降AI味

降AI味——把读着「一股 AI 味」的中文改成像一个具体的人写的：按清单找出空泛开头、套话、排比、万能升华，再按读者和语气逐句改写，附套话与句长统计脚本。当用户说「AI味太重」「去AI腔」「改得像人写的」「读着像机器写的」时使用。

定位一句话：AI 味多半不出在某个词上，出在文字里没有具体的人、具体的事、具体的判断。 删套话只是第一步，还要换上作者自己的细节和立场，读者才会觉得是一个人在跟他说话。

何时用：一段中文读起来空、顺、平，像在哪儿都见过；用户说「AI味太重」「去AI腔」「改得像我写的」。本技能管写作质量。如果目的是让作业或投稿躲过学校、期刊、单位对 AI 使用的规定，不接，理由见最后一节。

先判断：问题在「腔」还是在「空」

动笔前先弄清四件事，答不上来就问用户，别猜：

1. 文体和场合。 公文、论文、产品说明、公众号、朋友圈、求职信、讲话稿，各有各的规矩。体裁惯例不算 AI 味：通知末尾的「特此通知」、论文结论开头的「综上所述」、说明书里的并列条目，都该留着。
2. 读者和用途。 谁读？读完要他做什么，批准、购买、转发，还是记住一件事？
3. 作者的声音。 要一段作者自己写的旧文字或聊天记录，照着它的用词习惯和句子长短来改。
4. 腔还是空。 先把套话全部划掉，看剩下什么。剩下的都是实话，是「腔」的问题，改写能解决；剩下没几句，是「空」的问题，缺的是素材，得先向作者要细节，改写救不了。

检查点：能用一句话说出「写给谁、读完要他做什么、作者平时怎么说话」，再往下走。

AI 腔识别清单（12 条，附改写前后）

判断标准只有两条：删掉它，意思少没少；换一个题目，它还成不成立。 意思没少、换题照样成立，就是套话。清单里的词不是禁词，全文用一次「总之」没问题，问题在密度和空转。示例里「后」的细节都假定来自作者本人，实际改写时没有素材就写【待补：……】，不许编。

• 空泛开头　第一句放到任何题目下都成立，如「在当今……的时代」「随着……的发展」。
  • 前：在当今快节奏的社会中，时间管理变得越来越重要。
  • 后：我每天下午三点以后基本做不成正事，消息一条接一条。
• 空泛总结句　段尾把上文换个说法再说一遍，删掉后段落什么也没少。
  • 前：……由此可见，沟通在团队协作中发挥着重要作用。
  • 后：整句删掉。上文讲清楚的事，不用再总结一遍。
• 「值得注意的是」「总而言之」类套话　过渡词后面的内容并不比别的句子更值得注意，后面也没有真正在「总」什么。
  • 前：值得注意的是，该方案也存在一定的局限性。总而言之，我们要辩证地看待这个问题。
  • 后：这个方案有个硬伤，样本不到 30 个时，每次跑出来的结果都不一样。
• 三段式排比　三个同结构短语连用，作者却只能为其中一个举出实例。
  • 前：这次改版提升了效率，优化了体验，降低了成本。
  • 后：这次改版最实在的变化是快，报销从提交到到账由五天缩到两天。体验和成本还没有数据，先不写。
• 过度对称　利弊各一句，每段都是「观点、解释、举例、小结」，读者看不出作者站哪边。
  • 前：一方面，远程办公提高了灵活性；另一方面，远程办公也带来了沟通挑战。
  • 后：远程办公对我们组利大于弊。真正麻烦的只有找人，以前转身就能问的事，现在要等回消息，有时一等半天。
• 形容词堆叠　「非常」「极其」「令人难忘」连着用，却没有一个让读者看得见的细节。
  • 前：这是一次非常精彩、极其丰富、令人难忘的交流活动。
  • 后：三天听了九场分享，我记得最清楚的是李老师当场拆了自己一个失败的实验。
• 万能结尾升华　最后一句贴到任何文章末尾都成立，如「让我们携手……」「相信……一定会越来越好」。
  • 前：让我们携手并进，共同开创更加美好的明天！
  • 后：下周三前我把新排班表发到群里，有冲突的直接找我改。
• 无来源的「研究表明」　「研究表明」「数据显示」「专家指出」后面没有谁、哪年、多少样本。
  • 前：研究表明，超过七成的年轻人更喜欢线上购物。
  • 后（有出处）：〔机构〕〔年份〕对〔样本量〕名〔人群〕的问卷显示……，并附上链接。
  • 后（没出处）：我问了身边二十来个同学，网购比逛店多的占一大半。这只是我的观察，不是统计。
• 滥用破折号　一段里两个以上「——」，多数只是把逗号拉长了。
  • 前：效率——这是我们一直追求的目标——也是我们最大的短板。
  • 后：我们一直想提效率，也一直卡在这儿。
• 冒号标题　每段开头都是加粗短语加冒号，正文像提纲，句子之间没有连接。
  • 前：降本增效： 通过流程优化，实现成本的有效降低。
  • 后：去年换了报销系统，每单人工核对从 10 分钟降到 3 分钟。
• 「不是……而是……」与自问自答　先立一个没人提过的靶子再推倒，或者「为什么这么说？因为……」。
  • 前：这不是一个技术问题，而是一个认知问题。为什么这么说？因为……
  • 后：卡住我们的是没人拍板要不要换供应商。技术上，两周就能迁完。
• 大词叠保险话　「赋能」「抓手」「闭环」「全方位」再加上「在一定程度上」，读完不知道谁做了什么。
  • 前：以数字化为抓手，全方位赋能门店运营，在一定程度上提升了服务质量。
  • 后：门店把纸质签收单换成扫码签收，司机不用再跑回站点交单。

