菜单
按 SKILL.md 明确列出的规则识别并改写写作中的 AI 痕迹。只能处理清单内的问题；未命中规则的文字必须原样保留，也不能改变文章框架。适用于写作完成后的成稿清理。 Remove AI writing tells using an explicit whitelist of rules; leaves unmatched text untouched.
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/naamfung/dsc --skill lieflat-less-ai-tone命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
| name | lieflat-less-ai-tone |
| description | 按 SKILL.md 明确列出的规则识别并改写写作中的 AI 痕迹。只能处理清单内的问题；未命中规则的文字必须原样保留，也不能改变文章框架。适用于写作完成后的成稿清理。 Remove AI writing tells using an explicit whitelist of rules; leaves unmatched text untouched. |
识别并改写文本中的 AI 写作痕迹。规则基于人类文章与多个模型输出的实测对比整理，每条都有可定位的触发标记。先判断体裁，再处理 AI 味。不能为了“像人写的”强加人称、口语或短段落。
本 skill 的多条规则需要判断“原语体”。第 7 条对文学体裁按原有风格判断，第 4 条和第 5 条要看作者本来的标点习惯，第 8 条要看原文有没有给出具体数据。
如果同一目录下有描述目标风格的文档（写作风格指南、语言特征分析、语言DNA.md 一类的产物），先读它再改写，把它的句长分布、标点习惯和用词偏好作为判断依据。
风格文档与本规则冲突时，以风格文档为准。 那是目标作者的真实写法，不是 AI 痕迹。比如某作者本来就爱用破折号，就不该按第 4 条删掉。
本 skill 采用白名单式改写。只能处理“改写规则”中明确列出的规范，不能凭一般写作经验修改其他内容。没有命中任何规则的句子必须逐字保留。
一句话即使命中规则，也只能改动解决该问题所必需的部分。不得顺便润色，不得替换没有问题的词语，不得调整语气、详略或信息密度。对某处是否命中规则没有把握时，保持原文。
文章结构不在处理范围内。标题层级、章节顺序、段落数量与顺序、列表、表格、引用和代码块的位置必须原样保留。除非用户另行明确要求，否则不能概括、扩写、删减观点或重组论证。
原文的观点和事实必须完整保留。以下内容绝不能凭改写添加，哪怕只是为了让句子读起来更具体、更像人写的。
反方向同样禁止。不能删掉原文的观点、结论、限定词和让步（“可能”“通常”“在某些情况下”“据说”）。把“可能提升”改成“提升”是篡改语气强度，不是去 AI 味。
判断办法：改写后的每个实词，都要能在原文里指出出处。指不出来就是新增，必须撤销。
“把抽象写具体”不是本 skill 的职责。原文抽象就让它抽象。第 8 条只允许把原文已有的具体数据提到概括词的位置，不允许自己造数据。
用户丢一段文字过来，你：
不需要解释改了什么。用户问时再说明。
以下特征看着像 AI 味，实测站不住，不能据此改文字。这张表和「不改的情况」一样是硬约束，不是参考。
| 特征 | 为什么不改 |
|---|---|
| 句长、段落长度不够参差 | 实测与人类写作无差别。不要为了制造节奏调句长或拆段落 |
| 单字虚词偏少（就/很/了） | AI 确实偏少，但方向是补不是删。补虚词无法验收，容易把正式文章改成口语 |
| 反复写全称、少用代词 | 实测人类比 AI 更常重复同一名词 |
| 被动句 | 抽象被动（“被认为／被视为”）远低于收录门槛 |
| 名词化、长句本身 | 现代汉语书面语的正常写法，人类同样这么用 |
| 正文里的“首先……其次” | 与人类写作无差别。第 6 条只管小标题编号 |
| 句内同构排比 | “提升效率，降低成本，优化体验”“更高效、更专注、更有创造力”这类人类用得不比 AI 少。只处理句间重复，见第 3 条 |
