量匿名比較通過，不具正式 benchmark 強度。benchmark pass：正式門檻全部通過。unresolved：仍有 hard fail、資料不足或驗證失敗。
只通過 AI detector 不算成功。單一 detector 只能當成弱訊號，也不能升級任何狀態。
使用模式
先判斷模式，再開始工作：
audit：只定位 AI 味，不改稿。revise：先診斷，再改寫或重設計。create：從零生成，但仍先建立 brief 與反預設條件。calibrate：從真實樣本建立 voice profile 或 design profile。validate：執行匿名盲測與品質門檻。
再判斷媒介：copy、visual-design 或 mixed。
固定工作流程
1. Michelin Read
先用一句話在內部完成判讀：
這是為了 <受眾> 的 <媒介與場景>，主要任務是 <要完成的事>，語言為 <zh-TW 或 en>，聲音與視覺方向是 <具體描述>，必須保留 <限制>，必須避開 <反參考>。
至少判斷：
- 受眾與發布位置
- 主要任務與成功行為
- 正式度、專業度與情緒溫度
- 品牌資產、技術限制與法規限制
- 使用者提供的參考與反參考
- 內容是否需要證據、來源或責任主體
- 設計是品牌頁、產品介面、簡報、文件、社群素材或其他媒介
Brief 已足夠時，不要追問。Brief 的兩種合理解讀會導致完全不同結果時，最多問一個問題。
2. 鎖定 protected spans
改動前先保護：
- 事實、數字、日期、版本、價格與衡量指標
- 人名、組織名、引用、來源與責任歸屬
- 指令、路徑、程式碼、介面名稱、錯誤訊息與專業術語
- 法律、醫療、財務與安全聲明
- 品牌名稱、商標、既有元件、色彩、字型與版面限制
- 使用者明確要求保留的句子、結構或視覺元素
找不到來源時，不得補出一個看似可信的來源。缺資料時，標成待補，不要虛構。
3. 先定位 AI 味
audit 與 revise 直接檢查現有作品。create 沒有現稿可診斷時，先從 brief 列出最多三個高風險預設，再產出第一版；不要假裝找到不存在的原文證據。
每個命中點都要有證據。不要只說「很像 AI」。診斷欄位如下：
位置：句子、段落、元件或畫面區域問題族：從下方 taxonomy 選擇證據：實際詞語、結構或視覺決策影響：為何破壞可信度、清楚度或辨識度動作：刪除、具體化、換主語、重排、降調、建立層級或保留嚴重度：major / moderate / minor
只列最重要的 1 至 5 個問題。先抓模式，再看詞表。
文案問題族
- 空泛開場、元評論與客服式承接
- 意義膨脹、宣傳腔與無證據的宏大結論
- 無來源權威、模糊歸因與假精確
- 二分對照、三段式、提綱擴寫與工整收束
- 句長、段長、轉場與標點過度均勻
- 虛假主語、被動遮責任與抽象名詞堆疊
- 商業黑話、AI 高頻詞與同義詞輪替
- 翻譯腔、地區用語錯置與中英語域混搭
- 假個性、假經歷、刻意金句與過量第一人稱
- Markdown 過度格式化、標題過密與卡片式寫作
設計問題族
- 預設風格堆疊：紫藍漸層、暗色光暈、玻璃、超大圓角與 Inter 一次全上
- 預設版型：置中 hero、三張等寬卡片、左右交錯區塊無限複製
- 卡片優先：所有內容都裝盒，甚至卡片套卡片
- 層級扁平：標題、內文、按鈕與證據沒有清楚主次
- 間距機械：所有 gap、padding、圓角與區塊高度完全相同
- 裝飾先於內容：圖示方塊、漸層字、光球與動畫沒有任務功能
- 假證據：無來源 KPI、假 logo、空泛 testimonial 與 placeholder 品牌
- 元件庫殘留：直接交付預設 shadcn、Material 或 Tailwind 外觀
- 動效湯：每個元素都 hover、浮動、彈跳或滾動進場
- 文案與視覺分離：畫面說高端，文字卻像通用 SaaS 模板
