lieflat-less-ai-tone · diff
git:20260824.27d2923 to git:20261027.22cc4cc
175 added, 324 removed. Audit A to A.
---
name: lieflat-less-ai-tone
- description: 按 SKILL.md 明确列出的规则识别并改写写作中的 AI 痕迹。只能处理清单内的问题；未命中规则的文字必须原样保留，也不能改变文章框架。适用于写作完成后的成稿清理。 Remove AI writing tells using an explicit whitelist of rules; leaves unmatched text untouched.
+ description: 三层去 AI 味：脚本检测出分级报告（A 机械改/B 建议改/C 只报告/X 已否决/F 指纹）+ 语义层判读（同义重命名/衔接连环/结论冒号/同构三连），先向用户交付专业、可读的改前报告，列出本篇指标、研究显著性、原文例句和具体改法；收到用户回复后按白名单规则改写，复测并生成前后对比报告（默认 Markdown，与文稿同格式）。规则基于两轮实测（629 篇对照 + 270 对同题同事实配对复测）整理。适用于写作完成后的成稿清理。
---
- # 去AI味
-
- 识别并改写文本中的 AI 写作痕迹。规则基于人类文章与多个模型输出的实测对比整理，每条都有可定位的触发标记。先判断体裁，再处理 AI 味。不能为了“像人写的”强加人称、口语或短段落。
-
- ## 有风格参考时先读它
-
- 本 skill 的多条规则需要判断“原语体”。第 7 条对文学体裁按原有风格判断，第 4 条和第 5 条要看作者本来的标点习惯，第 8 条要看原文有没有给出具体数据。
-
- 如果同一目录下有描述目标风格的文档（写作风格指南、语言特征分析、`语言DNA.md` 一类的产物），先读它再改写，把它的句长分布、标点习惯和用词偏好作为判断依据。
-
- **风格文档与本规则冲突时，以风格文档为准。** 那是目标作者的真实写法，不是 AI 痕迹。比如某作者本来就爱用破折号，就不该按第 4 条删掉。
-
- ## 硬性边界（最高优先级）
-
- 本 skill 采用白名单式改写。只能处理“改写规则”中明确列出的规范，不能凭一般写作经验修改其他内容。没有命中任何规则的句子必须逐字保留。
-
- 一句话即使命中规则，也只能改动解决该问题所必需的部分。不得顺便润色，不得替换没有问题的词语，不得调整语气、详略或信息密度。对某处是否命中规则没有把握时，保持原文。
-
- 文章结构不在处理范围内。标题层级、章节顺序、段落数量与顺序、列表、表格、引用和代码块的位置必须原样保留。除非用户另行明确要求，否则不能概括、扩写、删减观点或重组论证。
-
- ### 信息守恒：不许新增，不许删减
-
- 原文的观点和事实必须完整保留。以下内容绝不能凭改写添加，哪怕只是为了让句子读起来更具体、更像人写的。
-
- - 姓名、机构名、职务、地名
- - 数字、比例、金额、时长、次数
- - 日期、时间、先后顺序
- - 引语、对话、别人的说法
- - 引用来源、出处、链接
- - 因果、动机、心理活动
- - 任何原文没写的细节、场景或案例
-
- 反方向同样禁止。不能删掉原文的观点、结论、限定词和让步（“可能”“通常”“在某些情况下”“据说”）。把“可能提升”改成“提升”是篡改语气强度，不是去 AI 味。
-
- 判断办法：改写后的每个实词，都要能在原文里指出出处。指不出来就是新增，必须撤销。
-
- “把抽象写具体”不是本 skill 的职责。原文抽象就让它抽象。第 8 条只允许把原文已有的具体数据提到概括词的位置，不允许自己造数据。
-
- ## 用法
+ # 去AI味 v2
- 用户丢一段文字过来，你：
+ 识别并改写文本中的 AI 写作痕迹。工作顺序是**先检测、用指标与例句讲清发现和改法、等待用户回复、再改写与复测交付**。报告要专业且容易读懂：说明哪些特征在研究语料中显著，本篇实际命中了多少，以及为什么这些位置值得改。模型负责逐条筛选，不把几十个候选和比喻清单交给用户逐项决策。用户回复「按建议改」即可继续，也可以一句话调整范围。规则基于两轮实测：第一轮 629 篇对照语料，第二轮 270 对同题同事实配对复测 + 43 万次语义判断。配对复测推翻了 v1 的三条规则（见「X 级清单」），这部分规则只出现在检测报告里，永不执行。
- 1. 先锁定原文框架。标题层级、章节顺序、段落顺序、列表、表格、引用和代码块的位置都不能改
- 2. 只按“改写规则”逐项检查，不增加清单外的判断标准
- 3. 只改明确命中规则的文字，并把改动控制在解决该问题所需的最小范围。其他文字逐字保留，信息不增不减
- 4. 按文末验收清单复查，再输出改写后的全文
+ 检测分三层分工：**数得出符号的归脚本**（detect.py 正则/结构指标），**要理解句意的归语义层**（本会话模型按 [references/semantic-criteria.md](./references/semantic-criteria.md) 的封闭判据逐条判断），**机器间共识不够的归人审**（比喻贴切度、暗喻、拟人化喻体——报告里只列人审区，模型不判）。
- 不需要解释改了什么。用户问时再说明。
+ ## 工作流（必须按顺序）
- ## 不改的情况
+ ### 第一步：脚本检测
- - 文章框架：保留标题层级、章节顺序、段落顺序、列表、表格、引用和代码块的位置
- - 对话体、口语体：本来就是自然表达，不要统一改写
