ai

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

通用-去AI味重写

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。

继续读取的 references（强制读取门禁）

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

总览：功能分组与读取时机

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。

---

第一组：诊断前置（入刀前判定病灶与强度）

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	★★★
references/朱雀AI检测七维度操作详解.md	深度诊断或需要了解朱雀检测各维度具体优化策略时必读。朱雀七维度（困惑度/爆发性/语义连贯性/修辞多样性/专业术语密度/情感一致性/创作风格匹配）的AI行为vs人类行为对比、量化判定方法与逐维度写作优化建议	★★★

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。

第二组：核心改造（拆洗执行时的工具库）

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。

第三组：人声回补（去味后补回人物声口与真实感）

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。

第四组：复检与回写（改稿后确保不洗坏）

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	★★★
references/去AI化报告模板.md	第十一步必读。每次执行本 Skill 后强制归档的去AI化报告完整模板（防敷衍声明/统计对抗结果/结构保护核对/工序执行记录/修改记录/未修改项/朗读复核/综合评级）与落盘规则	★★★
references/真实细节与反向挑刺补充.md	每轮必读。先写内容后去味、砍作文感、真实锚点、叙述距离、受控毛边、独立反向挑刺与人工终审	★★★

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。

第五组：平台专项（特定平台额外约束）

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	★

第六组：子Skill协同模块（快速通道与分层增强）

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

先写人声，再去AI味——去味的创作心态原则（新增）

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。

核心原则：先正常写作，写完再适度微调

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。

原则一：注入真实个人经历与不可复制的细节

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：

• 具体的时间、具体的场所、对话中才有的磕绊和重复、只有亲历者才能记住的感官碎片——这些是 AI 编不出来的内容。
• 当一段正文读起来"什么都有但什么都不真"，优先问自己：有没有一个真实的经历、见闻或观察能替换这段"正确但空洞"的叙述？
• 对于小说创作而言，"真实经历"也包括你在调研中积累的具体场景考证、实地观察后记录的环境质感、以及从真实人物身上捕捉到的说话习惯和反应模式。

原则二：保留你的个人痕迹作为"防 AI 标识"

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：

• 你喜欢说"说实话""你懂的""怎么说呢"——只要不泛滥，保留。
• 你的角色习惯用某种句式下结论——只要不偏离人物传记，保留。
• 你的段落节奏有特定的呼吸偏好——只要不是模板腔，保留。
• 去味的红线不是"把所有看起来像作者习惯的东西都洗掉"，而是"洗掉机器痕迹，保留人声指纹"。

原则三：主动打破节奏——长短句交替，让读者换气

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：

• 写完一个长句，接一个短句。
• 陈述完之后，加一个反问。
• 偶尔用一个字或两个字的超短句（"疼。""不对。""他来了。"）。
• 允许自己有一段"只是把事交代清楚就走"的过渡——不是每一句都要写得好看。

这不仅能降低 AI 检测率，更能让读者获得阅读的呼吸感。

原则四：表达鲜明的观点、立场和情绪

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：

• 明确的偏好——喜欢就夸，讨厌就骂。
• 不隐藏的情绪——愤怒时句子会短，激动时会重复，怀疑时会反问。
• 稳定的立场——角色的价值判断应该基于其传记，而不是"从所有角度看都正确"。
• 不完美的结论——不一定每段都要圆回来，允许留白和不完整。

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。

原则五：保留创作过程记录

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。

原则六：理解检测原理，从统计特征层面去味（新增）

来源：本仓库《朱雀AI检测机制与应对手段研究报告》（2026-06）；知乎专栏【写作规范】· 西安影子《朱雀AI检测 · 核心七维度详解》（2026-08-09）。

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。以下维度A-H来自研究报告，维度I-K为本次从朱雀七维度详解中新增补充。

检测维度A：困惑度（Perplexity）——词汇的"可预测性"

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。

检测维度B：突发性（Burstiness）——句子长度的"方差"

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。

检测维度C：词汇熵——用词的"多样性"

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。

检测维度D：语义结构——逻辑推进的"线性程度"

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。

快速记忆口诀（去味时默念）

"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。再加三问：有没有换着用修辞？有没有删掉教科书腔？有没有留下'只有我才这么写'的指纹？"

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。

检测维度E：主语重复率——叙事视角的"僵化程度"（新增）

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）：

• 逆序："她费劲地把眼睛抬起来" → "她费力地抬起眼"
• 感官引导："她听到了有人在叫喊" → "一道声音从头顶劈下来"
• 无主句："她试着睁开眼睛" → "试着睁开眼——没力气"
• 独词段："她感到疼" → "疼。不对。太困了。"