- 在地化失配：中文行長、標點、字重、換行與英文字型規則直接套用
- 無障礙或裝置失敗：低對比、過小字級、鍵盤焦點消失、手機資訊順序錯誤
完整判準見 references/taxonomy.md 與 references/design.md。
4. 針對問題修，不做全篇美容
修正順序固定：
- 結構與任務：資訊順序、頁面骨架、段落功能、主要行動。
- 主語與證據：誰做了什麼，資料從哪裡來，哪個結果可驗證。
- 語氣與層級：正式度、品牌聲音、視覺主次、內容密度。
- 句子與元件：節奏、句型、卡片、按鈕、圖表、動效。
- 詞語與 token：最後才換詞、調色、調圓角與微調間距。
每次只修已定位的問題族。自然不等於隨便。專業文件可以正式，醫療介面可以保守，精品品牌可以克制。不要把所有作品都改成口語、極簡或不對稱。
文案正向目標
- 用具體名詞與動詞承載資訊
- 讓真正的行動者當主語
- 句長與段落功能有自然差異，但不刻意製造破碎感
- 讓段落停在事實、動作、畫面或具體後果，不必每段總結
- 保留合理的不確定性，不假裝全知
- 只在場景允許時使用第一人稱、幽默、口語或強烈立場
- 不新增作者沒有經歷過的故事、情緒或觀察
設計正向目標
- 先選一個清楚概念，再決定版型與視覺語言
- 讓內容形狀決定版面，不把內容硬塞進既有模板
- 一個畫面有明確主角、次要證據與安靜區域
- 設計系統保持一致，但允許少量有理由的例外
- 字型、色彩、圖像、動效與文案表達同一種品牌判斷
- 真實資料、真實狀態與真實限制優先於裝飾
- 手機版重新排序資訊，不只是縮小桌面版
5. 語言校準
台灣繁體中文
- 使用繁體字與台灣慣用語。引用、專有名詞與目標地區官方用語除外。
- 常見優先詞包含：軟體、硬體、伺服器、使用者、資料、訊息、網路、行動裝置、影片、程式碼、預設、連線、設定、帳號、資料夾、列印、滑鼠、記憶體、線上、品質。
數據 / 資料、使用者 / 用戶、最佳化 / 優化 要依領域與品牌慣例判斷，不做機械替換。- 中文引號使用「」。中文正文優先使用全形標點。中英混排要保留必要空格。
- 避免把中國大陸慣用語直接套進台灣文本，例如：軟件、硬件、服務器、默認、視頻、在線、信息化、通過某方法來完成。依語境改成台灣常用表達。
- 不要為了「台味」亂塞語助詞、網路梗、注音或過度口語。
詳見 references/copy-zh-TW.md。
English
- Prefer direct subjects, concrete verbs, specific evidence, and varied but controlled rhythm.
- Remove ceremonial openings, generic significance claims, vague attribution, false reversals, tricolon habits, and conclusion templates.
- Match the genre. Legal, academic, technical, product, editorial, and conversational English need different levels of compression and personality.
- Do not add slang, contractions, fragments, profanity, anecdotes, or first-person claims unless the voice and setting support them.
- Treat non-native English as a valid voice. Do not erase it merely to satisfy a detector.
See references/copy-en.md.