- - 问句：正文问句、反问、问句小标题都不改，见下文「不作为改写理由」
- - 文学性表达：散文、小说里的排比和比喻要按原有风格判断
- - 体裁要求：学术、新闻、公文等体裁不必强加“我/你”，也不必拆成短段落
- - 代码块、外语段落：不属于改写范围
- - 引用他人原文：不要改动引文
+ ```bash
+ python3 scripts/detect.py <文件或目录> [--max-hits 5] [--json]
+ ```
- ---
+ 拿到分级报告。各级含义和判级依据见 [DETECT.md](./DETECT.md)。**改前这次务必带 `--json` 存档**（第四步对比报告要用）。
- ## 不作为改写理由
+ ### 第 1.5 步：语义层判读（单篇必跑，目录批量可选）
- 以下特征看着像 AI 味，实测站不住，不能据此改文字。这张表和「不改的情况」一样是硬约束，不是参考。
+ ```bash
+ python3 scripts/detect.py <文件> --candidates --out /tmp/candidates.json
+ ```
- | 特征 | 为什么不改 |
- |------|-----------|
- | 句长、段落长度不够参差 | 实测与人类写作无差别。不要为了制造节奏调句长或拆段落 |
- | 单字虚词偏少（就/很/了） | AI 确实偏少，但方向是补不是删。补虚词无法验收，容易把正式文章改成口语 |
- | 反复写全称、少用代词 | 实测人类比 AI 更常重复同一名词 |
- | 被动句 | 抽象被动（“被认为／被视为”）远低于收录门槛 |
- | 名词化、长句本身 | 现代汉语书面语的正常写法，人类同样这么用 |
- | 正文里的“首先……其次” | 与人类写作无差别。第 6 条只管小标题编号 |
- | 句内同构排比 | “提升效率，降低成本，优化体验”“更高效、更专注、更有创造力”这类人类用得不比 AI 少。只处理句间重复，见第 3 条 |
- | 问句、设问、问句小标题 | 正文问句人类远多于 AI，删掉更不像人写 |
- | 比喻本身、比喻独立成段 | 人类用得比 AI 多。只处理理想化拟人喻体，见第 7 条 |
- | 抽象名词配具体动词 | “时间替他保管了细节”“焦虑显出形状”这类两边都几乎不写 |
+ 对抽出的四类候选（同义重命名段 / 段间衔接接口 / 冒号句 / 三连同构组），按 [references/semantic-criteria.md](./references/semantic-criteria.md) 的判据逐条给出 `label`/`confidence`/`reason`，写回 JSON。判断纪律（43 万次打标的教训）：只按判据判不按整体感觉、每条独立判断不看全文、拿不准选兜底标签、禁止自造标签。
- 规则的依据是触发标记可定位，不是频率高低。各条规则的实测数据、被推翻的预设和测量脚本见 [RESEARCH.md](./RESEARCH.md)。
+ 单篇 3000 字约 40-80 条候选，会话内直接判，token 开销可忽略。判完按判据文件末尾的汇总口径算四个数：重命名 次/段、最长连环、结论冒号占比、高度同构三连数。
- 同一特征在不同模型上量级差很大，破折号在某些模型是人类的五倍，在另一些几乎不用。不要按“某个模型的味”去套判断，只按触发标记逐句认。
+ ### 第二步：给用户看检测结果和建议，等待回复
- 部分规范参考 [KKKKhazix/human-writing](https://github.com/KKKKhazix/human-writing)。
+ 读完脚本报告和语义层四项汇总后，向用户交付一份**专业、可读的改前检测报告**，并在此结束本轮。篇幅随文章和问题数量而定；不能只给一句感想，也不能把原始脚本输出原样贴给用户。报告至少包含：
- ---
+ 1. **方法和口径**：说明脚本统计了什么、语义层判读了什么，给出本篇字数、段落数和候选数量。明确区分“研究语料中的统计显著”和“本篇单次命中”；没有做单篇显著性检验就不能宣称本文统计显著，也不能据此断言作者是 AI。
+ 2. **指标结果与命中去向**：用一张紧凑表列出本篇命中的第一层跨模型指标和第二层单模型指纹。能定位到句子的项目写明**原始命中数、有效命中数、拟改数、保留数**，以及本篇密度、研究参照和证据强度；句长 CV、结构方差等整篇分布指标只报实测值与处置，不强造逐句命中数。原始命中为零也可简列。即使未达处理门槛或决定保留，也不得从报告中删掉这一项；不同轮次计数口径不同，不得混算倍数。
+ 3. **例句与改法**：对每个建议处理的指标，摘 1–2 处原句并标位置，解释命中机制、对阅读的具体影响，再给可执行的改法。可给短句示意，但不是正式改稿；此时不得写入或交付改后全文。保留事实、限定词和信息点，不用“改得自然些”这种空泛建议。
+ 4. **排除项与范围**：对每个保留/排除的指标写明数量和理由类别，并至少举一处能定位的例句；标题/清单/引文等正常用途、低优先级命中和指纹项的具体保留理由都在此说明。最后汇总拟修改范围和保留边界，只请用户对**整套建议**回复「按建议改」或提出调整，不逐条索要决定。
- ## 改写规则（按优先级排序）
+ **命中清单不可静默删项。** 脚本原始命中与语义候选先完整保存在 JSON；模型复核只能给每条标注“拟改 / 保留 / 误报 / 待核或人审”及理由，不能改写原始计数或把不喜欢的候选移出清单。语义层的“不符合判据”属于有记录的判读结果，也要计入“原始候选 → 有效命中”的差额。若用户提供了文件，保留可追溯的逐条结果文件；主报告用数量和典型例句解释去向，用户无需逐条决策。
