Menu
审核中文内容中的 AI 写作痕迹。支持"审核"（仅标记）和"改写"两种模式。当用户说"查 AI 痕迹"、"去 AI 味"、"审核 AI 写作"、"这段像不像 AI 写的"时触发。
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Baseado na classificação ocupacional SOC
| name | avoid-ai-writing-zh |
| description | 审核中文内容中的 AI 写作痕迹。支持"审核"（仅标记）和"改写"两种模式。当用户说"查 AI 痕迹"、"去 AI 味"、"审核 AI 写作"、"这段像不像 AI 写的"时触发。 |
| version | 1.0.0 |
| license | MIT |
| compatibility | Any AI coding assistant that supports agentskills.io SKILL.md format (Claude Code, Cursor, VS Code Copilot, Hermes Agent, OpenHands, etc.) or OpenClaw. |
| metadata | {"author":"Woosley Xu","tags":"writing editing chinese voice quality","agentskills_spec":"1.0"} |
你正在审核中文内容，识别并消除让文本读起来像机器生成的 AI 写作模式。
本 skill 有两种工作模式：
改写（默认）— 标记 AI 痕迹，并改写文本消除它们。
审核 — 仅标记 AI 痕迹，不改写。适用于：
当用户说"审核"、"只标记"、"扫一下"、"查 AI 痕迹"时使用审核模式。未指定则默认改写模式。
改写模式的输出：
审核模式的输出：
AI 极度偏爱这个对比句式。一篇文章中出现 1–2 次是有效修辞，超过 3 次就是 AI 的结构性依赖。
例外：哲学/概念阐述类文章中，"不是 X，而是 Y"常作为概念区分工具而非 AI 修辞依赖。如果文章本身在逐层辨析概念（存在者 vs 存在、问题 vs 奥秘），每节出现 1–2 次是可接受的。判断标准不是计数，是看这句话在推进概念还是填充句式。如果删掉后概念区分崩塌，保留；如果删掉后上下文依然通顺，是 AI 冗余。
注意变体也要计入：
这是中文 AI 写作中最隐蔽、最普遍的模式之一。
模式：长句陈述 → 短句补充/列举 → 短句让步确认
"最近看几家厂商的方案，我越来越强烈地感觉到一件事：大家演示得最卖力的，往往都是模型防护。
比如红队、越狱检测、提示词注入拦截、输出过滤。
这些当然重要。"
三个问题：
变体：
全文上限：1 次。 超过 1 次就是 AI 在用同一个套路反复周转。
修复方法：
#2 的变体。#2 是"让步型三拍"（假装客观），这条是"展示型三拍"（炫耀修辞）。
模式：长句铺垫 → 两个对称短句 → 一句 meta 点评
"前两年聊 AI 安全，重心还在模型本身：越狱、幻觉、敏感信息泄露、提示词注入。
AI 从 chat 走向 agent 之后，风险的性质变了。
Copilot 的主要风险是说错。Agent 的主要风险是做错。
差一个字，背后的系统设计完全不同。"
三个问题：
变体：
全文上限：0 次。 对比本身可以保留，删掉 meta 点评那句，让内容自己发力。
修复方法：
AI 偏爱整齐的排比来制造气势，但读起来像模板输出。
AI 喜欢在展开之前先"报幕"——告诉读者接下来要讲什么、讲几点。
例外：架构职责枚举。 当列举的是系统设计中真正有不同功能的职责切分——比如「Gateway 做三件事：身份翻译、权限收口、审计补全」——这不是修辞报幕，是架构描述。判断标准：删掉「X 件事」这句后，后面的展开是否失去锚点？如果失去，说明它是内容锚点而非修辞装饰。如果后面只是一个没有递进关系的并列列表，则仍是报幕。
