中文去 AI 味

中文文本去 AI 味与 AI 痕迹自查。当用户说「去 AI 味」「这段太像 AI 写的」「改得像人话」 「别这么机器」「润色一下读起来自然点」「帮我查一下有没有 AI 痕迹」「这是不是 ChatGPT 写的」 「读起来像说明书」「发之前帮我过一遍」时使用。 也用于：公众号、小红书、公文、课程稿、简历、对外邮件等中文文本发布前的自查， 或被人说过「像 AI 生成的」之后要返工。 Use when: removing AI-sounding patterns from Chinese text, diagnosing why Chinese prose reads machine-generated, rewriting Chinese copy so it does not read like a chatbot, or pre-publish self-check for Chinese content. 不适用：英文文本（用 humanizer）、虚构创作、以及用户想要「更正式更规范」的场景。

一句话原理

模型每一步都在挑「对最多读者都安全」的那个说法。安全就是平均，平均就是对谁都不具体。

所以 AI 味不是「太正式」，是「太平均」。

由此推出两条，下面所有内容都是它们的展开：

1. 加口语词是伪解。 把「因此」换成「所以说」、把「显著」换成「巨」，只是把「平均的正式」换成了「平均的口语」——还是平均值，还是 AI 味。这就是为什么很多人套了「小编体」反而更像 AI：它只是换了一种平均值。
2. 唯一的真出路是注入特异性。 具体数字、具体人名、具体时间地点、一次性的细节、真实的不确定和真实的立场。概率模型最难伪造这些，因为它必须来自真实世界。

有个判据能测出特异性：把名词删掉一半，意思有没有损失？ 有损失就是有信息量，没损失就是填充。

什么时候用我

用：

• 用户说「去 AI 味」「改得像人话」「太像 AI 写的」「别这么机器」
• 发布前自查：公众号、小红书、公文、课程稿、简历、对外邮件
• 被人说过「像 AI 生成的」，要返工
• 要判断一段文字是不是 AI 写的

别用：

• 英文文本 → 用 humanizer
• 用户要的是「更正式」「更规范」→ 方向正好相反
• 合同、法规、模板、API 文档 → 定型语言是它的功能，不是它的缺陷
• 虚构创作 → 那是另一个问题（要的是好看，不是像真人在说话）
• 纯数据、代码、表格 → 没有「味」可言

三档强度

先问用户要哪档。不问就按 L2。

档	动什么	不动什么	什么时候用
L1 轻	只删最刺眼的：段末升华、万能连接词、破折号、形容词通胀	句式、结构、节奏全保留	公文、对外正式文本，或作者本人就爱写规整的句子
L2 中（默认）	L1，加上打散均匀节奏：长短句交错、拆排比、拆掉总-分-总、换成具体表达	段落顺序、每一句的事实	公众号、小红书、课程稿、大多数场景
L3 重	L2，加上重构段落、换掉论证的呈现顺序、按作者样本重写语气	事实、数字、引用、立场	只有拿到作者写作样本时才用

任何档都不许做的事：加进原文没有的数字、人名、时间、引用、案例。

编造细节来「增加人味」是造假，不是改写。这一条是本 skill 唯一硬性红线。

清单分级（完整版见 references/tells.md）

T1 · 一眼定罪（出现一次就该改） 段末升华句 · 万能连接词（首先/其次/最后/值得注意的是/综上所述）· 形容词通胀（非常/极其/无比/深深/彻底）· 万能比喻（镜子/纽带/桥梁/种子/灯塔/基石）· 无源引用（大量研究表明/相关数据显示）· 「不是A而是B」及其变体

T2 · 需要组合（同一段里出现两项以上才动） 被动语态堆叠 · 「的」字多层套 · 名词化后缀（性/化/度）· 长定语前置 · 四字格排比 · 「一方面…另一方面」的平衡腔 · 破折号与全角冒号密度异常 · 体制话术（赋能/抓手/闭环/落地/对齐/沉淀）

T3 · 统计层（单看一句看不出来，要通篇量，阈值见下） 句长均匀 · 语义过平滑 · 短语重复 · 词汇多样性低

量化判据

平台风控的口径，用于自查。注意这是「判定是否 AI 生成」的指标，不等于「读起来好不好」——能过检测的文本照样可能难读。两条命都要过，别只盯着数字。

指标	怎么估	风险线
词汇多样性	独有词 ÷ 总词数	≤0.20 高危；≥0.55 健康
句长波动	句长标准差	3.5 ± 2.5 是自然区间；贴着 0 或异常整齐都危险
短语重复	3-gram 重复比例	越高越危险，权重最重的一项
套话命中	高频套话词表命中率	越高越危险
标点节奏	标点间隔的变异系数	自然值约 0.45；过于均匀 = 情绪没起伏
语义平滑度	相邻句向量相似度	>0.92 危险——人写东西会有思维断层

来源：火山引擎开发者社区公开的网文平台判定口径（二手，2026-09 查得）。这是平台风控标准，不是语言学共识，当日用参考，别当金标准。

别为了压低这些数字而故意打乱结构（随机插错别字、「的地得」混用、无意义断句）。那是欺骗检测，不是写作，而且会真的伤害可读性。

工作流

1. 标味。 通读一遍，按 T1→T2→T3 顺序标出所有问题。看段落形状，不要只看句子——一个跨两句的对比、三句并列的例子、每段结尾都一样，那是同一个 T1 在更大尺度上的复现。
2. 改稿。 保住每一个事实。可以删废话、并段拆段、换结构，但不许加东西。哪句需要你没有的细节，就问用户要，或者写得更简单。
3. 复查。 出声读一遍。问自己「哪里还像 AI」。然后重点搜五个最容易漏的：一个「不是A而是B」、一个段末短句、一个破折号、一组三段排比、一个加粗标签。
4. 交付。 不要逐句打补丁，那样改出来的东西还是骨架。哪句别扭就重写它所在的整段。长短句要交错——真人写作是一会长一会短的。