- ### 1. 翻案腔
+ **第一、第二层的执行倾向：有效且可定位的命中，默认列为“拟改”。** 研究指标用于筛选值得处理的写法；本篇次数少、密度不高或未达到整篇提示线，只影响报告中的优先级，不能单独成为放过一处有效命中的理由。模型要把“保留”当成需要举证的例外：明确指出该处的修辞、引文、术语、语义关系或作者风格为何不可替换，或说明最小改写仍会损失信息。不能只写“读着自然”“只有一处”“模型未必如此”就保留。若判据尚无法确定，标“待核/人审”并列出原句，不默认为无问题。用户回复前仍只提出建议，不改正文。
- 翻案腔先立一个读者并没有的误解，再把它推翻。已知写法包括“不是……而是……”“并非……而是……”“不在于……而在于……”“与其说……不如说……”“表面……实际……”“看似……实则……”，也包括“不是 A，是 B”“不是 A。而是 B”“你以为……其实……”“回头才发现”“说到底”“答案恰恰相反”“A 不重要，重要的是 B”。这份清单只是举例；同一个动作换任何字面都要改。
+ 写法以指标表配合解释性段落为主。术语可以用，但要解释其含义；数字要有口径和参照，例句要能在原稿定位。目标是让用户清楚看到“检测依据 → 本篇命中 → 原文例子 → 具体改法”，而不是只看到形容词或一串 A/B/C 级别。主报告不贴全部候选、逐项勾选表或全篇比喻清单。
- 改法：直接从正面下判断，先给判断，再给依据。只有文章确实用材料走过了从误解到修正的过程，才允许写作者的自我修正，而且不能套用上面的固定句式。
+ 完整案例见 [examples/agent-memory-case/README.md](./examples/agent-memory-case/README.md)：包含改前检测与建议、改后全文、左右两列 HTML 对照和复测结论。
- > ❌ 真正的壁垒不是技术，而是认知。
- >
- > ✅ 真正的壁垒是认知。
+ 表达方式示例（只示范一个指标段落，完整报告见案例）：
- > ❌ 这不是一个工具的问题，而是一个思维方式的问题。
- >
- > ✅ 这是思维方式的问题。
+ > 脚本在本文找到 2 处“不是 A 而是 B”式对举，密度 0.763 次/千字；第一轮人类参考约 0.22 次/千字，配对复测中 GPT 与 Opus 也同向偏高。第 13 行“不是冰箱的容量，而是……”和第 76 行“不是存更多，而是分清楚”都在段落结论位置。建议把判断直接说出来，同时保留容量与存储量这两个限定，不把反面信息整句删掉。
- > ❌ 我们需要的不是更多的数据，而是更好的判断力。
- >
- > ✅ 我们需要的是更好的判断力。
+ 这份报告是**唯一的改前确认点**。发出后停在检测阶段，**收到用户回复前不得改写文章**。
- > ❌ 你以为用户在乎功能多少，其实他们只在乎能不能马上用。
- >
- > ✅ 用户首先在乎能不能马上用。
+ 模型在给出建议前自己复核每条命中，但复核结果必须留痕：A 级的标题、引文等误报标“误报”，不能从原始数中抹掉；A/B 级有效且可安全改写的局部命中默认标“拟改”，保留需给逐处的具体理由；语义层按封闭判据核验（重命名 ≥2 组的段、≥6 连环、结论冒号、高度同构三连 ≥2 组是重点报告门槛），阴性判读也记录。低于整篇门槛但本句确有同类问题，可列低优先级拟改，不能写成本文统计显著；单凭次数少不得排除。判不准则标“待核/人审”并展示，不归零。**C 级句长方差、小节几何等整篇分布指标不可假装成某句的错误；报告实测值，有可定位且不破坏文章结构的改法才建议处理。H 级比喻、暗喻和拟人仍交人审，不让模型假装能判贴切度。**用户主动要求处理 C/H 时按相应约束办理；涉及引文时仍不得改动引文本身。
+ 用户回复「好」「按建议改」「就这样改」等，即按报告中的建议直接进入第三步，不再二次确认。用户提出修改意见时，按其意见调整并进入第三步；如果回复只是提问或明确要求先别改，先回答或暂停，不能把沉默当作同意。用户说「全部改」时，默认指经复核列为拟改的 A+B+语义层+F 局部命中，不包括 X、不可定位的 C 和待人审的 H；用户对 C/H 给出明确要求时按其要求处理。
- ### 2. 顿号罗列过密
+ ### 第三步：改写
- 用顿号串起三项以上的并列，一句里塞进一整份清单。实测 AI 3.21/千字、人类 1.78，倍率 0.56。
+ 收到第二步的用户回复后，只改用户接受或调整后的方案纳入的项。改写原则见下。每处改动记录「原文 → 改后 + 命中规则编号」，供第四步复核。
- 触发标记：一个分句内出现两个以上顿号，连起三项以上并列成分。
+ ### 第四步：复测 + 前后对比报告
- 改法：能概括就别逐项列举；必须保留三项以上时，改变其中一项的句法，不让它们排成同一结构。不得改动原有列表结构或删掉必要项目。
+ 对改写稿重跑 `detect.py`（带 `--json` 存档），然后生成前后对比报告：
- > ❌ 采集、存储、展示。
- >
- > ✅ 从采集到展示。
+ ```bash
+ python3 scripts/detect.py 改后.md --json > /tmp/after.json
+ python3 scripts/report.py 原文.md 改后.md /tmp/before.json /tmp/after.json \
+ --semantic /tmp/candidates_labeled.json --out 去AI味报告.md
+ ```
- > ❌ 无论是初创公司、中型企业，还是大型集团，都能从中受益。
- >
