| name | bypass-aigc-detection |
| description | 降低AI生成内容(AIGC)检测率的文本改写技能。通过双阶段处理流程（润色+原创性增强）、 智能分段、上下文历史压缩、跨语言结构重塑等策略，将AI生成的学术论文或文章改写为 具有"人类写作印记"的文本。支持中文和英文，提供论文润色、学术增强、感情文章改写 三种模式。当用户提到降低AIGC检测率、降AI率、论文润色、学术改写、绕过AI检测、 人类化改写、anti-AI-detection、humanize text时使用此技能。 |
| metadata | {"author":"chi111i","version":"1.0","source":"https://github.com/chi111i/BypassAIGC","license":"CC BY-NC-SA 4.0"} |
降低 AIGC 检测率 — 文本改写技能
核心原理概述
本技能基于 BypassAIGC 项目的逆向分析，提炼出其降低 AIGC 检测率的完整方法论。核心思路是：AI 检测工具识别的是 AI 文本的统计特征（词汇选择的均匀性、句式结构的规范性、逻辑连接词的高频使用），因此通过系统性地破坏这些特征，即可大幅降低检测率。
双阶段处理架构
系统采用两阶段串行处理，每阶段有独立的 Prompt 和目标：
- 第一阶段：论文润色（Polish） — 以"顶级学术编辑"角色，对文本进行深度解释性润色，增加人类写作中常见的冗余、解释性表达和结构变化
- 第二阶段：原创性增强（Enhance） — 以"风格拟态专家"角色，进一步消除残留的 AI 文本特征，注入更强的"人类风格指纹"
两阶段叠加的效果远优于单阶段处理，因为每阶段的改写会引入不同维度的变化。
智能分段 + 上下文压缩
- 文本按段落分割（每段不超过 500 字），逐段送入 LLM 处理
- 已处理段落的输出作为 history（assistant 消息）传递给后续段落，保证全文风格一致
- 当累积历史超过阈值（默认 5000 中文字符）时，用另一个 LLM 调用压缩历史为摘要，避免 context 溢出
When to Use This Skill
当用户需要：
- 降低论文或文章的 AIGC 检测率（如 GPTZero、AIGC-X 等工具的检测）
- 将 AI 生成的学术文本改写为更具人类写作风格的文本
- 对已有文章进行"人类化"改写
- 了解 AIGC 检测对抗的原理和策略
Instructions
第一步：判断语言和文本类型
接收用户输入的文本，判断：
- 语言：中文 or 英文 — 决定使用哪套改写协议
- 文本类型：学术论文 / 感情文章 / 通用文本 — 决定使用哪种处理模式
第二步：智能分段
将全文按段落（\n）分割。对每个段落：
- 如果字符数 < 15，标记为标题/短段落，直接保留原文不处理
- 如果单段落超过 500 字，按句号分割为更小的片段
第三步：执行第一阶段改写（润色）
对每个非标题段落，按照以下策略进行改写。改写时参考 references/polish-prompt.md 中的完整 Prompt。
中文策略（Protocol A）
核心操作：
-
动词短语扩展 — 将简洁动词替换为带有过程描述的复合短语：
- "处理" → "对…进行处理"
- "实现" → "成功实现了" / "得以实现"
- "分析" → "对…开展了深入分析"
-
逻辑辅助词增强 — 添加 "的"、"地"、"所"、"会"、"可以"、"方面"、"其中" 等：
-
系统性词汇替换：
- "通过" → "借助" / "依赖于"
- "使用/采用" → "运用" / "选用"
- "基于" → "以…为基础"
- "和/与" → "以及"
-
括号内容融合 — 将解释性括号整合进句子：
- "ORM（对象关系映射）" → "对象关系映射（ORM）技术"
-
句式微调：
- 使用"把"字句："将对象移动" → "把这个对象移动"
- "若…，则…" → "如果…，那么…"
英文策略（Protocol B）— "中转-优化-回译"范式
这是本项目最关键的创新，通过跨语言维度的转换破坏 AI 文本的底层结构：
- Step 1: 英→中转译 — 按中文表达习惯将英文转为流畅中文
- Step 2: 中文结构优化 — 对中文版本执行 Protocol A 的润色规则
- Step 3: 机械式回译 — 将优化后的中文逐字地、机械地翻译回英文，严格保留中文语序
- Step 4: 输出 — 最终英文带有源自中文逻辑的"异质感"
回译铁律：
- 结构绝对优先：忠于中文词序直接映射，即使英文显得"非地道"
- 词汇基础化：优先选用最基础、最常见的英文对应词，规避 nuanced / leverage / robust 等 AI 高频词
第四步：执行第二阶段改写（增强）
在第一阶段输出的基础上，进一步增强原创性。参考 references/enhance-prompt.md。
中文增强策略
在第一阶段基础上加强：
- 更深度的冗余增加：
- "管理" → "开展...的管理工作"
- "验证" → "开展相关的验证工作"
- 生僻词常用化：
- 条件句式口语化：
- "若…，则…" → "要是...，那就..." / "如果...，就..."