| 问句、设问、问句小标题 | 正文问句人类远多于 AI，删掉更不像人写 |
| 比喻本身、比喻独立成段 | 人类用得比 AI 多。只处理理想化拟人喻体，见第 7 条 |
| 抽象名词配具体动词 | “时间替他保管了细节”“焦虑显出形状”这类两边都几乎不写 |
规则的依据是触发标记可定位，不是频率高低。各条规则的实测数据、被推翻的预设和测量脚本见 RESEARCH.md。
同一特征在不同模型上量级差很大，破折号在某些模型是人类的五倍，在另一些几乎不用。不要按“某个模型的味”去套判断，只按触发标记逐句认。
部分规范参考 KKKKhazix/human-writing。
翻案腔先立一个读者并没有的误解，再把它推翻。已知写法包括“不是……而是……”“并非……而是……”“不在于……而在于……”“与其说……不如说……”“表面……实际……”“看似……实则……”，也包括“不是 A，是 B”“不是 A。而是 B”“你以为……其实……”“回头才发现”“说到底”“答案恰恰相反”“A 不重要，重要的是 B”。这份清单只是举例；同一个动作换任何字面都要改。
改法：直接从正面下判断，先给判断，再给依据。只有文章确实用材料走过了从误解到修正的过程，才允许写作者的自我修正，而且不能套用上面的固定句式。
❌ 真正的壁垒不是技术，而是认知。
✅ 真正的壁垒是认知。
❌ 这不是一个工具的问题，而是一个思维方式的问题。
✅ 这是思维方式的问题。
❌ 我们需要的不是更多的数据，而是更好的判断力。
✅ 我们需要的是更好的判断力。
❌ 你以为用户在乎功能多少，其实他们只在乎能不能马上用。
✅ 用户首先在乎能不能马上用。
用顿号串起三项以上的并列，一句里塞进一整份清单。实测 AI 3.21/千字、人类 1.78，倍率 0.56。
触发标记：一个分句内出现两个以上顿号，连起三项以上并列成分。
改法：能概括就别逐项列举；必须保留三项以上时，改变其中一项的句法，不让它们排成同一结构。不得改动原有列表结构或删掉必要项目。
❌ 采集、存储、展示。
✅ 从采集到展示。
❌ 无论是初创公司、中型企业，还是大型集团，都能从中受益。
✅ 各种规模的公司都能用。
不改：材料本身必须完整列出时（法规条目、配置项清单、财务科目）；Markdown 列表内部。
句内的同构排比不在本条范围内。“提升效率，降低成本，优化体验”“更高效、更专注、更有创造力”这类实测人类用得不比 AI 少，见「不作为改写理由」。
连着几句用同一个句法骨架，逗号位置一样，成分顺序一样，收尾方式也一样。单看每句都通顺，连起来像在填表。实测 AI 每百段 9.41 处（连续两句）、0.84 处（连续三句），人类 4.81 和 0.41，都是 2 倍。这项差异在人类语料内部很稳定，不是体裁造成的。
触发标记：相邻两句以上，逗号数量相同、成分顺序相同、长度接近。典型是“主语＋动词＋宾语，＋补充说明”连续复现。
改法：打散其中一句的句法。合并、拆分、换语序或改成短句都行。只改句子内部，不动段落顺序，也不删信息。
❌ Cloudflare 发长文提了一套凭证隔离框架，叫 Agent Access Model。AWS 把 Kiro Crew 开源了，一个能跑一整晚的多 agent 编排平台，标配签名审计日志。
✅ Cloudflare 发长文提了一套凭证隔离框架，叫 Agent Access Model。AWS 开源的 Kiro Crew 则是个能跑一整晚的多 agent 编排平台，签名审计日志是标配。
❌ 这个功能上线后用户反馈很好。团队的开发效率提升明显。下一步的优化方向已经确定。
✅ 这个功能上线后用户反馈很好，团队开发效率也提升了。下一步优化什么，已经定了。
一段里并排三个以上平级案例时，光打散句法不够。三个例子说的是同一件事，读着就是在凑数。这时可以合并同类项，或把次要的压缩成半句，让最有代表性的那个留在主句位置。信息不能删，只改主次。
❌ Cloudflare 发长文提了一套凭证隔离框架，叫 Agent Access Model。AWS 把 Kiro Crew 开源了，一个能跑一整晚的多 agent 编排平台，标配签名审计日志。Y Combinator 也把内部工具 QM 放出来了，自带“人类批准门”和三档安全姿态。