改写流程：六步

开始前先和用户定改写强度。轻：只删套话、拆冒号标题，结构和措辞基本不动，适合正式文件和已定稿的材料。中：再加上换细节、调句长，段落顺序不动，多数情况用这一档。重：按作者口吻重写，可以调结构，只在作者给了足够素材时做。

1. 定读者和语气。 在书面正式（公文、论文）、书面平实（邮件、报告、说明）、口语亲近（公众号、朋友圈、发言）三档里选一档，全篇不换档。从作者的旧文字里记下三样：常用的词、偏长句还是短句、怎么称呼读者。
2. 删套话。 按清单逐条标出来，先删「删掉意思不少」的：开头铺垫、过渡套话、段尾总结、结尾升华。删完通读一遍，意思没少就对了。
3. 换具体细节。 每个抽象判断后面追问一句「比如呢」，答案要落到人、时间、数量、原话、场景之一。细节只能来自作者，用下面五个问题一次问完；实在没有，就写【待补：需要一个……的例子】。
4. 让句长错落。 长句拆开，碎句合并，一段里有长有短，段落长度也别都一样。读出声来，换气别扭的地方就是要改的地方。
5. 保留作者自己的判断。 把「有利有弊」「辩证看待」换成作者真实的立场，允许不对称，允许偏心，允许写「我不确定」。作者没表态的地方去问他，不替他站队。
6. 回读对照。 跑一遍下面的脚本看前后数字，再把改动对照表交给作者核对事实。数字只作参考，最后以读出声顺不顺、像不像作者本人为准。

向作者要细节的五个问题：

text

1 这件事最近一次发生是什么时候？当时具体是什么情形？
2 能给一个数吗？多少人、多长时间、多少钱、比以前多了多少？
3 有没有谁说过的原话，或者一个你记得很清楚的场景？
4 如果只能选一边，你站哪边？为什么？
5 读者读完这段，你希望他做什么？

整段示例，属于「重」档。作者提供了自己的情况（三个月没读完书、通勤四十分钟、试过飞行模式），所以能改成第一人称的叙述。两段分别存成 draft.txt 和 revised.txt，可以拿来试脚本。

