中文去 AI 味
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：
- 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。
- 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
- 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。
- 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。
- 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。
- 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）。