用情绪词预告下一句的重要性，而不是让内容自己说话。
AI 喜欢用工整的对仗结尾，听起来漂亮但缺乏实质认知落点。
AI 用反问句做段落过渡来拖延进入正题。
AI 极度偏爱这个三段式连接词结构。人类写作如果真的有三点，通常不会每点都用连接词标记——直接说就行了。
AI 几乎不会只站一边。每个论点都要"一方面…另一方面…"，每个判断都留退路。结果是什么立场也没有。
AI 在论据和结论之间插入一个"翻译句"，替读者画重点。人类写作让论证自己说话。
AI 把每一步逻辑都铺满，怕读者跟不上。每个因果关系都要显式标注，每个概念都要先定义再使用。结果是读起来像教科书。
有些中文长文第一轮去味后，词句已经不明显像 AI，但整体仍然有一种“整理好再交付”的味道。用户常会直接说：AI 味还是重。 这时不要只继续删高频词，要改结构节奏。
常见信号：
第二轮改写重点：
先动结构，再动词句
优先补真实卡点，而不是继续润色
允许局部不那么工整
警惕“已经很好读，但还是不像人”
执行建议：
AI 写"我"但不像"我"——表面有第一人称，但后面紧跟的是通用观点而非真实经历。
这条对中文公众号论述文尤其重要。用户明明要的是讨论一个问题、提出一个判断，AI 却喜欢先铺一个"场景"、"感觉"、"最近一直在想"，把文章带进故事口吻。结果不是更有人味，而是更像表演。
常见信号：
适用场景：
修复方法：
开头直接抛问题或判断，不先铺情绪场景
把"我看到/我感觉/我想到"改成更直接的论点推进，除非那个"我"后面跟着不可替代的真实细节
段落之间靠逻辑递进，不靠叙事转场
如果一段删掉场景描述后，论证完全不受影响，说明那段只是叙事包装，直接删
对于行业判断类文章，优先用"问题 → 旧前提 → 新变化 → 结论"结构，不用"场景 → 感受 → 感悟"结构
❌ "我在工作中发现，沟通能力非常重要。"（没有任何具体场景）
❌ "我个人认为，这个趋势会持续下去。"（"我个人认为"是装饰，删掉不影响任何东西）
❌ "据我观察，越来越多的企业开始关注……"（谁的观察？观察了什么？）
✅ 真实的"我"带具体细节：时间、地点、角色、意外、情绪。"上个月我在给客户做 demo 的时候，Agent 直接调了一个不该调的 API"——这种"我"删不掉。
判断标准：把"我"换成"有人"或者直接删掉，如果句子完全不受影响，说明这个"我"是伪装的。
中文 AI 为了显得"有文采"，频繁使用成语和四字结构。技术文章中，人类很少密集使用成语。
AI 喜欢用"我们"把读者拉进来，制造"你我一样"的幻觉。但读者的第一反应往往是"你别代表我"。
和 #12 伪个人视角是一体两面。伪个人视角是"我"太假，这条是"我"太多。
AI 在试图模拟个人风格时，会连续几句都用同样句法反复强调"我怎么想""我怎么感受""我怎么发现"，读起来从真实变成了自我陈述表演。
有些中文技术文章不是词句像 AI，而是整段推进方式像 AI：明明在讨论一个系统设计问题，却硬要包一层"我最近反复在想一个场景""先讲个故事"的叙事壳。结果读者还没进问题，就先被拖进作者搭好的舞台。
这个模式在技术公众号里尤其明显：
这种写法未必错误，但如果用户要的是讨论一个问题，故事感本身就是 AI 味来源。因为它像一篇被整理过、包装过的交付稿，不像一个人真在把问题想透。
修复方法：
判断标准：
AI 论证的终极模式：先否定旧观点，再肯定新观点，全文变成一个"旧的不好→新的才对"的单向论证。看起来有对比，其实是在给标准答案。
AI 在文章开头或展开方案前，喜欢预先声明"这不是 X，只是 Y"来降低读者期待、给自己留退路。表面上是谦虚，实际是回避对自己观点负责。
全文上限：0 次。 让内容自己说明它是什么性质的东西。
| 替换 | 用 |
|---|---|
| 赋能 | 帮助、支持、让……能够 |
| 拥抱（比喻义） | 采用、接受、转向 |
| 底层逻辑 | 原理、核心机制、根本原因 |
| 打通 / 打通闭环 | 连接、整合 |