- > ✅ 各种规模的公司都能用。
+ **默认输出 Markdown**（与用户文稿同格式，对照区是改后稿全文、改动处用 `<del>原文</del><ins>新文字</ins>` 标记，其余 md 标记原样保留，整段可直接复制回写作流程）。用户要网页版再加 `--format html`（红绿划线，`open` 浏览器看）。
- 不改：材料本身必须完整列出时（法规条目、配置项清单、财务科目）；Markdown 列表内部。
+ 报告三段式：顶部指标前后对比表（含人类参考列）、中部分级问题清单+语义层判读、底部前后对照。
- 句内的同构排比不在本条范围内。“提升效率，降低成本，优化体验”“更高效、更专注、更有创造力”这类实测人类用得不比 AI 少，见「不作为改写理由」。
+ 复测判读：经复核列为拟改的 A/B/语义/F 局部命中，应核对是否完成修改；标题、清单等误报可保留并在报告里说明。F 指纹密度变化给出方向解读，不强迫归零；C 级结构指标（句长CV、同构/百段）变化给出数字但**不追求推到某个目标值**——把句长CV 从 0.37 拉到 0.67 是机械参差化，比不改更糟。
+ ## 改写原则（解决「AI 改写不好」）
- ### 3. 相邻句结构同款
+ 这部分是 v2 新增的。模型改写 AI 味的常见失败模式和对策：
- 连着几句用同一个句法骨架，逗号位置一样，成分顺序一样，收尾方式也一样。单看每句都通顺，连起来像在填表。实测 AI 每百段 9.41 处（连续两句）、0.84 处（连续三句），人类 4.81 和 0.41，都是 2 倍。这项差异在人类语料内部很稳定，不是体裁造成的。
+ **1. 最小改动。** 一处命中只改解决该问题所必需的部分。不顺便润色，不替换没问题的词，不调整语气详略。没有把握时保持原文。改得越多，错得越多——每次额外改动都是一次新的语义风险。
- 触发标记：相邻两句以上，逗号数量相同、成分顺序相同、长度接近。典型是“主语＋动词＋宾语，＋补充说明”连续复现。
+ **2. 信息守恒。** 原文的观点、事实、限定词完整保留。姓名、数字、日期、引语、来源、因果，改写后每个实词都要能在原文指出出处。「可能」改「一定」是篡改判断强度，不是去 AI 味。
- 改法：打散其中一句的句法。合并、拆分、换语序或改成短句都行。只改句子内部，不动段落顺序，也不删信息。
+ **3. 不制造参差。** 句长和段长的离散度实测人机无差异（v1 已证，配对复测确认）。不要为了「像人写的」把句子改得忽长忽短、把段落拆碎。节奏问题只在 C 级报告里提示，默认不逐句改。
- > ❌ Cloudflare 发长文提了一套凭证隔离框架，叫 Agent Access Model。AWS 把 Kiro Crew 开源了，一个能跑一整晚的多 agent 编排平台，标配签名审计日志。
- >
- > ✅ Cloudflare 发长文提了一套凭证隔离框架，叫 Agent Access Model。AWS 开源的 Kiro Crew 则是个能跑一整晚的多 agent 编排平台，签名审计日志是标配。
+ **4. 结构不动。** 标题层级、章节顺序、段落顺序、列表、表格、引用、代码块的位置原样保留。小标题编号**不改**（配对复测已推翻，见 X 级清单）。
- > ❌ 这个功能上线后用户反馈很好。团队的开发效率提升明显。下一步的优化方向已经确定。
- >
- > ✅ 这个功能上线后用户反馈很好，团队开发效率也提升了。下一步优化什么，已经定了。
+ **5. 有风格参考先读参考。** 同目录有风格文档（写作风格指南、`语言DNA.md` 类）时先读它。冲突时以风格文档为准——那是目标作者的真实写法，不是 AI 痕迹。作者本来就爱用破折号，就不按指纹规则删。
- 一段里并排三个以上平级案例时，光打散句法不够。三个例子说的是同一件事，读着就是在凑数。这时可以合并同类项，或把次要的压缩成半句，让最有代表性的那个留在主句位置。信息不能删，只改主次。
+ **6. 改完自查三件事。**
+ - 每处改动能否指出对应的方案项和规则编号？指不出就撤销
+ - 实词是否都有出处？没有就撤销
+ - 复测后需要处理的 A/B 是否清零、保留的误报是否有说明、C 级指标是否没有大幅摆动？
- > ❌ Cloudflare 发长文提了一套凭证隔离框架，叫 Agent Access Model。AWS 把 Kiro Crew 开源了，一个能跑一整晚的多 agent 编排平台，标配签名审计日志。Y Combinator 也把内部工具 QM 放出来了，自带“人类批准门”和三档安全姿态。
- >
- > ✅ Cloudflare 发长文提了一套凭证隔离框架，叫 Agent Access Model。AWS 和 Y Combinator 则各自开源了一套多 agent 编排工具，Kiro Crew 标配签名审计日志，QM 自带“人类批准门”和三档安全姿态。
+ ## 不改的情况
- 这一层没有硬性触发标记。实测 AI 的案例句密度是人类的 3-4 倍，但“恰好凑三个”是错觉。在已含案例的段落里，三案例占比 AI 0.6%、人类 0.5%，没有差别。所以只在案例确实平级、看得出在凑数时才压缩。叙事推进（先发生什么、怎么做的、结果如何）不算，不要动。
+ - 文章框架（同上）
+ - 对话体、口语体：本来就是自然表达
+ - 问句、设问、问句小标题：正文问句人类远多于 AI，删了更不像人写
+ - 文学性表达：散文小说的排比比喻按原有风格判断
+ - 体裁要求：学术新闻公文不必强加「我/你」
+ - 代码块、外语段落、引文