✅ Cloudflare 发长文提了一套凭证隔离框架，叫 Agent Access Model。AWS 和 Y Combinator 则各自开源了一套多 agent 编排工具，Kiro Crew 标配签名审计日志，QM 自带“人类批准门”和三档安全姿态。
这一层没有硬性触发标记。实测 AI 的案例句密度是人类的 3-4 倍，但“恰好凑三个”是错觉。在已含案例的段落里，三案例占比 AI 0.6%、人类 0.5%，没有差别。所以只在案例确实平级、看得出在凑数时才压缩。叙事推进（先发生什么、怎么做的、结果如何）不算，不要动。
不改：清单式段落本来就该整齐时（操作步骤、并列条款）；对话和引语；散文、小说等文学体裁的有意排比。
AI 常用破折号制造停顿后的揭晓，或插入没有必要的补充。非虚构写作只在句意确有需要时使用，不拿它强调普通判断。
实测人类 0.80/千字，AI 2.38；分模型差得很远，DeepSeek 5.16，Claude 4.25，Kimi 2.32，而 Gemini 0.51、GPT 0.11。有观点认为模型更新后破折号已不算 AI 痕迹，但这只对少数模型成立。写作场景里 Claude 用得多，而它比人类高出五倍。只要主流写作模型里还有这种量级，这一条就保留。
改法：直接写完整句子，或改用逗号和句号。
❌ 答案其实很简单——专注。
✅ 答案是专注。
❌ 他找到了一条路——一条所有人都忽略的路。
✅ 他找到了一条别人都没注意的路。
两种形态，都是让冒号替自己说话。
一、提示语引出内容。 触发标记：冒号前是“一句话总结”“核心是”“关键在于”“原因如下”“结论”“本质上”“换句话说”这类提示语。实测 AI 0.29/千字、人类 0.08，约 3.8 倍，人类侧稳定偏低。
改法分两种。提示语本身不承担信息时删掉它，直接写内容；提示语在承接上文时保留，只把冒号换成句号或逗号。判断方法是看删掉这半句会不会丢信息或断掉衔接。
❌ 一句话总结：这个方案成本太高。
✅ 这个方案成本太高。
❌ 核心是：先解决支付失败的问题。
✅ 先解决支付失败的问题。
❌ 原因有两个：交付晚了，预算也超了。
✅ 交付晚了，预算也超了。
前半句在承接上文时不能删，只换标点。 「这听起来像是一笔近乎完美的交易：容量增加，计算量却没有同比增长」这类，前半句是衔接成分，删了句子就断，改成「……完美的交易，容量增加，计算量却没有同比增长」即可。
这类句中冒号不作为改写依据。实测 AI 3.00/千字、人类 1.80，但人类内部差异达 6.6 倍，有的写作者几乎不用，有的比 AI 用得还多，无法据此判断一处冒号的来源。只有同一段落内反复出现、每句都靠冒号分层时才按本条处理。
二、空转句引出列表。 一句话不说任何内容，只用来宣布下面有个列表，以冒号收尾。触发标记：正文里一行以冒号结尾，紧接着是列表项或编号，且这句话去掉后信息不减。实测 AI 0.29/千字、人类 0.03，约 9 倍，各组人类都接近零。
改法：把这句话本身写成有内容的判断，或直接删掉让列表接上上文。不能删列表项。
❌ 我见过的几种典型场景：
✅ 这几种场景我都见过。
❌ 一套基础检查通常包括：
✅ 基础检查通常包含这几项。
不改：引出人物直接原话（“他说：‘明天再谈。’”）；小标题里的冒号；列表项内部的冒号；句中引出说明的冒号（“人擅长的是：判断业务逻辑”这类总说加分说，是规范用法，且人类内部用量差异过大，测不出稳定差异）；网址、代码和机器字段。
AI 爱把「一、二、三、」当小标题给全文编号，从一排到底。这是模板感最强的形态。小标题本来该说明这一节讲什么，编号顶在最前面就把说明挤到了次要位置。
触发标记：小标题（# 开头，或独立成行的加粗文本）以「一、二、三」或「第一、第二」编号，且连续三个以上。
改法：删掉编号，保留小标题原有文字。不能改小标题的措辞、顺序或层级。
❌ ## 一、先别急着写 prompt，先找出模糊在哪里 / ## 二、把需求写成六个模块 / ## 三、合成第一版可用 prompt
✅ ## 先别急着写 prompt，先找出模糊在哪里 / ## 把需求写成六个模块 / ## 合成第一版可用 prompt
不改的情况：
