// 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。
| 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。
三个错误的做法（很多教程都在做但无效）：
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。
与英文 AI 不同，中文大模型的痕迹主要表现在：
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）。
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ 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 │ ←────────┘
└─────────────┘ └─────────────┘
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。
按段落功能分类：
参考 references/academic-sections.md 的分章节策略表决定每段的改写力度。
针对 Step 1 清单里的每一条，按以下四条原则逐一修复：
⚠️ 禁止事项：
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。
用"冷读者"视角重新审视全文，执行三项终审：
输出终稿 + 改动摘要（哪些段落改了多少、为什么改）。
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"。
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。
Detect and humanize AI-generated Chinese text. 20+ rule detection categories plus statistical features (sentence-length CV, short-sentence fraction, comma density, perplexity, GLTR, DivEye) plus scene-aware LR fusion (rule × 0.2 + LR × 0.8) trained on three scenes: general / academic / longform 长文本 (≥1500 字)。Unified CLI: ./humanize {detect,rewrite,academic,style,compare}. 8 style transforms (casual/zhihu/xiaohongshu/wechat/academic/literary/weibo/novel)。 Multi-paragraph rewriting (paragraph length CV、跨段 trigram 重复) plus best-of-N humanize (默认 N=10 取最低 LR)。165 replacement patterns + CiLin 同义词词林 38873 with collision blacklist。 Academic paper AIGC reduction for CNKI/VIP/Wanfang (知网/维普/万方 AIGC 检测降重)。 Pure Python, no dependencies, offline。v5.0.0 — HC3 fused 准确率 95%、学术 hero 100→35 (-65)、 工作汇报 96→13 (-83)、长篇博客 96→41 (-55)。 Use when user says: "去AI味", "降AIGC", "人性化文本", "humanize chinese", "AI检测", "AIGC降重", "去除AI痕迹", "文本改写", "论文降重", "知网检测", "维普检测", "AI写作检测", "让文字更自然", "detect AI text", "humanize text", "reduce AIGC sc
A brief description of what this skill does
Classical end-to-end empirical analysis workflow in the traditional Stata ecosystem — native Stata + reghdfe + ivreg2 + csdid + did_imputation + eventstudyinteract + sdid + rdrobust + rddensity + synth + synth_runner + psmatch2 + teffects + ebalance + coefplot + esttab + asdoc + binscatter. **Defaults to economics empirical-paper style** (AER / QJE / AEJ) — every run produces a publication-ready output set with a multi-column regression table (M1→M6 progressive controls/FE) as the centerpiece, plus Table 1 (descriptives), mechanism / heterogeneity / robustness tables, and event-study + coefficient + trend figures. Covers the full 8-step Stata pipeline an applied economist runs on every paper — (1) data import & cleaning (use/import, destring, misstable, duplicates, merge assert), (2) variable construction (gen/egen/winsor2/xtile/xtset with L./F./D.), (3) descriptive statistics & Table 1 (tabstat/balancetable/asdoc), (4) classical diagnostic tests (sktest/swilk/hettest/imtest/xtserial/xttest3/vif/dfuller/kpss/
Classical end-to-end empirical analysis workflow in the traditional Python econometric stack — pandas + numpy + scipy + statsmodels + linearmodels + pyfixest + rdrobust + econml + causalml + matplotlib/seaborn. **Defaults to economics empirical-paper style** (AER / QJE / AEJ) — every run produces a publication-ready output set with a multi-column regression table (M1→M6 progressive controls/FE) as the centerpiece, plus Table 1 (descriptives), mechanism / heterogeneity / robustness tables, and event-study + coefficient + trend figures. Covers the full 8-step pipeline an applied economist or quantitative social scientist runs on every paper — (1) data cleaning, (2) variable construction & transformation, (3) descriptive statistics & Table 1, (4) statistical diagnostic tests, (5) baseline empirical modeling, (6) robustness battery, (7) further analysis (mechanism, heterogeneity, mediation, moderation), (8) publication-ready tables & figures. **Also covers two parallel domain modes that share the same 8-step scaf
Classical end-to-end empirical analysis workflow in the modern tidyverse + econometrics R ecosystem — dplyr + tidyr + haven + fixest + sandwich + lmtest + clubSandwich + AER + ivreg + did + bacondecomp + HonestDiD + eventstudyr + rdrobust + rddensity + Synth + gsynth + synthdid + MatchIt + WeightIt + cobalt + ebal + grf + DoubleML + mediation + marginaleffects + modelsummary + kableExtra + gt + ggplot2 + ggpubr + cowplot + binsreg. **Defaults to economics empirical-paper style** (AER / QJE / AEJ) — every run produces a publication-ready output set with a multi-column regression table (M1→M6 progressive controls/FE) as the centerpiece, plus Table 1 (descriptives), mechanism / heterogeneity / robustness tables, and event-study + coefficient + trend figures. Covers the full 8-step R pipeline an applied economist runs on every paper — (1) data import & cleaning (read_dta/read_csv, naniar, janitor, validate-merges), (2) variable construction (mutate/across/winsorize/group_by + lag/lead with dplyr), (3) descriptive
Conduct comprehensive, systematic literature reviews using multiple academic databases (PubMed, arXiv, bioRxiv, Semantic Scholar, etc.). This skill should be used when conducting systematic literature reviews, meta-analyses, research synthesis, or comprehensive literature searches across biomedical, scientific, and technical domains. Creates professionally formatted markdown documents and PDFs with verified citations in multiple citation styles (APA, Nature, Vancouver, etc.).