英文增强策略
与第一阶段相同的"中转回译"流程，但规则更激进：
- 用最简单的单词
- 不考虑英文语法和句子结构
- 减少连词和逻辑词
第五步：自我审查
每个段落输出前强制自检：
- 字数一致性：改写前后字数差不超过 30 字
- 段落结构保持：维持原文的段落划分
- 技术内容保护：不修改技术术语、专有名词、代码片段、API 路径等
- 核心逻辑不变：因果关系和功能描述与原文一致
- 无第一人称：禁止"我"、"我们"
- 纯文本输出：不附加任何解释、注释或标签
- 语言一致性：输入中文则输出中文，输入英文则输出英文
关键通用规则（所有阶段均适用）
- 绝对禁止修改技术术语、专有名词、代码片段
- 核心逻辑必须与原文完全一致
- 禁止第一人称和口语化表达（学术模式下）
- 字数与原文保持一致（误差 < 30 字）
- 段落结构不变
- 只输出改写后的文本，不输出解释
处理模式说明
| 模式 | 说明 | 阶段 |
|---|
paper_polish_enhance | 论文润色+增强（默认，效果最好） | Polish → Enhance |
paper_polish | 仅论文润色（改动较小） | Polish |
paper_enhance | 仅原创性增强（直接增强原文） | Enhance |
emotion_polish | 感情文章改写（非学术风格） | Emotion Polish |
感情文章模式（补充）
当文本为非学术类感情文章时，使用完全不同的改写策略：
- 中文：混沌口语流风格，极致长句+逗号流，打破标准主谓宾，大量省略和倒装
- 英文：扮演"愤世嫉俗的领域专家"，口语化缩写（it's, gonna, ain't），允许自然拼写变体（offcourse, Afterall）
详见 references/emotion-prompt.md。
Examples
中文输入
原文：
本系统基于Django框架开发，使用了RESTful API进行前后端通信，通过JWT实现了用户认证。
第一阶段（润色）输出：
本系统以Django框架为基础来开展开发工作，运用了RESTful API来进行前后端之间的通信，借助JWT成功实现了用户认证的功能。
第二阶段（增强）输出：
本系统是以Django框架为基础来开展相关的开发工作的，选用了RESTful API来进行前端以及后端之间的通信交互，凭借JWT得以实现了用户认证方面的功能。
英文输入
原文：
The system leverages a microservices architecture to achieve high scalability and robust fault tolerance.
处理流程（内部）：
- 英→中："该系统利用微服务架构来实现高扩展性和强容错性。"
- 中文润色："该系统是借助微服务架构来得以实现高扩展性以及强容错性的。"
- 机械回译："This system is by using microservices architecture to achieve high scalability and strong fault tolerance."
最终输出：
This system is by using microservices architecture to achieve high scalability and strong fault tolerance.
许可与来源 / License & Attribution
本技能的改写策略和 Prompt 设计衍生自 BypassAIGC 项目（作者 Yan Wenxin），原项目采用 CC BY-NC-SA 4.0 许可证。本技能对原始 Prompt 进行了提炼、重组和格式化，不包含原项目的任何可执行代码。
This skill's rewriting strategies and prompt designs are derived from BypassAIGC by Yan Wenxin, licensed under CC BY-NC-SA 4.0. This skill distills and restructures the original prompts; it contains no executable code from the original project.
