xiaofenggan01/aigc-reduce

最近记录的来源活动: 2026年7月8日 01:26

SkillsMP 收录数据更新: 2026年10月29日 18:30

已收集 skills: 1

GitHub 星标: 636
GitHub Forks: 24

用 AI 助手安装

复制这段 Prompt，发给你正在使用的 AI 助手。

Follow https://skillsmp.com/skill-install/prompt.md to install Agent Skills from https://github.com/xiaofenggan01/aigc-reduce.

仓库 README

仓库 README 来源：README.md

查看 README 源文件

展开完整 README

# AIGC Reduce 降低学术论文 AIGC 查重率的 Claude Code Skill，同时增量兼容 Codex。基于知网 3.0、万方、PaperPass、PaperPure 等主流检测器的技术原理，结合 [humanizer skill](https://github.com/blader/humanizer)（源自 Wikipedia "Signs of AI writing"）的 AI 痕迹识别方法论，通过**三轮降重协议**（去除痕迹 → 注入书面学术特征 → 自检审计）打破 AI 的模板化痕迹。 > **核心立场：降重 ≠ 口语化。** 去 AI 味的默认方向会漂向口语化（因为口语色彩能骗过统计检测器），但学术论文过了机审还要过人审。本 skill 把**保持学术书面语体设为硬底线**，优先级高于修改率目标——降重靠打破模板化句式结构，而不是把论文写得口语、写差一点。 ## 安装 ### Claude Code Claude Code 是本 skill 的原始目标环境，推荐安装到： ```bash git clone https://github.com/xiaofenggan01/aigc-reduce.git ~/.claude/skills/aigc-reduce ``` 安装后，当你在 Claude Code 中提到「降 AI 味」「降 AIGC 率」「去 AI 检测」等关键词时，该 skill 会自动触发。 ### Codex Codex 可安装到 Codex 可发现的 skills 目录： ```bash git clone https://github.com/xiaofenggan01/aigc-reduce.git ~/.agents/skills/aigc-reduce ``` 如果你的环境使用 `$CODEX_HOME/skills`： ```bash git clone https://github.com/xiaofenggan01/aigc-reduce.git "$CODEX_HOME/skills/aigc-reduce" ``` Codex 通过 `SKILL.md` frontmatter 识别触发条件，通过 `agents/openai.yaml` 读取 UI 元数据。Claude Code 可以忽略 `agents/openai.yaml`。 ## 为什么需要这个工具？ AIGC 检测器已经在各大高校强制使用。但检测技术存在根本性局限： - **写得好 = 判 AI？** 高质量流畅论文假阳性率 6.5%，有口语化瑕疵的论文仅 1.8% - **跨平台结果不一致：** 同一篇论文知网 AI 率 35%，万方仅 12% - **术语密集型论文受害：** 术语密度 >20% 时假阳性率 8-12% - **检测器依赖浅层特征：** DPO 训练可使检测准确率下降 60% 核心思路：不是帮人作弊，而是帮**本来是人写的论文**降低被误判的风险。 ## 四条铁律 1. **禁止 AI 全量重写** — AI 重写 AI 文本 = 叠加 AI 指纹（PaperPure 实测：重写后检测率升至 100%） 2. **修改率 >40%，但只能靠限定手段达标** — 贡献只能来自结构性改写（语序、句式、主被动、长句拆分）和模板句去除；**禁止靠口语化、情绪化、无意义换词凑数**。当"达 40%"与"保语体"冲突时，语体优先。 3. **确定性替换** — 每次只改一小处，不经过 LLM 的 token 采样 4. **保持学术语体（硬底线）** — 降重后绝不出现网络用语、情绪词、口语表达、破折号泛滥；绝不为降重编造原文没有的事实、数据或文献。正确方向是打破模板化结构，而非破坏语体。 ## 三轮降重协议 ### 第一轮：去除 AI 痕迹（减法）扫描文本 → 词级替换 → 句级重构 → 段落调整，确保修改率 >40%。替换操作覆盖三个层级： - **词级（10-15%）**：模板词、72 个中文 AI 高频词、动词的系统性替换 - **句级（15-20%）**：语序重组、长句拆分、被动改主动、主语更换 - **段落级（10-15%）**：对称段长打破、段间过渡、语义注入 ### 第二轮：注入书面学术特征（加法） > 只去除 AI 痕迹不够，句长过匀的干净文本仍像 AI。但注入的必须是**书面学术**特征，不是口语特征——注入方向错了就会把论文改成说明文。 - **节奏工程**：长短句自然交错（目标 CV ≈ 0.45），但每句仍是完整书面陈述句，不拆成电报体碎句 - **审慎推断（书面）**："这一结果可能源于…""该趋势有待更多样本验证"；禁止"我觉得""说白了"类口语表达 - **操作细节补充**：只据实补全原文已含的观察/参数，绝不凭空编造 - **声音校准**：如果用户提供参考文本，分析并匹配其写作风格（参考文本正式则保持正式） ### 第三轮：Anti-AI 审计（自检）审视文本，回答"这段话为什么还像 AI 写的？"，逐项排查深度 AI 痕迹模式： 1. 重要性膨胀（"至关重要""不可忽视"） 2. 同义词轮换（同一概念被叫了 3 个以上名字） 3. 三板斧强迫症（连续出现"A、B和C"三件套） 4. 