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。

检测维度F：语义指纹——文本的N-gram概率骨架（新增——吸收自研究报告）

来源：本仓库《写作技法_AI写作去味深层方法论》§发现一（2026-07-18），综合朱雀官方说明+AtomGit实测+殷念降AI红黑榜。

AI文本在不同主题、不同段落间呈现相似的N-gram概率分布骨架——即使用不同词汇，但词汇间的统计关系模式保持稳定。人类写作的概率分布随主题、情绪、场景发生明显波动。

检测方法（简易版）：取前300字和中间300字，分别统计高频2-gram（相邻二字组合）的出现模式。如果两段的2-gram分布图谱高度相似（如"的+名词""了+动词"组合占比接近），标记为"语义指纹AI风险"。

去味方向：在段落间主动改变句式骨架——一段用短句排比，下一段用长句嵌套；一段以名词开头为主，下一段以动词开头为主。本质是让不同段落的"统计DNA"看起来不一样。

检测维度G：情感分布——情绪的"心电图"（新增——吸收自研究报告）

来源：同上，综合社区朱雀逆向分析+腾讯云94%→0%提示词框架。

AI文本的情感密度趋于均匀分布——全文中性陈述占主导，情感词均匀撒布，缺乏人类写作中常见的"情感峰值"和"情感低谷"。人类写作的情感曲线像心电图——有起伏、有密集峰、有平静区。

检测方法：给全文每个自然段标注情感强度（0=中性，1=轻微，2=强烈），绘制情感曲线。如果曲线接近一条平直线（所有段落都在0-1之间），标记为"情感AI风险"。

去味方向：

• 制造情感峰值：在关键情节处集中释放高密度情感词
• 制造情感低谷：在紧张场景后的过渡段刻意"冷处理"，只用白描
• 情感注入的具体策略参见本节"深度扩展四·人味注入六法"中的"主观评价"法

检测维度H：逻辑封闭度——因果链的"完整度"（新增——吸收自研究报告）

来源：同上，综合朱雀绕过分析+有三思U Sense去AI味手册。

AI文本倾向形成完整的因果闭环——每一段都有明确的"因为→所以"、每个问题都有解答、每个伏笔都在本章内回收。人类写作天然存在逻辑跳跃、留白、不完整推断和"作者知道但故意不写"的信息缺口。

检测方法：逐段检查——如果连续5段以上每段都以总结句或结论句收尾（"由此可见""这说明""总之"等），标记为"逻辑封闭AI风险"。

去味方向：

• 每3-4段中至少有一段以"未完成的观察"结尾，不给出结论
• 允许角色做出"读者看得出是错误的"判断，且不在本章内纠正
• 情节A→B→C的链中，故意省略B的明确交代，让读者自己推断

检测维度I：修辞多样性——修辞手法的"种类与分布"（新增——吸收自朱雀七维度详解）

来源：知乎专栏【写作规范】· 西安影子《朱雀AI检测 · 核心七维度详解》（2026-08-09）；详见 references/朱雀AI检测七维度操作详解.md 维度四。

AI的修辞手法种类少、重复高——最常见明喻（"像…一样"）和拟人，同一修辞在全文反复出现。人类写作修辞手法种类丰富（明喻、暗喻、拟人、借代、通感、反讽、留白等交替使用），且修辞密度有节奏——高潮密集、平淡稀疏，修辞兼具画面与情绪。

检测方法：统计全文修辞标记词（"像""仿佛""如同""似的"等）的出现次数——若全篇"像…一样"结构超过3次，标记为"修辞AI风险"。

去味方向：

• 全篇"像"字句不超过3次
• 引入AI不易复制的修辞：通感（听觉+触觉混用）、借代（用具体物件替代抽象概念）、反讽/克制（用日常动作反写情绪）
• 确保每个喻体选择都反映角色的心理状态，而非仅为装饰

检测维度J：专业术语密度——学术腔的"异常插入"（新增——吸收自朱雀七维度详解）

来源：同上，详见 references/朱雀AI检测七维度操作详解.md 维度五。

AI倾向于在情感叙事中强行插入专业词汇以显得"有深度"——心理学类（"创伤后应激障碍""依恋理论"）、医学类（"多巴胺分泌""交感神经兴奋"）、学术类（"范式""异化""解构"）。人类在情感叙事中几乎不使用专业术语，用日常口语替代；即使涉及专业领域也倾向简化（"她睡不着"而非"她有失眠症"）。