+ - **序数词小标题、「这意味着」复述、空转句引列表、概括替代（同段有数据也不改）**：v1/v2 曾列为规则，270 对配对复测方向反转或净零（人类用得更多/两侧对称），永不改。检测报告的 X 区会标出这些，防止误改
- 不改：清单式段落本来就该整齐时（操作步骤、并列条款）；对话和引语；散文、小说等文学体裁的有意排比。
+ ---
+ ## 改写规则（按优先级排序）
- ### 4. 破折号滥用
+ 规则里的实测数字：标注「配对复测」的来自 270 对同题同事实语料（GPT-5.6 135 篇 + Opus 4.6 135 篇 vs 人类 270 篇），其余来自第一轮 629 篇对照。两轮都过的才保留为规则。
- AI 常用破折号制造停顿后的揭晓，或插入没有必要的补充。非虚构写作只在句意确有需要时使用，不拿它强调普通判断。
+ ### 1. 翻案腔
- 实测人类 0.80/千字，AI 2.38；分模型差得很远，DeepSeek 5.16，Claude 4.25，Kimi 2.32，而 Gemini 0.51、GPT 0.11。有观点认为模型更新后破折号已不算 AI 痕迹，但这只对少数模型成立。写作场景里 Claude 用得多，而它比人类高出五倍。只要主流写作模型里还有这种量级，这一条就保留。
+ 先立一个读者并没有的误解，再推翻它。「不是……而是……」「并非……而是……」「与其说……不如说……」「表面……实际……」「看似……实则……」「你以为……其实……」「A 不重要，重要的是 B」。清单只是举例，同一动作换任何字面都要改。
- 改法：直接写完整句子，或改用逗号和句号。
+ 实测：第一轮 AI 0.73 / 人类 0.22（3.4×）；配对复测欧化构式 GPT δ+0.88 / Opus δ+0.72，两轮同向，是最强的纯写作信号。
- > ❌ 答案其实很简单——专注。
- >
- > ✅ 答案是专注。
+ 改法：直接正面下判断，先给判断再给依据。
- > ❌ 他找到了一条路——一条所有人都忽略的路。
- >
- > ✅ 他找到了一条别人都没注意的路。
+ > ❌ 真正的壁垒不是技术，而是认知。
+ > ✅ 真正的壁垒是认知。
+ > ❌ 你以为用户在乎功能多少，其实他们只在乎能不能马上用。
+ > ✅ 用户首先在乎能不能马上用。
- ### 5. 冒号滥用
+ ### 2. 提示语冒号
- 两种形态，都是让冒号替自己说话。
+ 冒号前是「一句话总结」「核心是」「关键在于」「原因如下」这类提示语，替作者宣告下面有结论。
- **一、提示语引出内容。** 触发标记：冒号前是“一句话总结”“核心是”“关键在于”“原因如下”“结论”“本质上”“换句话说”这类提示语。实测 AI 0.29/千字、人类 0.08，约 3.8 倍，人类侧稳定偏低。
+ 实测：第一轮 AI 0.29 / 人类 0.08（3.8×）；配对复测语义层「结论提示冒号」AI 2.1 倍于人类，两轮同向。
- 改法分两种。提示语本身不承担信息时删掉它，直接写内容；提示语在承接上文时保留，只把冒号换成句号或逗号。判断方法是看删掉这半句会不会丢信息或断掉衔接。
+ 改法分两种。提示语不承担信息时删掉直接写；前半句承接上文时保留、只把冒号换成句号或逗号。判断方法：删掉这半句会不会丢信息或断衔接。
> ❌ 一句话总结：这个方案成本太高。
- >
> ✅ 这个方案成本太高。
- > ❌ 核心是：先解决支付失败的问题。
- >
- > ✅ 先解决支付失败的问题。
-
> ❌ 原因有两个：交付晚了，预算也超了。
- >
> ✅ 交付晚了，预算也超了。
- **前半句在承接上文时不能删，只换标点。** 「这听起来像是一笔近乎完美的交易：容量增加，计算量却没有同比增长」这类，前半句是衔接成分，删了句子就断，改成「……完美的交易，容量增加，计算量却没有同比增长」即可。
-
- 这类句中冒号不作为改写依据。实测 AI 3.00/千字、人类 1.80，但人类内部差异达 6.6 倍，有的写作者几乎不用，有的比 AI 用得还多，无法据此判断一处冒号的来源。只有同一段落内反复出现、每句都靠冒号分层时才按本条处理。
-
- **二、空转句引出列表。** 一句话不说任何内容，只用来宣布下面有个列表，以冒号收尾。触发标记：正文里一行以冒号结尾，紧接着是列表项或编号，且这句话去掉后信息不减。实测 AI 0.29/千字、人类 0.03，约 9 倍，各组人类都接近零。
-
- 改法：把这句话本身写成有内容的判断，或直接删掉让列表接上上文。不能删列表项。
-
- > ❌ 我见过的几种典型场景：
- >
- > ✅ 这几种场景我都见过。
-
- > ❌ 一套基础检查通常包括：
- >
- > ✅ 基础检查通常包含这几项。
-
- 不改：引出人物直接原话（“他说：‘明天再谈。’”）；小标题里的冒号；列表项内部的冒号；句中引出说明的冒号（“人擅长的是：判断业务逻辑”这类总说加分说，是规范用法，且人类内部用量差异过大，测不出稳定差异）；网址、代码和机器字段。
-
-
- ### 6. 序数词当小标题
-
- AI 爱把「一、二、三、」当小标题给全文编号，从一排到底。这是模板感最强的形态。小标题本来该说明这一节讲什么，编号顶在最前面就把说明挤到了次要位置。
-
- 触发标记：小标题（`#` 开头，或独立成行的加粗文本）以「一、二、三」或「第一、第二」编号，且连续三个以上。
-
- 改法：删掉编号，保留小标题原有文字。不能改小标题的措辞、顺序或层级。
-
- > ❌ ## 一、先别急着写 prompt，先找出模糊在哪里 / ## 二、把需求写成六个模块 / ## 三、合成第一版可用 prompt
- >
- > ✅ ## 先别急着写 prompt，先找出模糊在哪里 / ## 把需求写成六个模块 / ## 合成第一版可用 prompt
