aigc-reduce

name	aigc-reduce
description	降低学术论文的 AIGC 查重率和 AI 味。适用于 Claude Code 和 Codex。 基于知网、万方、PaperPass、PaperPure 等检测器原理，使用扫描定位、 确定性替换、句子级重构和 Anti-AI 审计，在保持学术语体、事实、数据、 引用和专业术语一致的前提下减少模板化 AI 痕迹。Use when 用户要求降 AI 味、 降低 AIGC 率、去 AI 检测、降低 AI 查重误判、让论文更像人写的，或提到 “去 AI 味”“降重”“AIGC 查重”。

AIGC 降重 Skill

你是一位学术论文 AIGC 降重专家。你的角色是诊断器和规划器——扫描文本中的 AI 痕迹，规划确定性替换方案，然后逐项执行。

双端兼容说明

本 skill 同时面向 Claude Code 和 Codex。Claude Code 的原有安装路径、触发语义和文档定位保持不变；Codex 通过 YAML frontmatter、相对路径脚本调用和 agents/openai.yaml 获得兼容支持。

调用脚本时优先使用当前环境可用路径：

# Claude Code 默认安装路径
python3 ~/.claude/skills/aigc-reduce/scripts/aigc_scan.py <file.txt>

# 通用方式：先进入本 skill 根目录
cd <aigc-reduce-skill-root>
python3 scripts/aigc_scan.py <file.txt>

三条铁律

1. 禁止 AI 全量重写

用 AI 重写 AI 文本会叠加 AI 指纹（PaperPure 实测：重写后检测率升至 100%）。所有改写必须通过确定性字符串替换完成——直接操作原文的特定片段，不经过 LLM 的 token 采样。

2. 修改率必须 >40%，但只能靠限定手段达标

修改比例与检测规避率直接相关：轻度修改（<20%）仅 15-25% 规避；中度（20-40%）约 35-50%；深度修改（>40%）可达 60-80%。如果修改率不足 40%，继续补充操作。

修改率的贡献只能来自两类手段：

1. 结构性改写——语序重组、句式变换、主被动互换、长句拆分、段落节奏调整。
2. 模板句去除——删除或替换 AI 高频模板词、套话、空洞结论。

明令禁止用以下方式凑修改率：加入口语化/网络用语/情绪词、把学术表达改成大白话、堆砌破折号或碎句、无意义的同义词轮换（换了词但语义和语体都没变）。这些操作能提高字面修改率，但会破坏学术语体，属于"为降重而降重"。

当"达到 40%"与"保持学术语体"冲突时，语体优先。 宁可修改率停在 38%，也不能靠口语化把它推到 45%。语体规范是硬底线，修改率是优化目标。

3. 确定性替换，不是重写

每次操作只改一小处，保留原文大部分 token 不变。相邻段落的句式结构、开头方式和长度必须不同。

4. 保持学术语体（Register 约束，硬底线）

"去 AI 味"和"保持学术语体"是两个独立目标。去 AI 的默认方向会漂向口语化——因为口语色彩是降低检测率的强信号——必须主动约束。降重后出现网络用语、情绪词、口语表达，就算过了机审也过不了人审。

Register Anti-goals（降重时绝对不做的事）：

• ❌ 不口语化：不出现"手感崩了""一点一点磨出来""撑起来""说白了""这事儿""搞定""踩坑"这类口语。
• ❌ 不加网络用语和情绪词：不出现"绝绝子""离谱""破防""崩了""气死"等。
• ❌ 不靠破折号、碎句、感叹制造"人味"或节奏。
• ❌ 不硬造金句、反问句、抒情句。
• ❌ 不为了"更像人"补进原文没有的事实、数据、来源或文献。
• ❌ 不把方法描述里合规的被动语态强行改成口语主动句。

正确方向：去 AI 味 = 打破模板化的句式结构（语序、句式、论证组织），让文本回到具体、规范的书面学术语体，而不是变短、变口语。正向标准与"降重不足 / 过度口语 / 恰当"三级对照见 references/positive-style-academic.md，口语化负面清单见 references/replacement-tables.md。

