lornshrimp/通用-去ai味重写
用于对章节正文做去 AI 味重写。适合主编式多轮去味、先诊断再定强度、整章去模板腔、局部拆解释腔、打散均匀句群、保信息重写与人物声音去同腔化。关键词：去AI味、主编式去味、多轮改稿、模板腔、解释腔、均匀句群、太像AI、重写这段。
npx skills add https://github.com/lornshrimp/Lorn.NovelWriteSkills --skill 通用-去AI味重写<!-- ===== Layer 1: 永久缓存 ===== -->
> 题材路由：若 .github\题材专用Skills\ 目录存在对应的 <题材>-去AI味重写 Skill，则：
> - 将题材特性骨架路由到 <题材>-去AI味重写，该 Skill 位于 .github\题材专用Skills\ 目录。
> - 命中本技能时，必须优先强制加载当前 Skill 与 <题材>-去AI味重写。
去 AI 味不是把文本洗平，而是把“假”洗掉，把同一份信息写得更像人在场景里说话、做事和承受压力。
以下所列 references 文件必须通过 read_file 工具逐文件读取，不得因"已有相关知识"、"之前执行时已读过"、"该文件只是参考"为理由跳过任何一条。 每条 references 按其标注的必读等级强制执行：
reference_missing_{refName}，不得静默跳过。references/科幻类AI味典型问题.md — 科幻小说AI味典型问题与修正策略references/七猫专栏OS叙事拐杖检测增补.md — 七猫专栏 OS 叙事拐杖检测增补18 个 reference 文件按用途分层分为 5 组。调用时先根据当前阶段锁定要读的组，再按本组的"读取时机"判断读哪些文件。
| 文件 | 读取时机 | 优先级 |
| ---- | -------- | ------ |
| references/去AI味识别雷达.md | 每轮必读。快速定位病灶属哪一层（病灶识别/句群重构/人声回补）并做 Green/Yellow/Red 初筛 | ★★★ |
| references/AI味高发信号与拆洗策略补充.md | 每轮必读。扫描句子均匀、对话同腔、抽象判断等常规表层病灶 | ★★★ |
| references/实战对比案例——从AI稿与人工稿的差异提取可复用诊断与拆洗规则.md | 每轮必读。该文件的 13 项量化指标（基础篇 7 项 + 扩展篇 6 项，涵盖句法层、设定层、情绪层）提供深层诊断证据 | ★★★ |
| ../../写作研究/网文留存模型.md | 每轮必读。去AI味完成后，验证情绪刺激密度不降低——去味后的正文必须维持原有情绪主轴与读者驱动力 | ★★★ |
| references/去AI味三档手术强度与风险卡.md | 用户未定强度时必读。用此文件向用户展示三档说明并锁定本轮档位 | ★★★ |
> 分层规则：先跑识别雷达做初筛 → 再用 AI味高发信号检查表层 → 若读感为"像AI但挑不出毛病"转向深度诊断（十一大结构指纹，见本文 ## AI味深度诊断 节，其中指纹8已扩展制度层/数字层，指纹10为AI语义崩溃模式，指纹11为假节奏专项） → 量化指标不确定时参考实战对比案例的 13 项测量门禁。
| 文件 | 读取时机 | 优先级 |
| ---- | -------- | ------ |
| references/去AI味共享裁判规则补编.md | 每轮必读。5 大通用病灶 + 6 项小说专项病灶 + 收尾快检 | ★★★ |
| references/去AI味四维病灶与45条规则.md | 每轮必读（或至少扫描 45 条目录确定本轮用哪几条）。习惯用语/句式逻辑/写法口气/论证逻辑 4 个维度 + 45 条逐条拆洗规则 | ★★★ |
| references/AI句式替换与动作化替代清单.md | 每轮必读。C 批次高发 AI 句式的替换清单、三段式动作化替代模板、高频冗余词控制 | ★★★ |
| references/去AI味句级改写工具.md | 句子级改稿时必读。遇到单句明显假但不会改时查此文件 | ★★★ |
| references/去AI味三级改造与工具包.md | 中等及以上强度时必读。按强度提供整段/整章的改写法 | ★★ |
| references/去AI味风格与排版补充.md | 改稿后排版复检时必读。句长控制、标点规范、现场质感补充原则 | ★★ |
> 跨文件冲突仲裁：同一病灶多个文件给出不同处理建议时 → 去AI味共享裁判规则补编 的硬戒（如"禁止心理分析句式"）> 去AI味四维病灶与45条规则 的具体条目 > AI句式替换与动作化替代清单 的句式替换 > 其他文件的补充建议。
| 文件 | 读取时机 | 优先级 |
| ---- | -------- | ------ |
| references/去雕琢腔与透明人声校准卡.md | 每轮必读。6 类高发雕琢腔信号 + 透明人声最低标准 + 复检四问 | ★★★ |