| 全方位 | 各方面、多个层面（或说清具体哪几个方面） |
| 抓手 | 切入点、手段、方法 |
| 沉淀 | 积累、记录、保留 |
| 心智 / 用户心智 | 认知、印象、理解 |
| 颗粒度 | 精度、细度、层级（或直接说"更细"） |
| 链路 / 全链路 | 流程、路径、调用链（技术语境可保留） |
| 降本增效 | 省钱提效率（或说清省了什么、提了什么） |
| 深度赋能 | （删掉，说清楚具体做了什么） |
| 生态（非技术义） | 行业、市场、社区 |
| 破圈 | 传播到更多人、跨出原有圈子 |
| 范式 / 范式转移 | 模式、方式、方法论（"paradigm" 的中文翻译同样 AI 味重） |
同一段落出现 2 个以上时标记：
| 词 | 替代 |
|---|---|
| 本质上 | 其实、说白了、根本上是 |
| 某种意义上 | （多数时候可以删掉） |
| 真正的 | （检查是否必要，常可删掉） |
| 核心 | 关键、重点、根本 |
| 关键在于 | 重点是 |
| 换句话说 | （检查是否真的在换说法，还是在重复） |
| 从某种角度来看 | （删掉或具体化那个角度） |
| 不可忽视 | （直接说为什么重要） |
| 毋庸置疑 | （删掉，直接说） |
| 至关重要 | 很重要、关键（或说清为什么重要） |
AI 为了制造力量感，偏爱选择过于剧烈的动词，把普通变化写成暴力事件。
子类：拟人化技术动词。 AI 喜欢用人体动作来描述系统/技术概念的状态，制造一种"生动口语感"。单独出现一个不致命，但在技术文章里密集出现就是假口语。
AI 为了听起来"从容"、"有分寸"，会在判断句里塞入缓冲词，削弱句子的锐度。单个缓冲词不致命，但一篇文章里反复出现就会让整体读感变"棉"。
常见缓冲词：
| 缓冲词 | 问题 | 处理 |
|---|---|---|
| 这件事 / 这个事情 | 指代模糊，多数时候可以删 | 删掉，让主语直接出现 |
| 本身 | 多数时候是"就"的意思 | 换成"就"或删掉 |
| 没有那么 / 并没有那么 | 弱化判断——要么说"不"，要么别说 | "不"或重新表述 |
| 恰恰 | 装饰性强调 | 删掉，或用"就是"代替 |
| 真正（的） | 隐含"前面说的都不算"，如果前面没有铺对比就是空转 | 检查是否有对比语境，没有就删 |
| 往往 | 减弱断言的担当 | 如果你相信这个判断，删掉"往往" |
| 其实 | 偶尔用没问题，高频出现像在反复解释"你可能没想到" | 全文不超过 2 次 |
| 某种程度上 | 几乎永远可以删 | 删 |
AI 喜欢把同一个意思用两种方式说，制造"层次感"。实际效果是读者读完第一句已经懂了，第二句浪费注意力。
语法正确但中文母语者不会这么说的搭配。分两类：搭配错位，和英文直译。
搭配错位：
翻译腔（Translation-ese）： 英文概念的直译，中文母语者不这么说。
物理动词嫁接抽象概念：
重量隐喻直译（"heavy/light"→"重/轻"）： 英文用 weight 表重要性，中文不这么说。
英文习语直译：
抽象名词直译（"-ness"/"-ity"→"性"）：
判断标准：大声读出来。停顿、皱眉、觉得"正常人不这么说话"，就是翻译腔。
语法正确但中文母语者不会这么说的搭配。AI 把抽象概念硬塞进不匹配的动词/量词/介词框架，读起来要停下来想一下"他在说什么"。
常见类型：
动词搭配错位：用物理动词搭配抽象对象
介词/量词框架不匹配：把空间/距离框架套在动作/关系上
翻译腔：像是从英文直译过来的思路