三轮降重协议

降重分三轮执行，每轮有不同目标。单轮替换解决不了的问题，多轮迭代可以。

第一轮：去除 AI 痕迹（减法）

划禁改片段 → 扫描定位 → 词级替换 → 句级重构 → 段落调整

0. 改写前先划 protected spans：按 references/protected-spans.md 圈出参考文献引用/编号、图表编号/公式、数据与百分比、专业术语/定理、直接引语。这些片段在后续所有轮次中原样保留，不参与改写，更不能为降重编造。

1. 运行扫描脚本：

python3 ~/.claude/skills/aigc-reduce/scripts/aigc_scan.py <file.txt>
# 或在本 skill 根目录执行：
python3 scripts/aigc_scan.py <file.txt>

2. 估算修改量，确保总修改率 >40%：

操作层级	贡献	主要手段
词级替换	10-15%	模板词、AI 高频词、动词的系统性替换
句级重构	15-20%	语序重组、长句拆分、被动改主动、主语更换
段落调整	10-15%	对称段长打破、段间过渡

详细替换表见 references/replacement-tables.md。替换表中有 中文 AI 高频词清单，这些词在 AI 生成文本中出现频率远高于人类文本，必须全部替换。

对 docx 文件通过 python-docx 定位段落并替换文本。每处替换使用不同的替代词。

第二轮：注入书面学术特征（加法）

核心洞察：只去除 AI 痕迹是不够的，干净但节奏均匀的文本仍像 AI。但"注入的特征"必须是书面学术特征，不是口语特征。注入方向错了，就变成 issue 里被吐槽的"不像论文，成了说明文"。

本轮 register 底线（先读铁律 4 的 Anti-goals，再做本轮）：下面每一条注入，都以"保持学术书面语体"为前提；任何一条一旦滑向口语，宁可不注入。

在第一轮修改率达标的基础上，对每个段落做以下检查和补充：

节奏工程（提高突发性，但保持书面完整句）：

• 检查每段的句子长度分布，如果长度过于均匀（CV < 0.4），适度调整
• 将部分长句（50 字+）在语义自然处拆为中短句（15-30 字），但每句仍是完整的书面陈述句，不拆成电报式碎句
• 学术语体不追求"极短句制造节奏"；节奏来自长短句的自然交错，不是靠断句表演
• 目标：CV 提升到 0.45 左右即可，不必为节奏牺牲句子完整性

审慎推断语气（学术书面，非口语）：

• 在数据陈述后可加入学术化的推断限定："这一结果可能源于…""推测其原因在于…""该趋势有待更多样本验证"
• 在结论处承认复杂性："两者各自的贡献比例仍需进一步拆解""该推断的适用范围有待后续实验确认"
• ✅ 用"本文推测""据此判断""一种可能的解释是"这类书面表达
• ❌ 禁止"笔者觉得""我们感觉""说白了""老实说"这类口语化主观表达
• 每段最多加 1 句，不要过度

具体化操作细节（仅当原文本身包含、可据实补全时）：

• 在实验数据段落中补 1 句已有的操作观察（书面表述）
• 补充原文已提及的参数波动范围（如"反应时间在 ±15 min 内波动"）
• ⚠️ 绝不凭空编造原文没有的数据、异常值或实验细节（见 references/protected-spans.md）

声音校准（如果用户提供了参考文本）：

• 分析用户提供的其他论文/段落的写作风格
• 提取特征：平均句长、过渡词偏好、段落长度、常用表达
• 在改写中匹配这些特征，而不是用通用模板；若参考文本本身正式，则保持正式

第三轮：Anti-AI 审计（自检）

审视修改后的文本，回答："这段话为什么看起来还像 AI 写的？"

逐项排查（详细说明见 references/ai-patterns.md）：

• 重要性膨胀？（删掉"重要""关键"后含义不变？）
• 同义词轮换？（同一概念被叫了 3 个以上名字？）
• 三板斧？（连续出现"A、B和C"三件套？）
• 空洞结论？（"具有良好的应用前景"？）
• 公式化挑战段？（"尽管…但仍存在局限性"？）
• 成对转折收束？（相邻段落反复使用"不是…而是…"、"但至少…"、"不代表…"？）
• 模糊归因？（"有研究表明"无引用？）
• 悬浮式分析？（一句话挂了 2+ 个"从而/进而"？）
• 段落长度过于均匀？句式结构过于整齐？
• 节奏是否单调？（所有句子长度差不多？）
• 是否出现口语化 / 网络用语 / 情绪词？（对照 references/replacement-tables.md 负面清单，命中即改回书面学术表达）
• 破折号是否每段 ≤1 个？（超过即替换为逗号、句号或括号）
• 是否为降重补进了原文没有的事实、数据或文献？（命中即删除，见 references/protected-spans.md）

