humanize-ai-text

name	humanize-ai-text
description	[已过时] AI文本拟人化技能 — 检测并转化AI生成文本为自然人性化的表达，降低AI检测率至2%以下。冷邮件开发信必经流程。已被 sdr-humanizer 取代。

humanize-ai-text — AI文本拟人化

Skill Graph： 领域 → [[_index-outreach|多渠道触达领域]] | 上游 ← [[company-research|企业背调]]（个性化素材） ← [[_index-outreach|触达领域]] | 下游 → [[email-sender|邮件发送]]

将 AI 生成的文本（尤其是冷开发信）转化为自然、人性化的表达，通过 AI 检测和智能转化双重流程，确保输出内容的 AI 密度 < 2%。

---

工作流程

输入：AI生成的文本（含AI模式特征）
    ↓
Step 1: detect.py → AI密度评分（≥8.5 则需要润色）
    ↓
Step 2: transform.py → 生成拟人化版本
    ↓
Step 3: 再检测 → 确认 AI密度 < 2%
    ↓
输出：可通过 AI 检测的自然文本

---

Step 1: AI检测（detect.py）

使用方法

python detect.py "待检测的文本内容"

输出说明

AI Score: X.X / 10.0
判断: [PASS/NEED_HUMANIZE]
AI密度: X.XX%

PASS    → AI密度 < 8.5%，无需润色，可直接使用
NEED_HUMANIZE → AI密度 ≥ 8.5%，需要调用 Step 2 润色

检测维度

维度	AI特征	人类特征
词汇多样性	使用 "Furthermore" "Moreover" "In conclusion"	使用 "Also" "And" "So"
句子结构	完美对称的复合句	偶有打断、补充
格式风格	过多列表、编号、格式一致	有变化、有省略
过渡词	"首先、其次、最后" 三段式	自然的 "然后" "接着"
开头	"感谢您抽出宝贵时间" "我们很高兴..."	直接切入、个性化开头

检测算法

# 核心检测逻辑（伪代码）
def calculate_ai_score(text):
    score = 0.0
    # 1. 过渡词检测
    if has_pattern(text, ["Furthermore", "Moreover", "In conclusion", "Firstly", "Secondly"]):
        score += 2.0
    # 2. 格式化过度
    if has_excessive_bullets(text):
        score += 1.5
    # 3. 对称句子结构
    if has_perfect_parallelism(text):
        score += 1.0
    # 4. 开头问候语
    if has_formal_opening(text):
        score += 1.5
    # 5. 过度的正面形容词
    if has_excessive_superlatives(text):
        score += 1.0
    # 6. 关键词重复检测
    if has_keyword_repetition(text):
        score += 1.0
    return score

---

Step 2: 智能润色（transform.py）

使用方法

python transform.py "需要润色的文本" [--target_score 8.5]

润色策略

AI模式	润色方式
过度礼貌	改为直接、自信语气
机械过渡词	替换为自然的连接词
完美格式	打乱列表、添加口语化
冗长开头	改为简短、个性化切入点
三段式结构	合并或删除冗余段落
过多功能词	精简、保留核心信息

润色规则

# 核心润色逻辑（伪代码）
def humanize(text, target_score=8.5):
    current_score = detect(text)

    # 多次迭代直到达到目标分数
    iterations = 0
    while current_score > target_score and iterations < 5:
        # 1. 简化开头（删除套话）
        text = simplify_opening(text)

        # 2. 替换过渡词
        text = replace_transitions(text)

        # 3. 打破格式化
        text = break_formatting(text)

        # 4. 添加口语化表达
        text = add_informal_touch(text)

        # 5. 删除冗余
        text = trim_redundancy(text)

        current_score = detect(text)
        iterations += 1

    return text

常见润色示例

AI原文	润色后
"首先，让我们探讨一下这个问题"	"我来直接说"
"感谢您抽出宝贵时间阅读我的邮件"	"直接说重点——"
"我们的产品具有以下优势：1. 2. 3."	"产品核心优势是："
"综上所述，我们可以得出结论"	"所以，简单说——"
"此外，另一方面，然而"	"还有"
"请允许我自我介绍"	"我是——"

---

Step 3: 质量验证

润色完成后，自动运行检测确认 AI 密度 < 2%。若仍超标，提示人工介入。

验证通过标准

• AI Score < 2.0 (满分10.0)
• 核心信息完整度 > 95%
• 无拼写/语法错误

---

与其他技能配合

上游技能	输入	humanize-ai-text 作用
cold-email-generator	冷开发信初稿	检测+润色 → AI密度<2%
linkedin-writer	LinkedIn 私信	检测+润色 → 自然表达
whatsapp-outreach	WhatsApp 消息	检测+润色 → 口语化

下游技能	输出
email-sender	发送最终版本
acquisition-evaluator	评分验收（需≥9.0分）

---

配置

可选参数

target_score: 6.0      # AI密度阈值（低于此值需润色）
min_score: 9.0        # 最终评分需达到此分数（满分10）
max_iterations: 5     # 最大润色迭代次数
preserve_keywords: []  # 保留关键词（不润色）

---

注意事项

1. 不要删除核心信息：润色时必须保留产品名称、核心价值 proposition、客户名称
2. 避免过度润色：每个句子只改 1-2 处，保留原意
3. 文化适配：不同市场对正式度的期望不同，润色时考虑目标受众
4. 评分虚高问题：若评分与实际不符，检查 detect.py 中的关键词库是否过期

---

版本: 1.0.0 更新: 2026-04-21 用途: cold-email-generator v2.0 强制依赖