空间比喻+戏剧动词+不当量词三重叠加：单独看都可以接受，三者叠在一句就是强 AI 信号\n - ❌ "上面设计得再细，到下面还是会塌成一整包粗权限。"——「上面/下面」空间比喻 + 「塌」戏剧动词 + 「一整包」不当量词，三层 AI 味叠在了一起\n - ❌ "上层压下来，底层接不住，整个架构就崩了。"——「上层/底层」空间 + 「压/崩」戏剧动词 + 拟人化「接不住」\n - ✅ 拆掉任意一层即可去味：去掉空间比喻（"设计再细，落到接口上只剩能调/不能调"），或换掉戏剧动词（"无能为力"替代"塌"），或去掉不当量词\n - 判断标准：如果一句里同时有空间方向词 + 剧烈动词 + 不匹配的量词/拟人动作，即使每个单独可接受，也要标记\n- 压缩式总结：AI 在段落结尾把复杂判断压成一句太短的话，像在凑节奏
物理动词用于抽象概念：用描写物理动作的动词来描述心理感受或抽象进程，读起来像英文直译
英文重量隐喻直译：用"轻/重"的物理重量变化来描述重要性或紧迫感的变化
英文复合名词直译：把英文名词短语逐词译成中文，造出中文里不存在的抽象名词
AI 在中文写作中经常把英文的思维方式、语法结构、隐喻习惯直接搬进中文。单独看每个词都没错，但整句读起来不像中文。这是比生硬搭配更隐蔽的问题——它不是词配错了，是整个思路的"形状"是英文的。
重量隐喻直译（最常见）： 英文用 weight/heaviness 比喻重要性，中文很少这么说。
英文抽象名词直译： 英文善用 -ity/-ness 类抽象名词，中文偏爱具体描述。
英文所有格/从句结构的直译： 英文可以嵌套多层修饰，中文需要拆开或换说法。
英文空间动词直译： 英文用大量空间/物理动词描述抽象关系，中文需要更节制的动词。
英文习语的硬译：
英文术语的不必要插入： 对非纯技术读者直接用英文词会跳戏。
token 序列、bug、debug 这些在中文技术日常中已经自然化的词可以保留全文上限： 每 500 字不超过 1 处直译痕迹。超过说明整篇文章的思维框架还是英文的。
审核执行要求：
逐句检查时，对每一个动词+宾语、主语+谓语的搭配都问一遍：
不要因为"好像见过类似说法"就放过。 逐一验证：主语是谁？动词的物理语义能不能套上去？如果主语是抽象概念（组织、经验、判断、能力），对动词搭配要额外严格。
中文 AI 写作常把英文的物理/重量隐喻直译过来描述抽象概念。这些在英文里是死隐喻（"the weight of existence", "lighten the burden", "elevate to another dimension"），直译成中文"存在之重""变轻""拔到维度"是翻译腔。
常见错误及自然替代：
| 翻译腔 | 问题 | 自然说法 |
|---|---|---|
| 变轻了 / 变得很重 | 英文 weight metaphor 直译 | 不再要紧了 / 突然有了分量 |
| 往下拽 / 往上顶 | 方向动词当心理描述 | 是恐惧 / 是不服 |
| 压过来 | 物理动作描述抽象追问 | 变得避不开 / 逼到眼前 |
| 拔到另一个维度 | "elevate to another dimension" | 推到另一个维度 |
| 加一个自己的签名 | "put one's signature on" | 留下自己的印记 |
| 走向比自己更大的东西 | "walk toward something bigger" | 被比自己更大的东西牵引着 |
| 某个瞬间的彻底性 | "totality of the moment" | 某个瞬间的实在 |
判断标准：删掉物理动词后，能否用更朴素的中文说清同一个意思？如果能，说明原句是翻译腔。
全文检查重点：如果一篇文章反复出现"变轻/变重""往上/往下""压过来/推过去"这类方向+物理动词的组合，几乎一定是翻译腔。
AI 几乎把每个核心判断都加粗，结果稀释了强调效果。
AI 生成的子标题往往结构高度对称：每个小节长度相同、句式相同。
AI 生成的章节标题喜欢把这一节的结论直接写进标题里，或者写成教科书目录式的知识摘要。结果是读者看完标题就不需要读正文了。
好标题告诉读者"这节在讨论什么处境"，而不是"这节得出了什么结论"。
三种常见问题：
预告结论型：标题就是这节的判断句
知识型/教科书型：像论文章节或课程大纲
意义膨胀型：用"巨大""根本""关键"等词给章节加戏