改写前（draft.txt）：

text

在当今信息爆炸的时代，阅读习惯正在发生深刻的变化。随着短视频的普及，越来越多的人习惯了碎片化的信息获取方式。值得注意的是，这种变化既带来了机遇，也带来了挑战。

一方面，碎片化阅读让知识获取更加便捷、高效、灵活；另一方面，它也在一定程度上削弱了人们深度思考的能力。研究表明，长期碎片化阅读会导致注意力下降。

**核心观点：** 阅读不是一种消遣，而是一种能力。我们要以更开放的心态、更坚定的信念、更务实的行动，重建深度阅读的习惯。

总而言之，深度阅读至关重要。让我们携手并进，共同开创全民阅读的美好未来！

改写后（revised.txt）：

text

我已经三个月没读完一本书了。每天通勤有四十分钟，全刷了短视频。

上周想重读一本以前很喜欢的小说，翻了二十页就去看手机，前后看了六次。我开始怀疑自己是不是读不进长东西了。

后来试了个笨办法：上地铁就把手机调成飞行模式，只带纸书。第一天读了八页，第四天读了三十多页。

能坚持多久我不知道。但这周，我读完了一本。

自检脚本：套话与句长分布

只用 python3 标准库。统计六类套话的命中次数和每千字密度、句长分布（平均、中位、变异系数、相邻两句长度接近的比例）、破折号、冒号小标题、顿号三连和排比候选。它量的是表面信号，不是 AI 检测器：人写的文字也可能命中很多，数字低也证明不了任何事。提示里的阈值（变异系数低于 0.35、破折号每千字超过 3 处、冒号小标题 3 行以上）是经验值，只供参考。词表按自己的领域增删，PATTERNS 里一类一行，写的是正则。

python

# 保存为 ai_tone_check.py；只用标准库。统计的是表面信号，不是「AI 检测器」
import re
import statistics
import sys

PATTERNS = {
    "空泛开头": r"在当今[^，。]{0,8}|随着[^，。]{1,15}的(?:发展|普及|进步|到来)|在[^，。]{1,15}的(?:大)?背景下|众所周知",
    "过渡套话": r"值得注意的是|需要指出的是|不难看出|由此可见|与此同时|事实上|首先|其次|此外",
    "总结升华": r"总而言之|总的来说|综上所述|总之|让我们|携手|共同(?:开创|创造|书写|迎接)|未来可期|美好未来",
    "无源引用": r"研究(?:表明|显示|发现)|数据(?:表明|显示)|专家(?:指出|认为)|有调查显示",
    "空洞大词": r"赋能|抓手|闭环|打造|全方位|多维度|深度融合|至关重要|不可或缺|举足轻重",
    "对举保险": r"不是[^。！？]{1,20}而是|不仅[^。！？]{1,20}(?:而且|更|还)|在一定程度上|某种意义上|一方面",
}

# 冒号小标题：加粗标签、列表项标签、行首 6 字以内的标签
HEAD = (r"(?m)^\s*(?:[-*+]\s+)?\*\*[^*\n]{1,12}(?:[：:]\*\*|\*\*[：:])"
        r"|^\s*(?:[-*+]|\d+[.、])\s*[^\s：:，。*]{1,8}[：:]|^[^\s：:，。*#]{1,6}[：:]")


def main():
    text = open(sys.argv[1], encoding="utf-8").read() if len(sys.argv) > 1 else sys.stdin.read()
    size = len(re.sub(r"\s", "", text))
    per_k = lambda n: n * 1000 / max(size, 1)
    print(f"正文 {size} 字（不含空白）\n\n[套话]    次数  每千字  命中")
    found = False
    for name, pat in PATTERNS.items():
        hits = re.findall(pat, text)
        if hits:
            detail = "、".join(f"{h}×{hits.count(h)}" for h in dict.fromkeys(hits))
            print(f"  {name}  {len(hits):>4}  {per_k(len(hits)):>6.1f}  {detail[:50]}")
            found = True
    if not found:
        print("  （无）")

    sents = [s for s in (re.sub(r"\s", "", x) for x in re.split(r"[。！？!?；;…\n]+", text)) if len(s) >= 2]
    lens = [len(s) for s in sents]
    cv = 0.0
    if len(lens) >= 2:
        mean = statistics.mean(lens)
        cv = statistics.pstdev(lens) / mean
        near = sum(abs(a - b) <= 3 for a, b in zip(lens, lens[1:])) / (len(lens) - 1)
        print(f"\n[句长] {len(lens)} 句  平均 {mean:.1f}  中位 {statistics.median(lens):.0f}  "
              f"最短 {min(lens)}  最长 {max(lens)}  变异系数 {cv:.2f}  相邻两句长度差≤3字 {near:.0%}")
        for lo, hi in ((1, 10), (11, 20), (21, 30), (31, 45), (46, 999)):
            n = sum(lo <= x <= hi for x in lens)
            print(f"  {lo:>2}-{hi if hi < 999 else '':<3}字 {'█' * n} {n}")