| references/风格注入锚点卡.md | 有作者风格模板时必读。将"补毛边"升级为按作者风格模板定向注入 | ★★★（有模板）/ ★（无模板） |
| references/视角塌陷与五感替代诊断修复卡.md | 每轮必读。视角塌陷诊断、五感替换法、摄像头视角实操、有效细节 vs 无用拖沓 | ★★★ |
> 人声回补优先级：先修复视角塌陷（视角塌陷修复卡）→ 再拆雕琢腔（去雕琢腔校准卡）→ 最后按风格模板定向注入（风格注入锚点卡）。三个文件在同一角色声口问题上可能给出近似建议，以"视角正确 > 雕琢腔清零 > 风格定向"的顺序分层执行，不重复劳动。
| 文件 | 读取时机 | 优先级 |
| ---- | -------- | ------ |
| references/去AI味后供血与职责复检卡.md | 每轮必读（改稿后）。复检卖点供血、章首抓力、中段回报、章末钩子与人物声音差 | ★★★ |
| references/去AI味执行清单.md | 每轮必读（改稿后）。全局性检查清单，确保没有遗漏关键任务 | ★★★ |
| references/去AI味红线保护.md | 每轮必读（改稿前默读，改稿后复核）。红线清单——什么不能改、什么不能丢、什么不能洗平 | ★★★ |
| references/去AI味多轮诊断与回写模板.md | 输出终稿时必读。按模板格式输出 【修改总结与原因】、【修改后的小说正文】、【后续修改建议】 | ★★★ |
| references/统计模式对抗与人味编辑终审方案.md | 第九步、第十步必读。统计对抗十维度扫描 + 人类指纹注入 + 三视角终审模拟 | ★★★ |
> 复检顺序：改稿后先跑红线保护（确保没踩线）→ 再跑后供血复检（确保章节职责仍成立）→ 然后跑执行清单（全面收尾）→ 接着跑 stop-slop 五维评分门禁（快速通道模式下替代完整复检；全流程模式下作为前置质检，总分 < 35 必须回炉）→ 最后执行统计对抗（第九步）→ shuorenhua 场景化终审（第十步，全流程模式下保底；快速通道模式下作为最终输出前的唯一终审）→ 按多轮诊断模板输出。
| 文件 | 读取时机 | 优先级 |
| ---- | -------- | ------ |
| references/腾讯专栏直白与氛围保持增补.md | 通用任务读取 | ★ |
> 来源：知乎·路过银河《让 AI 写得更像人：5 个值得安装的写作 Skill》（2026-07-12）。以下五个子目录各含独立 SKILL.md 与 references/，可按需加载。
| 子Skill | 读取时机 | 优先级 | 加载内容 |
| --- | --- | --- | --- |
| humanizer-main/ | 英文内容去味时必读（替代第三、四步的表层扫描） | ★★★ | SKILL.md — AI写作特征全量规则（夸大意义/宣传腔/被动语态/填充短语等） |
| Humanizer-zh-main/ | 中文内容去味时必读（替代第三、四步的表层扫描） | ★★★ | SKILL.md — 中文AI腔专项规则（书面腔/过度总结/四字结构/收尾感等） |
| stop-slop-main/ | 第六步复检前必读（作为质量门禁） | ★★★ | SKILL.md + references/phrases.md + references/structures.md — 8条核心规则 + 五维评分卡 |
| taste-skill-main/ | 第五步人声回补前选读（需要破模板增个性时） | ★★ | skills/gpt-tasteskill/SKILL.md — 反默认审美策略；注意：原版为UI设计Skill，取其"拒绝默认/选定立场"的写作哲学映射 |
| shuorenhua-main/ | 第九、十步前必读（作为场景化终审） | ★★★ | SKILL.md + references/protected-spans.md + references/operation-manual.md + references/structures.md — 四场景分档规则 + 保护原则 + 微操作手册 |
> 子Skill协同规则：
> - 快速通道模式（用户说"快一点"）：humanizer-zh → stop-slop → taste-skill → shuorenhua，四步串联
> - 全流程模式（默认）：在现有十步流程中按上表"读取时机"按需插入子Skill
> - 子Skill之间不互相依赖，可单独使用其中任意一个。但串联使用时必须按推荐顺序（基础去味→质检→增个性→终审），不可逆序
> - 子Skill的规则文件与本Skill的18个reference文件不重复、不冲突——前者处理通用AI语言模式，后者处理网文专项病灶
> - 所有子Skill均为MIT或开源协议，详见各子目录下的LICENSE文件
<!-- ===== Layer 3: 场景缓存 ===== -->
> 以下原则吸收自知乎专栏作者柳漫漫《先正常写作，写完再微调》。