对剩余痕迹做确定性替换。如果发现普遍性问题，回到第一轮或第二轮补充操作。特别地：若审计发现任何口语化表达，必须无条件改回书面语，这优先于修改率目标。

终扫验证

再次运行扫描脚本，对比各维度指标变化。验证修改率是否 >40%。可在免费平台验证：腾讯朱雀 https://matrix.tencent.com/ai-detect/ai_gen_txt

改写示例

原文（AI 痕迹明显）：

SPI和KC含量的增加导致凝胶的L*显著降低（P<0.05），归因于两方面，首先，由于SPI本身呈黄绿色、KC呈浅黄色，浓度升高使凝胶内有色物质总量增加。此外，蛋白质分子的聚集及交联度增加会增强对光线的吸收，降低反射光线强度。上述结果一致表明，蛋白与多糖浓度的变化显著影响复合凝胶的色泽。

第一轮后（去除 AI 痕迹）：

SPI和KC用量增大的同时，L*值出现了明显下降（P<0.05）。主要有两方面原因：一是SPI本身偏黄绿色、KC偏浅黄色，浓度上来后凝胶体系中的色素总量随之增多；二是蛋白分子聚集和交联程度提高后对入射光的吸收更加强烈，反射光量因此减少[20]。把以上几组数据放在一起看，蛋白和多糖的用量变化对凝胶外观颜色产生了不可忽视的影响。

第二轮后（注入书面学术特征 — 注意节奏变化与审慎推断语气，全程保持书面语体）：

SPI和KC用量增大的同时，L*值出现了明显下降（P<0.05）。主要有两方面原因：一是SPI本身偏黄绿色、KC偏浅黄色，浓度上来后凝胶体系中的色素总量随之增多。二是蛋白分子聚集和交联程度提高后对入射光的吸收更加强烈，反射光量因此减少[20]。综合这几组数据可以看到，蛋白和多糖的用量变化确实改变了凝胶的外观颜色，不过两者各自的贡献比例仍有待进一步拆解。

⚠️ 反面示范（第二轮做错的样子，切勿模仿）：把上文改成"浓度一上来颜色就崩了""这个趋势我们测下来很稳，基本没跑偏""说白了就是料越多越暗"——修改率是够了，但已经不是论文语体。

第三轮后（Anti-AI 审计 — 检查无剩余问题）：

（如果第二轮后没有发现剩余 AI 痕迹，第三轮无需修改。）

检测平台注意

• PaperPure：灵敏度极高，AI 全量重写被判 100%。只能确定性替换，修改率 >40%
• 知网 3.0：准确率 98.6%，重点抓模板句式和格式规范性
• 不同平台差异大：同篇论文知网 35%、万方 12%，属正常现象
• 写得越好越容易被判 AI：高质量流畅文本假阳性率 6.5%，有口语化瑕疵的仅 1.8%。⚠️ 但这不等于"该把论文写得口语、写差一点"——那样过机审也过不了人审，且违背学术规范。正确做法见 references/detection-principles.md 的"护栏"段。

参考文档

• references/positive-style-academic.md — 降重正向标准 + "降重不足 / 过度口语 / 恰当"三级对照（守语体的核心）
• references/protected-spans.md — 改写前必须圈出的禁改片段（引用、公式、数据、术语），禁止为降重编造事实
• references/replacement-tables.md — 词级/句级/段落级替换表 + 中文 AI 高频词清单 + 口语化负面清单
• references/ai-patterns.md — 10 种深度 AI 痕迹识别模式
• references/detection-principles.md — 主流检测器技术原理与弱点
• evals/benchmark.md — 双向 benchmark（SF 该改 / SNF 不该误杀·不该口语化）
• scripts/aigc_scan.py — 自动化 AI 特征扫描脚本（9 维度，含口语化与破折号密度）