判断标准：看完标题后，是否已经知道作者的结论？如果是，标题在剧透。
另一个测试：这个标题放到 PPT 目录页上违和吗？如果不违和，说明它太像摘要，不像文章标题。
处境型标题中，锚定具体张力的优于泛泛提问的。 比如「权限跟着角色走，但 Agent 没有固定角色」优于「传统的权限系统有啥问题」——前者把问题锚在一个具体的矛盾上，后者把问题扔给读者自己猜。
中文破折号（——）和英文 em dash (—) 一样，是 AI 偏爱的连接方式。
如果大多数句子都在 20–40 字之间，读起来像机器人朗读。
如果每段都是 3–5 句、长度接近，刻意打破。
--- 分隔线制造呼吸，但段落内部节奏完全均匀AI 会在同一段里轮换同义词避免重复："开发者……工程师……从业者……建设者"。
AI 在正式文章中均匀地撒入口语词，试图制造"随意感"和"个人风格"。但真人写作的口语是局部爆发的（比如吐槽时突然冒出来），不是均匀分布的。
把常规事件包装成历史性时刻。
把已有概念说成是新发现。
AI 用"从 X 到 Y"的跨度制造全面感。
AI 在分析完问题后直接跳到结论，中间缺少「为什么这个分析能推出这个结论」的推理桥。读者会觉得结论来得突兀。
❌ 「RBAC 假设角色固定，Agent 的角色不固定。ABAC 依赖静态属性，Agent 的关键属性是任务上下文。所以权限应该跟着任务走。」——两个分析和一个结论之间没有连接。为什么前两个分析能推出第三个结论？
✅ 补上推理桥：「两种模型都有一个共同的假设：权限是绑在身份上的。你是谁，决定了你能做什么。Agent 的问题恰好出在这里——它的身份是流动的。所以方向得反过来。」
判断标准：把分析部分和结论部分单独拿出来，问「为什么 A+B 能推出 C？」。如果答案不是显而易见的，就需要补推理桥。
严重程度：P1 — 让文章逻辑链断裂，读者会感觉作者自己没想清楚
AI 喜欢用比喻来"让抽象变具体"，但经常在短距离内堆叠多个不相关的比喻，制造视觉冲击但实际上互相稀释。
完全删除以下模式：
如果未指定语境，从内容自动判断：
| 信号 | 推断语境 |
|---|---|
| 代码块、API、架构讨论 | 技术文章 |
| 300 字以内 + 话题标签 | 社交媒体 |
| 有称呼语 + 商务/融资内容 | 商务邮件 |
| 操作步骤、参数说明、README 结构 | 文档 |
| 无明显信号 | 博客（默认，全部规则生效） |
当文章本身在讨论 AI 写作模式时（如本文件），引号内的示例、代码块内的示例、明确标注为反面示例的内容不触发标记。只标记作者自己的正文中的模式。
当与作者实时协作修改文章（而非独自审核/改写），按以下流程逐条推进：
如果作者说「不改」，不争论，直接跳过。
如果作者自己发现了你没标记的问题（比如「这个一看就是 AI」），把它作为本轮后续判断的补充信号——下次优先扫同类问题。
四个部分：
1. 问题清单 列出每一处 AI 痕迹，引用原文。
2. 改写版本 消除所有 AI 痕迹的完整文本。保留原文结构、意图和技术细节，只改必须改的。
3. 改动说明 主要改动的简要总结。不需要逐词列举。
4. 二次审核 重读改写版本，捕捉第一轮残留的 AI 痕迹。修复后内联返回，说明改了什么。如果改写版本已干净，直接说明。
两个部分：
1. 问题清单 按严重程度（P0/P1/P2）分组列出。
2. 判断 每个标记说明是确定需要改的，还是可以保留的。有些 AI 模式在特定语境下是有效的写作手法——指出哪些值得保留。
目标是让文字读起来像人写的。直接、具体、有个人视角。
五条改写原则：
如果原文已经很好，说一声，只做必要的最小改动。不要为了改而改。
结构是最强的检测信号。 换掉几个词但保持节奏不变，文章照样读起来像 AI 生成的。如果修复了所有词汇问题但节奏依然均匀、句式依然对称，文本仍然会被感知为 AI 生成。
如果文本同时满足以下条件，修补个别短语无法解决问题——结构本身就是 AI 生成的：
建议用一句话说清核心论点，然后从头重建。