去 AI 味的技术能力很重要，但如果创作时心里一直坐着 AI 检测器，写出来的东西必然缩手缩脚、假上加假。去味的起点不是改稿时的刀法，而是创作时的心态。
不要让检测算法坐在你肩膀上指挥每一句话。去 AI 味是写出好文本后的自然提纯，不是戴着镣铐跳舞。如果你在写第一章时就在想"这句会不会被判 AI"，你已经在替机器写作，而不是替读者写作。
AI 最擅长生成"公共化"的例子——正确、通用、但缺乏任何人真正经历过的时间地点和人物。去 AI 味的第一原料是你真实经历过的事：
每个人都有独特的表达习惯——口头禅、常用的语气词、特定的比喻偏好、固定的转场方式。这些"不完美"的个人痕迹，恰恰是你在文本中最难被 AI 复制的身份标识：
AI 生成的句子长度往往很均匀——像机器量产的零件，每句都在 25-35 字之间，每个段落都在 3-5 句之间。主动打破这种节奏：
这不仅能降低 AI 检测率，更能让读者获得阅读的呼吸感。
AI 倾向于"一方面……另一方面……""总的来说""值得注意的是"这类客观中立的口吻。而人写的东西可以有：
去味不是把文本洗成中性，而是把作者和角色的真情实感洗出来。
写作时使用支持版本历史的工具（VS Code 的本地历史、Git 提交记录、腾讯文档、飞书文档等）。这些记录不是用来审查自己的，而是在被误判时最有力的自证证据。这虽然不是去味的技术方法，但能让你在创作时更放松、更有底气——敢写真实的内容，而不是为了"安全"写成机器腔。
> 来源：本仓库《朱雀AI检测机制与应对手段研究报告》（2026-06）。
去AI味的底层逻辑不只是"读着像人"，更是在统计特征层面消除AI文本的可检测模式。理解以下检测维度，能让去味更有方向感，而不是盲目改稿：
AI倾向于选择高概率词，使文本"过于可预测"。去味方向：引入低频词和非常规搭配——方言词汇、行业黑话、口语化表达、网络用语。不是硬塞，而是让角色说符合其身份的话。
AI的句子长度分布窄（每句12-18字），段落长度均匀。去味方向：主动制造句长方差——2-5字短句与25-40字长句交替。写完一个长句，接一个短句。允许自己写"不够好"的过渡段。
AI回避低概率词，导致词汇熵偏低。去味方向：减少模板化连接词（"然而/此外/因此/值得注意的是"），用动作、对话、环境直接衔接段落。让同义词自然重复，而不是机械轮换。
AI输出逻辑链条呈线性推进（A→B→C→D，每一步严丝合缝），缺乏跳跃、留白、旁支。去味方向：故意打断完美逻辑链——允许跳针、倒置、信息推迟释放、局部留白。不是每段都要推理清楚才结束。
> "均匀就是AI。句长有高低、段落有长短、细节有疏密、情绪有起伏——这四个'有'记在心里，去味就不会偏。"
> 补充说明：以上四个维度的技术命名来自AI检测领域的知识框架（详见研究报告），去味时不需要记住这些术语，只需理解其指导方向即可。
> 来源：实战对比案例.md §一·第二式"主语重复病"；研究报告§一。
AI文本中一个极易量化但常被忽视的AI味信号：主语重复率。AI受英文语法习惯（每句必须有显性主语）的"语料污染"，生成的每句中文都以"她/他/人名"开头。人类中文写作天然有大量无主句、动词引导句、感官引导句、脱漏主语——这是中文与英文的本质差异。
检测方法：统计前300字中，以"她/他/角色名/她的/他的"开头的句子占比。
| 主语重复率 | 判定 | 操作 |
|-----------|------|------|
| ≥ 80% | AI高风险 | 必须拆洗 |
| 60%-80% | 关注 | 建议优化 |
| < 60% | 正常 | — |
拆洗方向（来自实战案例统计）：
> 经验门槛：连续3句以上同一主语开头，至少拆1句为无主句或逆序句。
> 来源：本仓库《写作技法_AI写作去味深层方法论》§发现一（2026-07-18），综合朱雀官方说明+AtomGit实测+殷念降AI红黑榜。
AI文本在不同主题、不同段落间呈现相似的N-gram概率分布骨架——即使用不同词汇，但词汇间的统计关系模式保持稳定。人类写作的概率分布随主题、情绪、场景发生明显波动。
检测方法（简易版）：取前300字和中间300字，分别统计高频2-gram（相邻二字组合）的出现模式。如果两段的2-gram分布图谱高度相似（如"的+名词""了+动词"组合占比接近），标记为"语义指纹AI风险"。
去味方向：在段落间主动改变句式骨架——一段用短句排比，下一段用长句嵌套；一段以名词开头为主，下一段以动词开头为主。本质是让不同段落的"统计DNA"看起来不一样。
> 来源：同上，综合社区朱雀逆向分析+腾讯云94%→0%提示词框架。
AI文本的情感密度趋于均匀分布——全文中性陈述占主导，情感词均匀撒布，缺乏人类写作中常见的"情感峰值"和"情感低谷"。人类写作的情感曲线像心电图——有起伏、有密集峰、有平静区。
检测方法：给全文每个自然段标注情感强度（0=中性，1=轻微，2=强烈），绘制情感曲线。如果曲线接近一条平直线（所有段落都在0-1之间），标记为"情感AI风险"。
去味方向：
> 来源：同上，综合朱雀绕过分析+有三思U Sense去AI味手册。