    dash = text.count("——")
    heads = len(re.findall(HEAD, text))
    stacks = re.findall(r"(?:[^\s，。、；：！？]{1,4}、){2,}[^\s，。、；：！？]{1,4}", text)
    print(f"\n[其他] 破折号 {dash} 处（{per_k(dash):.1f}/千字）  冒号小标题 {heads} 行  "
          f"加粗 {text.count('**') // 2} 处  顿号三连 {len(stacks)} 处  {' / '.join(stacks[:3])}".rstrip())

    rows = []
    for s in re.split(r"[。！？!?\n]+", text):
        parts = [p.strip() for p in re.split(r"[，、；,;]", s) if p.strip()]
        for a, b, c in zip(parts, parts[1:], parts[2:]):
            if len(b) == len(c) >= 3 and any(x == y == z for x, y, z in zip(a[-len(b):], b, c)):
                rows.append(f"{a}，{b}，{c}")
                break
    if rows:
        print("\n[排比候选]（三个并列小句，逐条人工判断）")
        for r in rows[:5]:
            print("  ·", r)

    tips = []
    if len(lens) >= 5 and cv < 0.35:
        tips.append("句长偏整齐：拆一两个长句，把几个短句并成一句")
    if per_k(dash) > 3:
        tips.append("破折号偏多：多数可以换成逗号或句号")
    if heads >= 3:
        tips.append("冒号小标题多：想想哪些可以写成完整句子")
    if tips:
        print("\n[提示]（经验阈值，只供参考）\n  " + "\n  ".join(tips))


if __name__ == "__main__":
    main()

bash

python3 ai_tone_check.py draft.txt
python3 ai_tone_check.py revised.txt

本机实测上面两段：改写前套话 14 处（空泛开头 2、过渡 1、总结升华 5、无源引用 1、大词 1、对举保险 4），10 句，变异系数 0.22，另有排比候选 1 条、顿号三连 1 处；改写后套话 0 处，8 句，变异系数 0.44。按行断开的诗歌、歌词、对话记录不适合看句长统计。

最常见的错误

1. 拿编造的细节换掉空话。 这是最严重的错。「后」里的数字、人名、经历必须来自作者，没有就留【待补】。
2. 只换同义词。 「总而言之」改成「总的来看」，「赋能」改成「助力」，换汤不换药。
3. 为了像人故意加错别字、口头禅、表情和网络梗。 这不是降 AI 味，是降质量。
4. 矫枉过正。 句子全砍成短句，成了另一种单调；或者把正式文体改成口水话。
5. 删掉了体裁要求的格式语。 公文结构语、论文摘要的固定格式、合同条款的措辞，都不在本技能的删除范围。
6. 改掉作者的立场。 把作者的「我倾向 A」改成改写者觉得对的 B，或者把作者的「我不确定」改得斩钉截铁。
7. 把「AI 检测分数」当目标。 这类分数不是写作质量的标准，改写只对读者负责。

输出契约

1. 改写稿全文，按事先定好的强度（轻、中、重）改，开头注明用的是哪一档。
2. 改动对照表，三列：原句、改为、命中清单第几条；只列改动大的句子，最多 15 条。
3. 【待补】清单，每条写清需要作者补什么，例如「第 2 段需要一个具体数字：改版前报销平均几天到账」。
4. 前后数字（跑了脚本时附上）：套话次数、变异系数，改写前后各一行。
5. 不动的东西：事实、数据、引文、专有名词原样保留。发现疑似错误，单独列出来提醒，不自行改。

边界与不做什么

• 本技能面向写作质量。不用于规避学校、期刊或单位对 AI 使用的规定；机构要求披露 AI 使用时，应如实披露，改得再像人写的，也改变不了用过 AI 这件事。用户明说目的是让作业、论文或投稿躲过 AI 检测、瞒过老师或编辑时，不提供改写，说明原因即可。
• 不代写要求本人独立完成的作业、考试答案和申请文书，可以指出问题、示范一两句，整篇要作者自己完成。
• 不承诺、也不去测试任何「AI 检测」工具的结果；脚本数字只反映文风信号，证明不了文字是谁写的。
• 不编细节、数据、引文和经历，不改原文的事实主张；要改立场，先问作者。
• 学术诚信、署名、AI 使用披露的具体要求，以任课老师、导师、期刊编辑部或单位的书面规定为准，拿不准就去问他们。