pattern-based-detection

# SKILL.md - Pattern-Based Detection（基于模式的 AI 痕迹检测） ## R (Reading) - 原文引用 > "Humanizer uses 35 patterns from Wikipedia's [\"Signs of AI writing\"](https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing), maintained by WikiProject AI Cleanup." ## I (Interpretation) - 方法论骨架 **核心思想**：使用 35 个来自 Wikipedia 的模式来识别和移除 AI 生成的文本特征。这些模式涵盖夸大重要性、过度使用的 AI 词汇、格式问题、结构逻辑问题等多个类别，为系统化检测 AI 痕迹提供了标准化框架。 **关键要素**： 1. **35 Patterns**: 来自 Wikipedia 的标准化模式列表 2. **Categorized**: 按类别分组（夸大重要性、AI 词汇、格式问题、结构逻辑、Chatbot 特征、填充词） 3. **Maintained by WikiProject AI Cleanup**: 由维基百科项目持续维护 ## A1 (Past Application) - 书中作者用过的案例 Humanizer 的核心就是基于这 35 个模式进行 AI 痕迹检测。README 中详细列出了所有模式及其 Before/After 对比示例，如： - Pattern 1: Inflated importance and legacy（夸大重要性和遗产） - Pattern 7: Overused AI words（过度使用的 AI 词汇） - Pattern 14: Em/en dashes（破折号滥用） - Pattern 20: Chatbot text left in the answer（Chatbot 文本残留） 这种基于模式的检测方法确保了系统化和标准化的 AI 痕迹识别。 ## A2 (Future Trigger) - 用户在什么情境下会需要这个 **适用场景**： - 用户想知道如何识别 AI 生成的文本 - 用户想了解有哪些常见的 AI 写作特征 - 用户想建立系统化的 AI 痕迹检测方法 - 用户想学习 Wikipedia 的 35 个模式 **与相邻 skill 的区分**： - 与 `two-pass-rewriting` 的区别：pattern-based-detection 关注**识别 AI 痕迹**，而 two-pass-rewriting 关注**去痕流程**。前者是检测阶段，后者是重写阶段。 - 与 `voice-matching` 的区别：pattern-based-detection 关注**通用模式检测**，而 voice-matching 关注**个性化风格匹配**。前者是标准化方法，后者是个性化调整。 ## E (Execution) - 可执行步骤 1. **了解 35 个模式** - 阅读 Wikipedia 的"Signs of AI writing"页面 - 理解每个模式的含义和示例 - 掌握模式的分类（6 个类别） - 完成标准: 能复述 6 个类别名称，并为每个类别举出至少一个具体模式 2. **应用模式检测** - 逐段检查文本是否包含 AI 痕迹 - 标记出符合模式的段落 - 记录检测到的模式类型 - 完成标准: 输出检测报告，含命中模式编号、原文引用与所在位置 3. **评估检测结果** - 统计检测到的模式数量 - 分析哪些类别的模式最频繁 - 确定需要重点改进的方面 - 完成标准: 有各类别命中次数统计与优先改进项排序 4. **制定去痕策略** - 根据检测结果确定优先级 - 选择适合的去痕方法 - 准备进入两遍重写流程 - 完成标准: 形成书面去痕优先级清单，并确认转入 two-pass-rewriting 阶段 ## B (Boundary) - 什么时候不适用 **不适用场景**： - 纯创意写作评估（可能需要保留某些 AI 特征） - 非文本类内容分析（如代码、数据、图像） - 快速原型验证（不需要完整检测） **作者的盲点**： - Blader 假设 35 个模式足以覆盖所有 AI 痕迹，但实际上可能还有未发现的特征 - humanizer 缺少对模式权重的说明，所有模式同等重要可能不合理 - 没有提到如何更新模式列表以应对新的 AI 写作特征