1. 2.）。列表本身就是编号结构，不动把工具、系统或流程比作一个理想化的人，比如“像一位智慧的导师”“一个永不疲倦的初级审查员”“贴身的数字秘书”。这类喻体在替作者抒情，没有解释任何机制，而且喻体后面往往跟一串褒义修饰或“不仅……更……”的展开。
实测 AI 0.018/千字、人类 0.002，7.3 倍；喻体带“永不……／智慧的／全能的”这类修饰时差到 12.6 倍。
触发标记：“像／相当于 + 一个／一位 + 职业角色（导师、秘书、助手、顾问、管家、审查员、实习生……）”，且喻体带褒义修饰，或后接“不仅……更……”。
改法：换成这东西实际做了什么，或改用一个具体的人当喻体。
❌ 它就像一位智慧的导师，不仅传授结论，更传授看待世界的多元视角。
✅ 它不只给结论，也讲看待问题的不同角度。
❌ 这相当于为团队配备了一个永不疲倦、秒级响应的初级审查员。
✅ 它不会疲倦，响应在秒级，能承担初级审查的活。
不改的情况：
AI 论述靠抽象概括，人类靠具体材料。实测数字密度 AI 6.34/千字、人类 17.92，人类是 2.8 倍；时间锚点 0.69 vs 1.78，2.6 倍。这是覆盖面最广的一项差异。破折号和段首零主语只出现在特定句式，材料稀薄是整篇的底色。
但本 skill 不能补原文没有的信息。所以这一条只做一件事。原文已经给了具体数字、时间或事实时，不许用概括表述盖掉它。
触发标记：句中用“显著提升”“大幅增长”“明显改善”“效率的提升”“大量”“众多”等概括说法，而同段或相邻段里已经写着对应的具体数值、时间或对象。
改法：把已有的具体值提到概括词的位置。原文没有具体数据时，只恢复动词，不许自己编数字。
❌ 新系统实现了效率的提升。处理时间从两小时缩短到四十分钟。
✅ 新系统把处理时间从两小时缩短到四十分钟。
❌ 团队完成了对流程的优化。
✅ 团队把流程改顺了。（原文没给数据，只恢复动词）
❌ 公司进行了组织架构的调整。
✅ 公司调整了组织架构。（同上，不许写成“合并了两个业务组”——原文没这个信息）
“完成了对……的……”“实现了……的提升”“进行了……的优化”这类名词化结构本身也在本条范围内，改法是恢复动词。
不改：原文确实只有概括、没有具体材料时。这时不能补，也不能因为“太抽象”就删掉句子。可以在输出后提示作者此处材料稀薄，由作者决定是否补充。
不用“说白了”“说穿了”“先说结论”。删掉后直接给判断。
❌ 说白了，这个项目没有足够的预算。
✅ 这个项目预算不足。
翻译腔本身不等于 AI 味。现代汉语的书面语已经吸收了大量译文句式，被动句、名词化、长句都是正常中文写作的一部分，人类作者同样这么写。在 300 篇 AI 样本（117.9 万汉字，5 个模型）中实测，“以一种……的方式”0.01/千字、“扮演……角色”0.02、“使得……能够”0.03、“被认为／被视为”类抽象被动 0.09，都低于收录门槛；“复数硬译”“受到……的关注”几乎不出现。这些不作为改写理由。
只处理下面五种结构。触发标记之外的表达，即使读起来生硬或主观上“不像中文”，也必须原样保留。专业术语、法律文本、公文固定表达和已有固定译法不受影响。
每条标注的频率来自上述 300 篇语料。作为参照，同一语料里已收录的“不是……而是”是 0.70/千字、段首序数词 0.67。
过长前置定语（0.42/千字，覆盖 179/300）
英文关系从句直译成中文时，容易把很长的说明全部塞到名词前面。
触发标记：中心名词前的修饰成分超过十五字，或“的”字连续出现两个以上，读到句子中间需要回头确认句意。
改法：在原段落内拆成两个分句，不能移动信息或增删含义。
同类的两种写法一并按本条处理。“……的……的……”连用承接英文所有格（“团队完成了对系统的稳定性的检查”改成“团队检查了系统稳定性”）；名词前“一个／一种”与另一个数量词或指示词叠加（“一个关于用户增长的一套新的方法”改成“一套新的用户增长方法”）。数量本身是信息时不改。
❌ 这是一个能够让团队在不增加人力的情况下显著提升审核速度的工具。
✅ 这个工具能显著提升审核速度，不需要增加人力。
❌ 我们需要一套能够满足不同用户在多种场景下使用需求的解决方案。