检测方法：扫描心理学/医学/学术术语的出现——若在非专业场景中出现教科书式术语，标记为"术语AI风险"。

去味方向：

• 情感叙事中全面禁用心理学术语——用动作替代："她攥着那封信不松手，像是松了就会掉进一个没有底的地方"
• 用动作替代状态词——不写"她抑郁了"，写"她三天没有下床"
• 只使用角色认知范围内的语言——十五岁女孩不说"原生家庭创伤"，说"她不想回去"

检测维度K：创作风格匹配——文本是否"有作者指纹"（新增——吸收自朱雀七维度详解）

来源：同上，详见 references/朱雀AI检测七维度操作详解.md 维度七。

AI的风格特征过于典型——写古言就堆满古风词汇、写虐文就密集虐点，且全文节奏高度一致，缺少反复出现的个人化意象、句式或用词偏好。人类写作有独特的"指纹"——某个反复出现的意象（这个作者总写"杏花"）、某个句式偏好、某个用词习惯，且风格在"符合赛道"和"个人印记"之间平衡。

检测方法：

• 文本内部风格一致性检查：如果前50%和后50%的风格特征差异太大，可能是拼凑或AI分段生成
• 个性化特征频率检查：极高频或零出现都可能是AI（人类通常在中频区间）
• 比对同赛道人类平均风格参数——偏差过大或过小都标记

去味方向：

• 建立个人写作指纹：选一个核心意象（如"樱花"/"信"/"杏花"），让它反复出现但不重复写法
• 控制开篇/高潮/结尾的节奏差异：开篇短句密集 → 中段长短交替 → 高潮句式拉长 → 尾声回到短句
• 在合规范围内制造一处"偏离"——古言中写一个现代观察视角，虐文中写一段冷淡客观描写

朱雀七维度完整操作指南：以上维度一至七（困惑度/爆发性/语义连贯性/修辞多样性/专业术语密度/情感一致性/创作风格匹配）的详细AI行为vs人类行为对比、朱雀量化判定方法、逐维度写作优化建议与示例，详见 references/朱雀AI检测七维度操作详解.md。该文件内含七维度加权汇总表，标注了各维度权重（困惑度/爆发性/情感一致性为高权重，优先处理）。

去味策略的量化效果基准——多方法实测数据（新增——吸收自研究报告）

来源：本仓库《写作技法_AI写作去味深层方法论》§发现四（2026-07-18），综合腾讯云94%→0%框架、殷念降AI红黑榜、凤凰网6提示词测评、优采云混合模式实测——四源交叉验证。

以下数据用于在去味时校准预期——选择正确的策略层级，避免在无效方法上浪费精力：

方法层级	朱雀检测率范围	降幅	说明
纯AI生成（无干预）	80-100%	—	基准线
L0: 同义词替换/语序调整	75-95%	0-5%	已失效——仅换词不改统计结构
纯AI互改（用AI改AI）	~85%	<10%	基本无效——同源AI的统计指纹一致
L1: 删连接词+改句式+加主观表达	40-60%	20-40%	适合短文/社交媒体
手动微调（1000字内）	40-50%	40-50%	熟练作者逐句调整效果
L3: 源头防控（CREATE+分步+过滤）	10-30%	60-90%	指令回声实测：80%→30%
L4: 人机混合模式	5-25%	70-95%	通过率比纯AI高54个百分点

决策指南：若你的目标是朱雀检测率<30%——只做L1不够，必须上L3。若目标是<10%——必须上L4。不要在L0上浪费一分钟。

深度阅读：以上检测维度与量化数据的完整研究过程、多源交叉验证细节、CREATE框架的学术谱系、Decomposed Prompting的三层机制分析，详见本仓库 写作研究/写作技法_AI写作去味深层方法论.md。

原则七：编辑判定AI的优先级排序——去味的质量标尺（新增）

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"）：

1. 主线逻辑一致性（最优先）——前后情节是否自洽、线索是否断裂。AI经常在长篇幅中丢失线索。
2. 人设稳定性——角色言行前后是否一致。AI写的人容易"今天知性明天泼辣"，随场景切换而漂移。
3. 对话自然度——台词是否符合角色身份和情绪状态。"所有人说同一口标准中文"是高危信号。
4. 过渡自然度——场景切换是否生硬。AI喜欢用"转眼间""片刻后"来跳时间，缺乏润滑。
5. 描写效率——描写是否服务于情节推进。AI扩写常填大量"漂亮但不推动剧情"的细节。
6. 文笔精细度（最低优先级）——"写得太好"反而不是AI的证据。人类可以有粗糙、啰嗦、信息密度低的段落。

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。

原则八：AI检测的理性认知——去味的正确战略姿态（新增）

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。

认知一："会不会被检测"和"读者爱不爱看"是同一个问题