-
- 不改的情况：
-
- - 正文里的“首先……其次……最后”，以及句中的“第一，”“一方面”。这类写法实测与人类写作没有差别，不是 AI 痕迹
- - 原文确实按步骤、时间或法规条目组织，编号承担指代功能（“见第三条”）
- - Markdown 有序列表（`1.` `2.`）。列表本身就是编号结构，不动
- - 小标题只有一两个编号，没有构成通篇编号
-
-
- ### 7. 拟人化喻体
-
- 把工具、系统或流程比作一个理想化的人，比如“像一位智慧的导师”“一个永不疲倦的初级审查员”“贴身的数字秘书”。这类喻体在替作者抒情，没有解释任何机制，而且喻体后面往往跟一串褒义修饰或“不仅……更……”的展开。
-
- 实测 AI 0.018/千字、人类 0.002，7.3 倍；喻体带“永不……／智慧的／全能的”这类修饰时差到 12.6 倍。
-
- 触发标记：“像／相当于 + 一个／一位 + 职业角色（导师、秘书、助手、顾问、管家、审查员、实习生……）”，且喻体带褒义修饰，或后接“不仅……更……”。
-
- 改法：换成这东西实际做了什么，或改用一个具体的人当喻体。
-
- > ❌ 它就像一位智慧的导师，不仅传授结论，更传授看待世界的多元视角。
- >
- > ✅ 它不只给结论，也讲看待问题的不同角度。
-
- > ❌ 这相当于为团队配备了一个永不疲倦、秒级响应的初级审查员。
- >
- > ✅ 它不会疲倦，响应在秒级，能承担初级审查的活。
-
- 不改的情况：
-
- - 比喻本身不是 AI 痕迹。实测人类用比喻是 AI 的 2.4 倍，比喻独立成段更是 8 倍。只处理“理想化职业人格”这一种喻体
- - 具体的人当喻体（“像一个老师傅”“像一个人脉很广的医生朋友”）。人类就这么写
- - 喻体带来了正文没给的理解时。判断办法：整段删掉比喻，如果读者会漏掉某个信息，就保留；如果上一段已经把机制讲完，这个比喻只是换套说法重讲，那它是凑字数，不在本条范围内也不必留
- - 小说、散文等文学体裁按原有风格判断
-
-
- ### 8. 把已有的具体数据写回概括表述
-
- AI 论述靠抽象概括，人类靠具体材料。实测数字密度 AI 6.34/千字、人类 17.92，人类是 2.8 倍；时间锚点 0.69 vs 1.78，2.6 倍。这是覆盖面最广的一项差异。破折号和段首零主语只出现在特定句式，材料稀薄是整篇的底色。
-
- 但本 skill 不能补原文没有的信息。所以这一条只做一件事。原文已经给了具体数字、时间或事实时，不许用概括表述盖掉它。
-
- 触发标记：句中用“显著提升”“大幅增长”“明显改善”“效率的提升”“大量”“众多”等概括说法，而同段或相邻段里已经写着对应的具体数值、时间或对象。
+ **空转句引列表（「我见过的几种典型场景：」+列表）不改。** 第一轮测出 9.4×，但配对复测方向反转：人类高一个量级，目录式长文里这是正常写法。已列入 X 级。
- 改法：把已有的具体值提到概括词的位置。原文没有具体数据时，只恢复动词，不许自己编数字。
+ 不改：引出人物原话；小标题里的冒号；列表项内部；「人擅长的是：判断业务逻辑」这类总说分说（人类内部用量差异 6.6 倍，测不出稳定差异）；网址代码。
- > ❌ 新系统实现了效率的提升。处理时间从两小时缩短到四十分钟。
- >
- > ✅ 新系统把处理时间从两小时缩短到四十分钟。
+ ### 3. 起手式
- > ❌ 团队完成了对流程的优化。
- >
- > ✅ 团队把流程改顺了。（原文没给数据，只恢复动词）
+ 「说白了」「说穿了」「先说结论」。删掉直接给判断。第一轮 3.2×，量小但稳定。
- > ❌ 公司进行了组织架构的调整。
- >
- > ✅ 公司调整了组织架构。（同上，不许写成“合并了两个业务组”——原文没这个信息）
+ ### 4. 翻译腔（四种）
- “完成了对……的……”“实现了……的提升”“进行了……的优化”这类名词化结构本身也在本条范围内，改法是恢复动词。
+ 只处理四种结构。触发标记之外的即使读着生硬也保留——第一轮从 18 种里只筛出 5 种，配对复测又推翻 1 种（「这意味着」），剩这 4 种。
- 不改：原文确实只有概括、没有具体材料时。这时不能补，也不能因为“太抽象”就删掉句子。可以在输出后提示作者此处材料稀薄，由作者决定是否补充。
+ **过长前置定语**（第一轮 0.42/千字，配对复测前置定语长 GPT δ+0.48 / Opus δ+0.54）：中心名词前修饰超十五字，或「的」连续两个以上。拆成两个分句。
+ > ❌ 一个能够帮助团队在不增加人力的情况下显著提升审核速度的工具
+ > ✅ 这个工具能显著提升审核速度，不需要增加人力
- ### 9. 禁用起手式
+ **「当……时」前置从句**：删「当」和「时」，让从句直接作前一分句。确实需要标示时点、删了时间关系变模糊的不改。
- 不用“说白了”“说穿了”“先说结论”。删掉后直接给判断。
+ **前置话题壳**：「对于……来说」「就……而言」「在……方面」后面的句子本来就以这个对象为主语时，删壳子。
- > ❌ 说白了，这个项目没有足够的预算。
- >
- > ✅ 这个项目预算不足。
+ > ❌ 对于早期团队来说，招人是最难的事。
+ > ✅ 早期团队最难的事是招人。
+ **句首连接词当路标**：「然而，」「因此，」「此外，」尤其相邻段落连续这样开头。移到主语后，或换「不过」「其实」。论证确实需要显式路标时不改。
- ### 10. 翻译腔（只保留五种）
+ **「这意味着」「这表明」式复述不改。** 第一轮 0.15/千字收录，配对复测三项口径全部反向（人类 0.027 vs AI 0.016 每千字）。已列入 X 级。