AI文本倾向形成完整的因果闭环——每一段都有明确的"因为→所以"、每个问题都有解答、每个伏笔都在本章内回收。人类写作天然存在逻辑跳跃、留白、不完整推断和"作者知道但故意不写"的信息缺口。
检测方法：逐段检查——如果连续5段以上每段都以总结句或结论句收尾（"由此可见""这说明""总之"等），标记为"逻辑封闭AI风险"。
去味方向：
> 来源：本仓库《写作技法_AI写作去味深层方法论》§发现四（2026-07-18），综合腾讯云94%→0%框架、殷念降AI红黑榜、凤凰网6提示词测评、优采云混合模式实测——四源交叉验证。
以下数据用于在去味时校准预期——选择正确的策略层级，避免在无效方法上浪费精力：
| 方法层级 | 朱雀检测率范围 | 降幅 | 说明 |
|---------|-------------|------|------|
| 纯AI生成（无干预） | 80-100% | — | 基准线 |
| L0: 同义词替换/语序调整 | 75-95% | 0-5% | 已失效——仅换词不改统计结构 |
| 纯AI互改（用AI改AI） | ~85% | <10% | 基本无效——同源AI的统计指纹一致 |
| L1: 删连接词+改句式+加主观表达 | 40-60% | 20-40% | 适合短文/社交媒体 |
| 手动微调（1000字内） | 40-50% | 40-50% | 熟练作者逐句调整效果 |
| L3: 源头防控（CREATE+分步+过滤） | 10-30% | 60-90% | 指令回声实测：80%→30% |
| L4: 人机混合模式 | 5-25% | 70-95% | 通过率比纯AI高54个百分点 |
> 决策指南：若你的目标是朱雀检测率<30%——只做L1不够，必须上L3。若目标是<10%——必须上L4。不要在L0上浪费一分钟。
> 深度阅读：以上检测维度与量化数据的完整研究过程、多源交叉验证细节、CREATE框架的学术谱系、Decomposed Prompting的三层机制分析，详见本仓库 写作研究/写作技法_AI写作去味深层方法论.md。
> 来源：虎嗅网《AI落地的苦，没有人比网文圈更懂》采访番茄/七猫编辑；本仓库研究报告。
当去味完成后，按以下编辑判定AI的优先级顺序做自检（越靠前的项目权重越高，不要只修最低优先级的"文笔漂亮"）：
> 反直觉提醒：第6项（文笔精细度）是去味中最容易被误判的方向——不要削足适履地把好句子改差来"显得不像AI"。好文笔不是问题，均匀性和模板化才是。
> 来源：知乎专栏文章《AI 写的小说会被检测出来吗？讲讲原理，别被焦虑带偏》Majx，2026-07-07。
以下原则帮助建立对AI检测的正确认知，避免在去味过程中被焦虑带偏方向。
AI检测的四大信号——高频套话、用词太平滑、风格过度一致、结构模板化——恰好也是读者弃文的四大原因。一套好的去味流程，既降低了被检测的概率，也提升了读者的阅读体验。这不是两件需要分别做的事，而是同一件事的两面。如果某个去味操作让文本"更不容易被检测"但"更难看了"，说明方向错了。
> 决策指南：当在去味中遇到"改还是不改"的犹豫时，优先问"改完读者读着更舒服吗"，而不是"改完AI率更低吗"。两者的方向在好的去味中应当一致，若不一致，以读者体验为准。
主流AI检测工具输出的不是"是/否"二值结果，而是AI率或概率评分。处理过的文稿风险是可控的——没有哪个正规平台仅凭工具评分就直接判定。去味的目的是把"被高置信判定"的概率降到合理区间，不是追求检测率归零。相比纠结检测分数，更值得关注的是章节正文的逻辑一致性、人设稳定性和对话自然度——这些才是编辑审稿的真正重心。
去味工具和疲劳词表能压制可量化的破绽——高频套话、均匀句长、模板化结构——能把"像人写"做到八九成。但"有没有灵魂、像不像这个作者"这最后一道判断，必须由人来完成。工具可以辅助诊断和局部改写，但不能替代作者的判断力、风格选择和对故事的理解。指望工具把粗糙的生成稿洗成精品，是不现实的。
去AI味的技术服务于两个合法目标：提升作品质量和通过平台审读。它不是用来造假、抄袭、或绕过原创审核的工具。所有去味操作都必须建立在"这是我自己创作的内容"的前提下。
> 底线：保留创作过程记录（见原则五），在被误判时有据可查。既不要因为焦虑而放弃使用工具，也不要因为工具方便而逾越创作伦理。
> 来源：知乎答主"铷洱"《网文的下一个突破点会是什么？》（2026-07-03）；本仓库整理。
> 证据充分性：一般（行业趋势判断，单篇观点）
> 置信度：中
> 适用层：去味的上游动机层——在执行具体去味技术前，先建立对"为什么要去味"以及"AI时代作者应该拼什么"的正确认知。
当AI能够把模板化爽文写到80分水准时，套路赛道上的竞争已经没有意义了——读者不再需要人类作者为他们提供"标准配置"的升级打脸恋爱文，因为AI能以更低成本、更高效率完成这类内容。这不是威胁，而是信号：它告诉人类作者，你应该彻底放弃和AI比套路。
核心推演：
AI写不出来的不是"更好的套路"，而是：
很多作者把去AI味理解为"隐藏AI痕迹"——这是一种防守型、焦虑驱动的错误认知。