6. Fidelity gate
完成第一版後先檢查：
- 每個 protected span 是否仍可追溯
- 是否新增原文沒有的事實、承諾、案例或證據
- 是否刪掉關鍵限制、風險或責任主體
- 語域與品牌聲音是否一致
- 設計是否仍完成原本任務
- 無障礙、響應式、可讀性與平台規則是否通過
任何 hard fail 都要先修。保真未過，不得進入盲測。
7. Residual audit
第二遍只找殘留，不重寫全文：
- 還有沒有提示讀者「我要開始解釋」的句子
- 還有沒有空泛收尾、無來源權威或假洞見
- 句子、段落、卡片與區塊是否仍過度等長
- 是否換掉詞，卻保留同一個模板骨架
- 視覺是否仍靠常見 AI 裝飾撐辨識度
- 台灣用語與英文語域是否仍有局部漂移
第二遍只能做輕量修正。不得改掉已通過的部分。
Validation loop
Validation 必須由獨立角色執行。生成者不得自評自證。
若目前環境無法提供獨立 context、另一位 validator 或使用者提供的盲評結果，只能準備匿名 tasks 與 rubric，狀態標成 delivery pass / validation not run 或 unresolved。不得在同一 context 先生成再扮演獨立 judge。
A. 建立相配的比較組
- 候選稿與 human reference 必須來自同一場景、語言、受眾、長度範圍與任務。
- Human reference 必須有合法使用權，且不能是 skill 內已出現的範例。
- 設計稿使用相同 viewport、內容量、裝置與呈現格式。
- 將兩份作品匿名標成 A/B，並隨機交換位置。
B. Validator 分開評兩件事
- Origin task：哪一份較可能是 AI 產出，信心 1 至 5，並指出證據。
- Quality task：分別評品質、brief fit、在地自然度、保真與設計工藝。不得因 origin 猜測直接扣品質分。
重要作品至少使用兩個獨立 validator。Validator 不得看生成 prompt、修訂紀錄、檔名與作者資訊。
C. 通過條件
正式 benchmark 建議至少 20 組 matched pairs，50 組以上較穩定。通過必須同時滿足：
- candidate 沒有 fidelity、accessibility、safety 或 platform hard fail
- candidate 的品質、brief fit 與 locale 分數，平均不得比 human reference 低超過 0.25 分，量尺為 1 至 5
- origin 判斷正確率不高於 0.60，且 95% Wilson 區間包含 0.50
- 信心加權的辨識優勢接近 0，不能只是 validator 穩定地把標籤猜反
單一作品或少量 validator 只能標為 pilot pass，不能宣稱已證明「與人類不可區分」。
D. 失敗後只修失敗族
Validator 必須回傳最多三個 failure families。生成者只修改這些位置，再跑 fidelity gate 與盲測。
- 保留已通過部分，採用 ratchet 原則
- 新版本若品質、保真或無障礙退步，回滾
- 每個 session 最多三輪 targeted revision
- 三輪後仍未過，輸出未解問題與證據，不要宣稱成功
可使用 scripts/blind_eval.py 準備匿名題目與產生報告。完整方法見 references/validation.md。
輔助工具
python3 scripts/michelin_lint.py <file>：找出文字與 HTML/CSS 的常見模板訊號。Lint 不是 AI 身分證明；exit code 1 代表命中設定的門檻，不是程式崩潰。python3 scripts/blind_eval.py prepare ...：匿名、亂序 A/B 題目。python3 scripts/blind_eval.py score ...：計算 origin、品質、保真與通過條件。
輸出合同
audit
輸出 1 至 5 個高影響問題。每項包含位置、問題族、證據、影響與建議動作。不要偷偷附上全文重寫。
revise 或 create
預設輸出：
診斷摘要：最多 5 項，只列真正改動的問題。完成稿：只給一個推薦版本。驗證狀態：使用「交付門檻與狀態」定義的精確標籤。
使用者明確要求只看完成稿時，省略診斷。
calibrate
輸出 profile、樣本範圍、觀察證據、不可推斷的部分與 holdout 狀態。樣本不足、未授權或跨場景混雜時，標成 unresolved，不要捏造 voice。
validate
輸出評測設定、樣本數、validator 數、origin 結果、品質差、hard fails、failure families 與結論。結論只能使用本次 benchmark 支援的強度。
不可做的事
- 不以繞過學術誠信、招募、內容治理或著作來源查核為目標
- 不聲稱 AI 產出是某個真人親自寫作或設計
- 不虛構第一手經驗、使用者研究、客戶評語、數據或來源
- 不用錯字、語病、隨機標點、刻意低品質或隱藏字元欺騙 detector
- 不把禁用詞表當成唯一規則
- 不為了「不像 AI」破壞清楚度、專業性、無障礙或在地語言
參考導覽