✅ 我们需要一套解决方案，能满足不同用户在多种场景下的需求。
“当……时”前置时间从句（0.26/千字，覆盖 136/300）
英文 When …, … 直译后，句首堆一个完整的从句，读者要等到“时，”之后才拿到主句。
触发标记：“当”开头、以“时，”收尾，中间是一个完整的主谓结构。
改法：删掉“当”和“时”，让从句直接作前一分句。
不改：句子确实需要标示时点，删掉后时间关系变模糊时；“的时候”这类口语说法（实测 0.02/千字，不是 AI 特征）。
❌ 当所有人都能用 AI 写文章时，内容本身就不再是竞争优势。
✅ 所有人都能用 AI 写文章，内容本身就不再是竞争优势。
❌ 当编写代码的成本趋近于零时，走错技术方向的代价就变高了。
✅ 编写代码的成本趋近于零，走错技术方向的代价就变高了。
前置话题壳（0.22/千字，覆盖 137/300）
英文 For … / As for … / Regarding … / In terms of … 直译成中文的前置话题壳。
触发标记：句首“对于……来说”“对……而言”“就……而言”“关于……”“在……方面”，而后面的句子本来就以这个对象为主语或宾语。
改法：把对象直接放到主语或话题位，删掉壳子。
不改：确实需要限定讨论范围，删掉后句子会被读成全局断言时。
❌ 对于早期团队来说，招人是最难的事。
✅ 早期团队最难的事是招人。
❌ 关于定价，我们做了三轮测试。
✅ 定价我们测了三轮。
❌ 就用户体验而言，这个改动没有带来明显变化。
✅ 用户体验没有明显变化。
句首连接词当路标（0.18/千字，覆盖 102/300）
英文习惯把连接词放句首领起全句，中文更常嵌在句子中间。实测人类 0.03/千字、AI 0.18，人类侧稳定偏低。
触发标记：段首或句首出现“然而”“因此”“此外”“与此同时”“换言之”“总而言之”，尤其相邻段落连续这样开头。
改法：把连接词移到主语后面，或换成“不过”“其实”“也”这类更口语的说法。
不改：论证确实需要在段落转折处立一个显式路标时。
❌ 然而，这个方案并不适用于所有场景。
✅ 这个方案其实不适用于所有场景。
❌ 此外，成本也是一个需要考虑的因素。
✅ 成本也得考虑。
“这意味着”“这表明”式复述句（0.15/千字，覆盖 122/300）
英文 This means that … / This suggests that … 直译后，把结论单独拎成一句，重复上一句的内容。
触发标记：一句以“这意味着”“这表明”“这说明”“换句话说”开头，且后面的内容与前一句同义。
改法：并入前一句，或直接删掉提示语只留结论。
不改：后面确实给出了前句推不出的新结论时。
❌ 留存率涨到了 72%。这意味着产品找到了 PMF。
✅ 留存率涨到 72%，产品找到了 PMF。
以上五种结构是本规则的完整触发范围。未列出的表达不能以“翻译腔”为理由修改。同一句命中多条时，先按出现顺序靠前的条目改，改完不再叠加处理。
段落开头直接抛评论，不交代评论的对象是什么，读者得回上一段找。实测 AI 占非首段的 0.61%，人类 0.14%，四倍多，人类侧稳定。
段首衔接词的总量人类和 AI 差不多（15.1% vs 14.4%），问题不在“不用衔接词”，而在评论句省掉了回指成分。
触发标记：非首段以“听起来／看起来／说白了／值得注意的是／更重要的是／关键在于／问题在于／意味着／不难看出”等评论语开头，且整句没有“这／那／其／此／上面”等回指上文的成分。
改法：补一个回指词，或点明评论对象。多数情况加一个“这”字就够。不改段落顺序，不动段内其他文字。
❌ 听起来像一条功能描述，其实底下换掉了一样更根本的东西。
✅ 这听起来像一条功能描述，其实底下换掉了一样更根本的东西。
❌ 值得注意的是，配置数据本来就按“这是谁的”分层放着。
✅ 这一点值得注意，配置数据本来就按“这是谁的”分层放着。
不改：首段（没有上文可指）；原文已有回指成分时；对话和引语内部。
比喻独立成段不属于本条。这类起段实测人类用得比 AI 多（0.21% vs 0.03%），读着突兀通常是因为缺回指，按本条补一个“这”字即可，不要删掉比喻。至于比喻本身贴不贴切、是否在重复上文，得靠人读，本 skill 判断不了，不做处理。
输出前逐项复查。