系词回避（AI 不用"是"，偏用"作为/体现/代表"） 5. 模糊归因（"有研究表明"无引用） 6. 公式化挑战段（"尽管…但仍存在局限性"） 7. 悬浮式分析（一句话挂了 2+ 个"从而/进而"） 8. 空洞结论（"具有良好的应用前景"） 9. 破折号过度使用 10. 虚假范围（"从宏观到微观"） 11. 成对转折收束（连续使用"不是…而是…"、"但至少…"、"不代表…"）并新增三项**语体守门**自检（命中即改回书面学术表达，优先于修改率）： - □ 是否出现口语化 / 网络用语 / 情绪词？ - □ 破折号是否每段 ≤1 个？ - □ 是否为降重补进了原文没有的事实、数据或文献？ ## 自动化扫描内置 `aigc_scan.py` 脚本，自动扫描文本的 9 个维度（前 7 维查 AI 痕迹，后 2 维查"降重过度"）： ```bash python3 scripts/aigc_scan.py your_paper.txt ``` | 维度 | 对应检测器 / 用途 | |------|-----------| | 模板句式密度 | 知网语义指纹 | | 突发性 CV | GPTZero 核心算法 | | 段落对称性 | 知网格式规范性校验 | | 嵌套编号 | 统计检测 | | 冒号并列 | 知网逻辑断层检测 | | 被动语态 | Turnitin 句式特征分析 | | 标点规律 | 万方 BERT 语义分析 | | **口语化 / 网络用语** | **降重过度预警（守学术语体）** | | **破折号密度** | **降重过度预警（每段 ≤1 个）** | > 后两个维度不是 AI 痕迹，而是"降重把语体改坏"的门禁：命中即提示对照 `positive-style-academic.md` 改回书面学术表达。 ## 文件结构 ``` aigc-reduce/ ├── SKILL.md # Skill 核心（渐进式披露入口） ├── README.md # 本文件 ├── agents/ │ └── openai.yaml # Codex UI 元数据，Claude Code 可忽略 ├── references/ │ ├── positive-style-academic.md # 降重正向标准 + 三级对照（守语体核心） │ ├── protected-spans.md # 受保护片段预检（引用/公式/数据/术语） │ ├── replacement-tables.md # 替换表 + AI 高频词 + 口语化负面清单 │ ├── ai-patterns.md # 深度 AI 痕迹识别模式 │ └── detection-principles.md # 检测器技术原理与弱点 ├── evals/ │ └── benchmark.md # 双向 benchmark（SF 该改 / SNF 不该误杀） ├── scripts/ │ └── aigc_scan.py # 自动化扫描脚本（9 维度） └── tests/ └── test_aigc_scan.py # 扫描脚本单元测试 ``` ## 检测器参考数据 ### 国内产品 | 产品 | 综合准确率 | 假阳性率 | 核心检测维度 | |------|-----------|---------|-------------| | 知网 3.0 | 98.6% | 1.2% | 语义指纹、格式规范性 | | 万方 | ~95% | ~3% | 多模型融合 | | PaperPass | ~97% | 0.3% | 语言风格一致性 | ### 国际产品 | 产品 | 综合准确率 | 假阳性率 | 中文支持 | |------|-----------|---------|---------| | Turnitin | 98%（英文）/ 85%（中文） | 2.1% | 一般 | | GPTZero | 90-99% | 16% | 良好 | | Copyleaks | 99%+ | 未公开 | 良好 | ## 致谢方法论综合了以下来源的实证研究： - 《论文AIGC查重检测方法与原理深度研究报告》(2026-05) - [Wikipedia "Signs of AI writing"](https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing)（WikiProject AI Cleanup 维护） - [Humanizer skill](https://github.com/blader/humanizer) — AI 痕迹识别 + 二次自检方法论 - LINUX DO 论坛社区验证的 Prompt 工程 - 微博博主"厄加特特"的句式变换方法论 - 火山引擎开发者社区发布的降重 Prompt - GitHub 开源项目：BypassAIGC、Humanizer-zh、humanize-chinese - [shuorenhua（说人话）](https://github.com/MrGeDiao/shuorenhua) — 正向风格合同、受保护片段、双向 benchmark 的设计思路 - PaperPure 实测反馈 ## License MIT

正在加载仓库 README…

这个仓库中的 skills

编辑

1 个职业分类 · 已分类 100%

skill

职业分类

描述

更新

aigc-reduce

编辑

降低学术论文的 AIGC 查重率和 AI 味。适用于 Claude Code 和 Codex。基于知网、万方、PaperPass、PaperPure 等检测器原理，使用扫描定位、确定性替换、句子级重构和 Anti-AI 审计，在保持学术语体、事实、数据、引用和专业术语一致的前提下减少模板化 AI 痕迹。Use when 用户要求降 AI 味、降低 AIGC 率、去 AI 检测、降低 AI 查重误判、让论文更像人写的，或提到 “去 AI 味”“降重”“AIGC 查重”。

2026-07-08

已展示 1 / 1 个已收集 Skill。