正确的战略认知是：去味不是为了让你看起来不像AI，而是为了让你的个人印记更清晰地穿透文本。你的目标是让读者读完一章后感叹"这肯定是XX写的"，而不是"这不知道是人还是AI写的"。
未来的高效写作流程不是"人类写全部→去味"，而是：
AI负责：开头框架 / 章末钩子候选 / 场景骨架 / 设定一致性检查
人类负责：核心情绪选择 / 角色声口 / 认知型爽设计 / 个人偏见注入 / 叙事节奏裁断
这套分工不是"人做一半AI做一半"，而是各尽其能——AI处理可模板化的结构性工作，人类专注那些AI无法复制的个人化表达。去味技术的真正价值在人类的"注入"环节之后：确保个人印记没有被AI的标准化表达冲淡。
最终原则：当AI把所有套路文写到80分的时候，剩下的赛道全是人类的——你只需把自己活成一个有血有肉、有偏见、有执念、有创伤、有热爱的人，然后把这些写进故事里。这不需要技巧，只需要勇气。
这九条原则不与本 Skill 的技术方法（十大结构指纹、量化指标、三档手术强度等）并列或竞争。它们是去味的上游心态层——在动刀之前先确认"我写的这一段，首先是一段有人声、有来源、有立场的文本"。技术工具解决的是"洗掉假"，创作原则解决的是"长出真"。
"不要为了通过机器的检验，把自己变成一台机器。读者需要的，是真实的我们。"
> 来源：知乎·指令回声《AI写作：3步让AI味道从100%直降到0，朱雀都看不出是AI写的》（2026-07-17）。作者为AI内容生产系统设计者，实战案例：百家号民间故事专栏从朱雀AI检测率80%降至30%。
> 深度扩展：本节三步法的学术基础（CREATE框架、Decomposed Prompting、L0-L4分层体系、人味注入六法）详见本章后续"深度扩展一~四"节及仓库研究报告 写作研究/写作技法_AI写作去味深层方法论.md。
上述九条原则讲的是创作心态——先写人声，再去AI味。本节补充的是提示词工程设计——如何在构造AI写作提示词时，从源头扼杀AI味。核心逻辑：提示词设计得够精准，AI才能把故事写得像是一个人在讲故事，而不是机器在生成文本。
不是让AI"写民间故事"，而是让它扮演一个坐在村口大榕树下、嗑着瓜子讲述故事的老说书人。
原理：当人物身份被锁定后，语言风格自然跟随——口语化、停顿感、地方腔调全都会被自动带入，不用再反复强调"要口语化""要有人味"。AI的"万能故事腔"源于它默认的角色是"无面孔的内容生成器"；一旦给它戴上具体人格面具，它的语言选择会自动偏向那个人格的自然表达方式。
操作规则：
不要一次性让AI生成完整故事，而是分步骤交互式生成：先出五个标题让用户选 → 选完展开背景 → 背景确认后写情节 → 写完再雕琢细节。
原理：一次性生成的内容，AI会自动套用它最熟悉的"万能故事结构"（起承转合模板），导致雷同率极高——平台一扫就会命中AI检测。分步生成让每一步都有人工介入确认，内容的"分叉点"变多，最终产出会与批量模板拉开距离。
> 交叉验证：雪花写作法同样强调"切忌一次性把所有任务塞给AI"——每完成一个步骤都要进行人工审视与确认，不断补充充满情绪化与暖心细节的语句（知乎·芒果留了果，2026-07-29）。
操作规则：
在提示词中预先定义敏感词→民俗说法的映射表，让AI在生成时自动完成语义包装，而不是生成后再去排查替换。
原理：表达同样的意思，但语义包装改变了，依靠平台审核的成功率就明显提升。这不是"规避审核"，而是用符合平台文化语境的表达方式传递同样的信息——就像"去世"和"走了"说的是同一件事，但后者在民俗语境中更自然。
操作规则：
指令人回声实战案例——百家号民间故事专栏：
> 与本 Skill 既有方法的协同：三步法解决的是生成前的AI味源头控制（提示词设计），本 Skill 的诊断→拆洗→复检流程解决的是生成后的AI味修复。两步不是替代关系，而是上下游互补——好的提示词让后续去味工作量减半，好的去味流程让不够完美的初稿也能达到人写水准。
> 来源：本仓库《写作技法_AI写作去味深层方法论》研究报告（2026-07-18），综合腾讯云社区 94%→0% 提示词框架、凤凰网 6 个最佳降 AI 提示词、有三思 U Sense 消除 AI 味不完全手册——三源交叉验证。
指令回声的"说书人人格锁定"是有效起点，社区实践已将其扩展为更系统的 CREATE 框架：
| 维度 | 说明 | 示例 |
|------|------|------|
| Character（角色身份） | 明确模型扮演的具体角色 | "你是村口榕树下六十三岁的老说书人" |
| Role Experience（经验年限） | 量化专业积累，让语言深度与角色匹配 | "讲了四十年故事，从不下三十个村子收集过传说" |
| Expertise（核心能力） | 限定输出风格与能力边界 | "擅长用客家话腔调把平淡的事讲出传奇味" |
| Audience（目标读者） | 明确听故事的对象 | "围坐的是一群七八岁到十二三岁的孩子，旁边还有几个纳凉的老人" |
| Task Metrics（核心指标） | 量化输出要求 | "每个故事至少要有一次能让孩子们倒吸一口气的转折" |