- 翻译腔本身不等于 AI 味。现代汉语的书面语已经吸收了大量译文句式，被动句、名词化、长句都是正常中文写作的一部分，人类作者同样这么写。在 300 篇 AI 样本（117.9 万汉字，5 个模型）中实测，“以一种……的方式”0.01/千字、“扮演……角色”0.02、“使得……能够”0.03、“被认为／被视为”类抽象被动 0.09，都低于收录门槛；“复数硬译”“受到……的关注”几乎不出现。这些不作为改写理由。
+ ### 5. 顿号罗列过密
- 只处理下面五种结构。触发标记之外的表达，即使读起来生硬或主观上“不像中文”，也必须原样保留。专业术语、法律文本、公文固定表达和已有固定译法不受影响。
+ 一个分句内两个以上顿号、连起三项以上并列。第一轮 AI 3.21 / 人类 1.78；配对复测密集并列 AI 1.45 倍，两轮同向。
- 每条标注的频率来自上述 300 篇语料。作为参照，同一语料里已收录的“不是……而是”是 0.70/千字、段首序数词 0.67。
+ 改法：能概括就概括；必须保留时改变其中一项的句法，不让它们排成同一结构。不改法规条目、配置清单等必须完整列出的；Markdown 列表内部。句内排比（「提升效率，降低成本，优化体验」）人类用得不比 AI 少，不在本条范围。
- **过长前置定语（0.42/千字，覆盖 179/300）**
+ ### 6. 相邻句结构同款
- 英文关系从句直译成中文时，容易把很长的说明全部塞到名词前面。
+ 相邻句同一句法骨架，逗号位置一样、成分顺序一样、收尾一样。第一轮每百段 AI 9.41 / 人类 4.81；配对复测高度同构 AI 1.6 倍（三连句 2.75 倍），两轮同向。
- 触发标记：中心名词前的修饰成分超过十五字，或“的”字连续出现两个以上，读到句子中间需要回头确认句意。
+ 改法：打散其中一句——合并、拆分、换语序或改短句。只改句内，不动段落顺序不删信息。
- 改法：在原段落内拆成两个分句，不能移动信息或增删含义。
+ > ❌ Cloudflare 发长文提了一套凭证隔离框架。AWS 把 Kiro Crew 开源了，一个多 agent 编排平台。Y Combinator 也把内部工具 QM 放出来了。
+ > ✅ Cloudflare 发长文提了一套凭证隔离框架。AWS 和 Y Combinator 则各自开源了一套编排工具，Kiro Crew 配签名审计日志，QM 自带「人类批准门」。
- 同类的两种写法一并按本条处理。“……的……的……”连用承接英文所有格（“团队完成了对系统的稳定性的检查”改成“团队检查了系统稳定性”）；名词前“一个／一种”与另一个数量词或指示词叠加（“一个关于用户增长的一套新的方法”改成“一套新的用户增长方法”）。数量本身是信息时不改。
+ 平级案例凑数时可合并同类项、次要的压成半句，信息不删只改主次。叙事推进（先发生什么、结果如何）不算。清单式段落、对话引语、文学排比不改。
- > ❌ 这是一个能够让团队在不增加人力的情况下显著提升审核速度的工具。
- >
- > ✅ 这个工具能显著提升审核速度，不需要增加人力。
+ ### 7. 拟人化喻体（人审区，不自动改）
- > ❌ 我们需要一套能够满足不同用户在多种场景下使用需求的解决方案。
- >
- > ✅ 我们需要一套解决方案，能满足不同用户在多种场景下的需求。
+ 把工具系统比作理想化的人：「像一位智慧的导师」「永不疲倦的初级审查员」。第一轮 7.3×，配对复测拟人化喻体 AI 1.2 倍（弱信号）——但两侧近饱和（99.3%/97.4% 的文章都含拟人），差异不在「有没有」在贴切度，而贴切度模型判不准（与比喻贴切度同族，模型间共识 0–40%）。
- **“当……时”前置时间从句（0.26/千字，覆盖 136/300）**
+ 2026-10-26 起移入人审区：模型对贴切度理解不可靠，默认保留比喻和拟人，不用全篇清单打断改写。用户主动要求检查 H 级时，再列出命中原句供人审，**不评级不给意见**；明确要求把某条改成非比喻时，平实陈述这个工具/系统实际做了什么。
- 英文 `When …, …` 直译后，句首堆一个完整的从句，读者要等到“时，”之后才拿到主句。
+ ### F 级单模型指纹的处置
- 触发标记：“当”开头、以“时，”收尾，中间是一个完整的主谓结构。
+ **指纹是研究语料中的模型使用偏好，不能用来反推这篇文章由哪个模型写成。** 不要求用户提供生成模型；未知来源文本照样检测，但报告只说“本篇密度/用法与哪种指纹方向相似”，不说“这篇来自某模型”。对可定位、可安全改写的指纹用法，默认提出最小改法；次数与密度用于排序，不是单项豁免。模型的语义判断只核对具体用法，不能把单模型差异说成跨模型通用事实。
- 改法：删掉“当”和“时”，让从句直接作前一分句。
+ - **破折号**：>2/千字为优先处理线，不是唯一入口。逐处检查，装饰性停顿或把本可直说的结论悬置起来时默认建议改；承担必要强调、插入解释或人物语气且改动会损失作用时保留，并写明理由。
+ - **分号**：逐处看能否安全拆成句号；连续分号让一句承载过多层次时优先建议拆。确有并列层级或逻辑对应、拆句会损失关系时保留。
+ - **引号**：Opus 偏少不构成补引号的理由。按引语、专名和原文标注需要处理，不凭指纹增删。
+ - **高度同构三连**：按第 13 条的封闭语义判据确认；达到整篇报告门槛时优先处理，单组确有机械复用也可列低优先级拟改。刻意修辞、清单和叙事中的三件事保留，并说明依据。