有作者样本时，样本优先于本 skill 的一切规则。 先读样本，量它的句长、用词、标点习惯、开头方式，然后照着来。样本里破折号多，你就保留破折号。

没样本时，按文体定语气。 随笔、观点、个人写作保留作者的态度、犹豫、玩笑、插话；说明文、技术文、公文保持中性平实。去味只做了一半活，剩下一半是结果还得像个人在说话。

反模式表（用我自己的时候容易犯的错）

反模式	为什么错	改法
加「话说回来」「其实吧」「不得不说」当味精	腔调不是语气词堆出来的。堆语气词是第二种平均值	想清楚这句话到底想说什么，然后直说
把专业术语换成大白话	丢信息。术语是精度，不是 AI 味	只换掉空转的术语，能指事的保留
把小红书体套到公文上	场景错配，比 AI 味更糟	先定文体，再定档位
编具体细节来「增加人味」	造假。这是红线	问用户要真实细节，或写得更简单
抹掉作者的立场和犹豫	人味来自立场，不是来自随机	不要往中间调和。作者有偏向就留着
为了过检测而随机插错别字	伤害可读性，且是欺骗	老老实实改节奏和特异性
把每段都改成一样短	只是把一种均匀换成另一种均匀	长短要交错，不是一律变短
一次性处理五千字以上长文	一定掉信息	分段处理，每段单独复查

失效条件

诚实说清楚什么时候我不灵：

• 原文本身就是模板（合同条款、法律条文、接口文档）。这类文本的重复和规整是功能，改了就出错。
• 用户要的是「更规范更正式」。我和这个需求方向相反，别接。
• 作者本人就长这样。有人写东西天生规整、爱用连接词、爱排比。这时候改的是他的风格，不是 AI 味。先要样本。
• 没有作者样本又要 L3。L3 是在模仿一个我还不认识的语气，等于我替你编一个作者出来。
• 文本短于 200 字。样本太小，T3 层的统计指标全部失效，只能靠 T1。
• 超过 5000 字且要求一次改完。会掉事实。要求分段。
• 非中文。

验证判据（怎么算做完了）

改完逐条过，一条不过就返工：

#	判据	怎么验
1	事实零损失	原文的每个数字、人名、引文、因果断言，改后都还在。丢一条就算失败
2	零新增	diff 里不出现原文没有的数字、人名、引用、案例
3	五查通过	「不是A而是B」、段末短句、破折号、三段排比、加粗标签——各搜一遍
4	删名词测试	随机删掉一半名词，意思有损失。没损失说明还是填充
5	盲测	改前改后混在一起，认不出哪段是 AI 写的
6	读出声	连着读，不磕巴，不像念稿

第 5 条是唯一不能省的一条。认不出来才算改完。

按需加载路由

什么时候读	读哪个
要看完整的味单（分级、判据、正反例）	references/tells.md
拿到具体文本要开始改，需要手法和对照例子	references/rewrite-playbook.md
要按文体定档（公众号 / 小红书 / 公文 / 课程 / 学术 / 简历）	references/by-genre.md

诚实边界

• 这份清单是经验性的。英文那边 humanizer 背后有 Wikipedia「Signs of AI writing」这样一份社区共识语料，中文这边没有。我整理的是散见文章加实际语感的归纳，证据层级低于英文版本。
• 量化阈值来自平台风控口径，是二手来源，而且平台自己也在改。当日用参考。
• 词汇层的表会过期。 每次模型换代，口头禅就换一批。「赋能/抓手」这类词的 AI 味是 2024–2026 的产物，两年后可能失效。结构层的特征更持久——排比、段末升华、均匀节奏，这些从 2023 年到现在没变过。所以清单里结构排在词表前面。
• 检测是概率性的。任何单一特征都不能定罪，人类文本里也会出现清单上的每一条。要看密度和组合。
• 我不判断文本「好不好」。我只判断它「像不像人写的」。一篇通过全部检查的文章仍然可能是废话。

---

本 Skill 由 WorkBuddy 生成，2026-09-21。

来源与许可

• 英文对应物为 blader/humanizer（MIT 许可，基于 Wikipedia 词条「Signs of AI writing」）。 本 skill 里「AI 文本的成因是每步都选对最广读者最安全的那个说法」这一解释框架， 以及按强度分级 + Before/After 对照的组织方式，受其启发。 中文特有的三层（翻译腔、体制话术、口语体 AI 化）以及全部分级清单、量化阈值、文体档位、 反模式表与验证判据为独立撰写，未复制其文本。
• 骨架规范（description 只写触发条件不概括工作流；反模式表 / 失效条件 / 验证判据三层） 来自 2026-09 GitHub Skill 生态实测，主要参照 obra/superpowers（MIT） 与 addyosmani/agent-skills。
• 量化阈值出自火山引擎开发者社区公开的网文平台判定口径，二手来源，不是语言学共识。
• 同系列：sunzi-perspective（视角蒸馏）、clawhub-publish（分发）、github-skill-teardown（生态调研）。