| Expectation（风格约束） | 限定表达方式与禁忌 | "不加'从前有一个'的套话开头；不用成语；每讲完一小段要停一停" |
2025 年关键更新（Sander Schulhoff, The Prompt Report）：简单的"角色提示"（"你是一个XX专家"）效果已下降。真正有效的是"角色 + 限制条件 + 输出格式"三位一体——必须同时明确"你不是什么"（负向约束）和"你必须按什么格式输出"（格式约束）。
指令回声的"分步交互生成"并非孤立经验，而是 Prompt Engineering 领域已系统研究的 Decomposed Prompting（分解式提示）技术。其学术谱系：
Chain-of-Thought Prompting（2022，思维链）
↓ "Let's think step-by-step"
Decomposed Prompting（2024-2025，分解式提示）
↓ 将复杂任务显式拆为多个子任务，每个子任务独立提示
Plan-and-Solve Prompting（2025，计划-求解提示）
↓ 先生成计划，再逐步执行，每步结果反馈回下一步
来源：LearnPrompting.org Advanced Decomposition Techniques、Shadecoder Decomposed Prompting Guide 2025——双源交叉验证。
分步交互为何能降低AI味——三层机制：
| 层 | 机制 | 对AI味的抑制效果 |
|---|------|----------------|
| 统计层 | 每步输出被上一步人工选择"扰动"，打破直接概率映射 | 困惑度↑（人类低概率选择介入）、突发性↑（步间节奏不同） |
| 结构层 | 一步生成倾向套用"万能故事结构"模板；分步生成迫使每步重新定位上下文 | 模板化程度↓（每步上下文窗口不同，无法沿用同一模板骨架） |
| 内容层 | 步间的人工确认点（选标题、确认背景、确认情节）是真正的"人类指纹注入点" | 语义指纹的AI特征被稀释（每一步混入人类选择偏好） |
分步粒度推荐：4-6 步最佳——标题选择→背景展开→情节推进→细节雕琢→情感注入→终审定稿。太粗（2-3步）模板化改善不明显；太细（10+步）人工决策疲劳。
> 来源：殷念写论文降AI红黑榜、凤凰网6提示词测评、优采云混合模式实测——三源交叉验证。
社区实践已形成明确的去味方法论分层：
| 层级 | 方法 | AI率降低幅度 | 保留原意 | 适用场景 |
|------|------|------------|---------|---------|
| L0: 无效层 | 同义词替换、简单语序调整 | 0-5% | 高 | 已被检测系统全面免疫 |
| L1: 表层 | 删连接词、改句式、加主观表达 | 20-40% | 中 | 短文、社交媒体文案 |
| L2: 结构层 | 逻辑重组、段落重排、视角转换 | 40-60% | 中高 | 中等长度文章 |
| L3: 源头层 | 提示词CREATE框架 + 分步交互 + 敏感词过滤 | 60-90% | 高 | 从头生成新内容 |
| L4: 混合层 | AI生成骨架30% + 人类注入30% + AI扩充50% + 人类终审20% | 70-95% | 最高 | 长篇、论文、小说 |
> 使用规则：L0 已被宣告失效，不要再浪费时间在同义词替换上。L3 是"防"，L1-L2 是"治"，L4 是"终极方案"。优先从 L3 入手——源头防控比事后修补效率高 3 倍以上。
> 来源：多源实测交叉验证，综合朱雀绕过分析、降AI红黑榜、6提示词测评、AtomGit朱雀实测。
| 方法 | 操作 | 对抗的检测维度 |
|------|------|-------------|
| 主观评价 | 每段插入1处第一人称评价（"说实话""在我看来""这事挺讽刺的"） | 情感分布（打破中性占主导） |
| 具体数字 | 用精确数字替代模糊描述（"从5秒降到2秒"而非"显著提升"） | 困惑度（精确数字是低概率Token） |
| 个人经历 | 插入只有真人经历过的场景碎片 | 语义指纹（AI无真实经历，最硬的防AI标记） |
| 逻辑跳跃 | 故意在一个段落结尾不给出完整结论 | 逻辑封闭度（打破因果闭环） |
| 长短句交替 | 强制2-5字短句与25-40字长句交替 | 突发性（提升句长方差） |
| 不完美表达 | 保留一个"不够好"的过渡段或偶尔的啰嗦 | 困惑度（降低文本的"过度优化"特征） |
> 与本 Skill 既有"七条原则"的协同：六法与"先写人声"原则中的"原则三·主动打破节奏""原则四·表达鲜明立场""原则一·注入真实个人经历"高度一致——六法是这些原则在生成后的去味阶段更具体、更量化的操作落地。
> 来源：Jake Orlowitz（穆双译）《人们总说我的 AI 作品是金子——提高AI作品可读性》（知乎专栏，2026-07-11）。原作者为《纽约时报》撰稿人，描述其将 AI 初稿提炼到"记者看不出破绽"的多轮流程。
> 模型递给我的是矿石。任何值得阅读的内容都源于我后续的提炼。人们想象的是敲击键盘和一杯咖啡的功夫，而真正的工作发生在接下来的一个小时里。
这个认知直接影响去味时的战略判断——不要期望 AI 一次生成就是成品。去味的对象不是"写得不好的 AI 文本"，而是"未经提炼的矿石"。心态决定你愿意花多少轮、多少精力去打磨。
以下流程基于实战验证，适用于需要将 AI 生成稿提升到"看不出破绽"级别的精炼场景：
第1轮：精确提示 → AI产出初稿（矿石）
第2轮：增补缺失 → AI加入模型遗漏的组件/线索
第3轮：事实核查 ← 必须独立进行（见下方警告）
第4轮：剥离惯用痕迹 → AI去掉三点列举/跷跷板句式/宠词
第5轮：自批评重写 → 新对话·批判性评分·按评分重写
第6轮：三位读者框架 → 写作教师/领域专家/怀疑论者
第7轮：人工终审 → 读出声，找死点，换活词（不可由AI代劳）
这是投入最少、回报最高的操作：
为什么有效：AI 在同一对话中会持续维护对已生成内容的"自信"。新对话切断这种惯性，让它能以更客观的批评者视角审视同一份文本。
与事实核查的关系（关键）：自批评重写轮捕捉的是清晰度和写作技巧问题，它无法可靠地捕捉到错误日期或站不住脚的论点。所以事实核查必须是独立的一轮——而且在前。把这两步混在一起做，你得到的只会是对一个原本就错误的句子进行自信而精炼的改写。
精炼的最后阶段，想象三位特定读者：
| 读者角色 | 关注的缺陷 | 问法 |
|---------|-----------|------|
| 写作教师 | 死板的句子、没有脉搏的段落、节奏僵硬 | "这段读起来有呼吸吗？有没有一句话可以删掉而不影响任何东西？" |
| 领域专家 | 事实错误、逻辑跳跃、不合理的专业细节 | "这个说法经得起推敲吗？一个真正懂行的人会在这里皱眉吗？" |
| 怀疑论者 | 论证是否说服人、是否有预设立场 | "凭什么相信你？这段有没有在偷换概念或回避真正的问题？" |
实操方法：在 AI 精炼对话中，明确说出三位读者的身份特征和各自等待发现的缺陷，要求 AI 以"他们各自的语气"给出诚实反馈。然后收集全部反馈，要求基于此做一次全面重写。
最后 25% 的工作必须由人类手动完成：
> 大多数 AI 辅助写作正是在事实核查这一步功亏一篑。
不单独做事实核查的后果：
实操规则：在剥离惯用痕迹之后、自批评之前安排独立的事实核查轮。要求 AI 逐一标注每项事实的置信度（可验证/推测/不可验证），并对不可验证项给出替代方案。
本工作流不替代本 Skill 现有的十大结构指纹诊断、四维病灶检测、三档手术强度决策等核心技术方法。它是在技术诊断之上的执行流程——告诉你什么时候做什么检测、什么阶段用什么工具：
在完成第7轮人工终审后，执行统计模式对抗（统计模式对抗与人味编辑终审方案.md §二）+ 人类指纹注入（§三）+ 三视角终审模拟（§四）。这三步共同构成"人味编辑终审 + 统计模式对抗"的完整闭环。
如果这三步后仍有问题 → 标记为"当前技术条件下最优版本"，记录未解决维度。
本 Skill 已吸收外部共享 deai-rules 的通用识别框架，但已按本仓库的中文网文场景改写落地：
## AI味深度诊断）：当常规去味后文本仍然"读着像AI但挑不出具体毛病"时，进入九大结构指纹扫描——前六项覆盖文本结构层（感官均匀轰炸、比喻公式套娃、节奏全程匀速、内心独白过度条理、元叙事总结口吻、职业设定教科书执行），后三项覆盖创作逻辑层（模板机械复现、术语历史嫁接、过度合理缺失盲区），辅以四项量化检测指标（破折号异常率、句长标准差、感官词密度、转折扣密度）。这些是高级AI润色/扩写后的深层痕迹，常规模板腔检查无法覆盖。../通用-执行场景单元/references/知乎精华_文笔四维与交互框架.md 第三节。references/OS叙事拐杖检测增补.md。> 来源：自知乎精华《如何写好一个优质的长篇小说？》（摘星，2026-06-17）。
以下四则硬规则是去AI味检查的上游前置约束——在诊断AI味之前，先确认正文是否遵守了网文叙事的基本纪律。这四则不是"写得更好"的建议，而是"不要踩的底线"：
通用-设计人物传记 的"人物对话参与度设计"与"表达DNA"），不能只在去味阶段临时改写。四则规则的优先级按从上到下排列。规则一（视角统一）是底线中的底线——视角混乱对读者造成的阅读障碍 > 台词同腔化 > 情绪直白 > 环境过多。但如果四条同时出现问题，优先修复视角和台词风格（规则一和规则三），因为这两条直接影响读者的代入感和角色辨识度。
> 来源：知乎·Raymond《AI味，不是AI的味》（2026-07-02，149 赞同）。核心论点：AI味是一种文体特征（信息优先于体感、结构优先于节奏、完备优先于取舍），不是一种来源——人也写得出来，机器调教后也能避开。
以下三轴框架是本 Skill 所有诊断规则的上游组织原则。在执行任何具体指纹扫描或病灶检测之前，先用三轴做一次"文体层面"的快速定位。
| 轴 | AI味倾向 | 人味倾向 | 改稿时的自检问题 |
| --- | --- | --- | --- |
| 体感轴 | 信息优先于体感——句子在传递正确信息，但没有还原任何身体感受 | 体感优先于信息——读完后脑中有一个具体的感觉画面 | "这句话是在传递信息，还是在还原一种感受？如果只有信息没有感受→改写" |
| 节奏轴 | 结构优先于节奏——段落之间的转折是因为"结构需要转"（首先/其次/最后），而非思路自然走到这里 | 节奏优先于结构——过渡靠语气和思路的自然流动，不是显式路标 | "这个转折是因为结构需要才转的，还是思路自然走到了这里？如果是前者→拆掉结构" |
| 取舍轴 | 完备优先于取舍——每一个可以展开的地方都倾向于展开，每一个可以加一层的地方都倾向于加 | 取舍优先于完备——该说的说完就停，不该说的根本不会出现 | "不写这句话，文章是不是就缺了？还是写了之后只是'更全'？如果是后者→删掉" |
使用方式：拿到一段需要去味的文本时，先不用任何具体检查清单，只用三轴各问一次。通常问完就能定位"这一段的AI味主要出在哪根轴上"——是体感缺失（只有信息没有画面）、节奏机械（结构驱动而非思路驱动）、还是取舍失当（想说的全说了没有留白）。
> 适用于评论、分析、讲稿、写作研究等非小说文本的去AI味场景。小说正文的AI味诊断仍以九大结构指纹为主。
| 症状 | 识别信号 | 改法 |
| --- | --- | --- |
| "不是…而是…"滥用 | 中文AI写作中频率最高的句式。变体包括"是…不是…""不只是…更是…""与其说是…不如说是…"——识别关键不在于具体变体，而在于：作者是在正常陈述，还是在刻意制造转折？ | 人顺着说，AI翻过来说。把"不是A，而是B"改成直接陈述B。一篇文中出现≥3次→必须拆掉至少2处 |
| 英文句式硬译感 | 破折号滥用（中文读者不习惯满篇破折号）、过长的嵌套从句（英文三层定语从句→中文读到第二层就喘不过气） | 破折号→改成逗号或拆成独立句。长嵌套从句→拆成2-3个短句，按中文语序重组 |
| "首先…其次…最后…综上"全套 | 无论题材是否需要，这套四件套几乎成了AI议论文的标配。人类写议论文靠语气过渡，不需要显式路标 | 删除全部显式序列词。用段落之间的逻辑关系自然过渡。如果删掉后读者无法理解顺序→说明论证本身没有逻辑递进，先修论证再修表达 |
| 连接词机械堆砌 | "此外""同时""并且""然而"——人类写中文时很多过渡靠语序本身完成，根本不需要这些词。AI不放心，每一句都要和上一句显式挂钩 | 删除50%以上的连接词。用句序本身表达逻辑关系（因果靠先后、对比靠并列、递进靠具体化） |
| 不需要比喻的地方硬塞比喻 | 议论文本来靠论证推进，AI却总忍不住往里插意象——"像一把无形的刻刀""一条令人心碎的轨迹"。人类用比喻是想了好久才找到一个贴切的；AI随时随地都能掏出比喻，毫不犹豫 | 删。议论文中每个比喻都必须能回答"不用这个比喻，论证是否受损？"如果答案为否→删除。比喻太廉价了，像批发的 |
> 适用于小说正文、散文等文学性文本。这是比九大结构指纹更底层的判断维度——它不回答"有什么症状"，而回答"句子是怎么产生的"。
| | AI倾向（效果倒推） | 人类倾向（体验顺推） |
| --- | --- | --- |
| 句子发生方式 | 从修辞效果出发——先决定"这里需要一个比喻/一个画面"，再从语料库里拼装成句 | 从身体体验出发——先有一个真实的身体感觉，再想办法说出来 |
| 典型表现 | "寒意刺进她的胸膛"——主语是"寒意"、动词是"刺进"、宾语是"胸膛"，整个句子从修辞效果倒推出来 | "她胸前一冷"——主语是人、动作是感知，没有比喻、没有修辞意图 |
| 检测方法 | 把每句话的主语圈出来。如果大量句子的主语是无生命的抽象名词在执行人类动作（"寒意刺进""悲伤淹没""希望照亮"等），即为倒推 | 如果主语是有感知的人、动作是具体感知或行为（"她感到冷""他往前走"等），即为顺推 |
关键认识的纠正：流传很广的一个说法是——人类写"寒意刺进她的胸膛"，AI写"寒意刺进她第四节胸椎"。实际上，"寒意刺进她的胸膛"恰恰是最典型的AI写法（效果倒推），而"第四节胸椎"在特定上下文里（外科医生视角、先锋文本）完全可以是人类的精确选择。判断标准不是"精确度"，而是"句子的发生方式"。
> 这两种信号比句式/比喻问题更深、更难察觉，但一旦被识别，是AI味最强力的证据。
定义：AI从大量网络语料里提取高频零件，按统计规律重新拼合出的表达——表面有口语质感，但没有任何真人社群真正使用过。
识别信号：
Take lornshrimp/通用-去ai味重写 from the repository into ~/.claude/skills for personal
use, or into .claude/skills inside a project.
The agent identifies a skill by the name field in its header. Two skills with the
same name cannot sit side by side — one of them will be ignored.