- 不改：句子确实需要标示时点，删掉后时间关系变模糊时；“的时候”这类口语说法（实测 0.02/千字，不是 AI 特征）。
+ F 级可改的局部候选默认提出改法；保留要举出这处表达不可替换的具体功能，不能只因数量少或作者模型未知而放过。指纹中“引号偏少”等缺失型、句长分布等整篇型指标没有逐处命中可改，只报告方向或在确有独立问题时处理。研究中的单模型显著不等于本篇单次命中显著。
- > ❌ 当所有人都能用 AI 写文章时，内容本身就不再是竞争优势。
- >
- > ✅ 所有人都能用 AI 写文章，内容本身就不再是竞争优势。
+ ### 8. 破折号（指纹规则，密度决定优先级）
- > ❌ 当编写代码的成本趋近于零时，走错技术方向的代价就变高了。
- >
- > ✅ 编写代码的成本趋近于零，走错技术方向的代价就变高了。
+ **破折号密度 >2/千字时优先处理；低于这条线也逐处检查可否安全改写。** 配对复测显示分模型极端分化：GPT −0.54（比人类还少）/ Opus +0.95（偏多）。密度低于人类参考值 0.80/千字的文本不因“缺破折号”而补写。
- **前置话题壳（0.22/千字，覆盖 137/300）**
+ 确需改时：直接写完整句子，或在不损失语义关系的前提下改用逗号、句号。
- 英文 `For …` / `As for …` / `Regarding …` / `In terms of …` 直译成中文的前置话题壳。
+ > ❌ 答案其实很简单——专注。
+ > ✅ 答案是专注。
- 触发标记：句首“对于……来说”“对……而言”“就……而言”“关于……”“在……方面”，而后面的句子本来就以这个对象为主语或宾语。
+ ### 9. 段首零主语评论（降级：不再自动检测）
- 改法：把对象直接放到主语或话题位，删掉壳子。
+ 原为改写规则（补「这」字）。2026-10-26 裁定不再列入检测与改写：该特征为第三层弱信号（配对复测 AI 4.9% vs 人类 3.3%，约 1.5 倍，接近临界），且与第四层已反转的「句间指代不清」（人类不清率是 AI 4-5 倍，多为可控紧凑）属同族——AI 的阅读负担不在语法层指代，在概念层换说法（见规则 11）。正文遇到读着悬空的段首评论仍可按「补回指词」处理，但不扫描、不计分、不进报告。
- 不改：确实需要限定讨论范围，删掉后句子会被读成全局断言时。
+ > 原规则 9（概括盖住同段具体信息）2026-10-13 撤销——对称口径复查概括替代净零（更含糊 24.7% vs 更具体 26.0%），净零特征不进改写集，整条降 X 级，见 X 级清单。
- > ❌ 对于早期团队来说，招人是最难的事。
- >
- > ✅ 早期团队最难的事是招人。
+ ---
- > ❌ 关于定价，我们做了三轮测试。
- >
- > ✅ 定价我们测了三轮。
+ ### 语义层改写规则（第 10-13 条，配合第 1.5 步判读结果使用）
- > ❌ 就用户体验而言，这个改动没有带来明显变化。
- >
- > ✅ 用户体验没有明显变化。
+ 四项基于 270 对配对复测统计显著（同义重命名为单模型判据，弱一档）。2026-10-26 作者裁定不等盲读、按已验证规则执行。改写只动逐条复核后纳入方案的项。
- **句首连接词当路标（0.18/千字，覆盖 102/300）**
+ ### 10. 同义重命名（段级）
- 英文习惯把连接词放句首领起全句，中文更常嵌在句子中间。实测人类 0.03/千字、AI 0.18，人类侧稳定偏低。
+ 同一实体/概念在段内换实义说法（「优化／增强／提升／提高」轮着用；「版图→基地→项目→节点」叫同一个项目），读者要做「X 就是 Y」的等同连接。配对复测：AI 0.83-0.86 次/段 vs 人类 0.49；≥2 次重灾段 AI 20.6-22.5% vs 人类 8.4%。**证据注记：Jev 单模型一轮判据，跨模型同向但未迭代，稳健性弱于其他三条。**
- 触发标记：段首或句首出现“然而”“因此”“此外”“与此同时”“换言之”“总而言之”，尤其相邻段落连续这样开头。
+ 改法：同义链统一回原名词。零信息损失——人类范本就是反复用原名的写法（人类语料里同一段 3 次原名重复的实测例）。
- 改法：把连接词移到主语后面，或换成“不过”“其实”“也”这类更口语的说法。
+ > ❌ 采用兼容体系……站点利用率就可能提升（同段前文说的是「优化」「增强」）
+ > ✅ 采用兼容体系……站点利用率就可能优化（统一回原词）
- 不改：论证确实需要在段落转折处立一个显式路标时。
+ 不改：不同实体恰好用近义词（判据要求同一概念）；术语首次引入时「又名 X」的正式介绍；文学性指称变化。
- > ❌ 然而，这个方案并不适用于所有场景。
- >
- > ✅ 这个方案其实不适用于所有场景。
+ ### 11. 衔接连环过长
- > ❌ 此外，成本也是一个需要考虑的因素。
- >
- > ✅ 成本也得考虑。
+ 段段紧扣、零跳转。判读口径：连续「明确承接」接口数 ≥6（AI 短文中位 7 连环 vs 人类 2，93% 的 AI 文有 ≥6 连环）。真正问题不是承接词频率（两侧都低，无害），是零跳转的背景概率——读者全程被动接收，无需参与推理。
- **“这意味着”“这表明”式复述句（0.15/千字，覆盖 122/300）**
+ 改法：在连环中选 1-2 个接口改成自然跳跃——话题跟着材料走，不替读者预先铺垫。改前检查该接口是否承担因果/伏笔功能，承担则换下一个接口。
- 英文 `This means that …` / `This suggests that …` 直译后，把结论单独拎成一句，重复上一句的内容。
+ > ❌ 每段开头都接住上一段末句关键词（「这也解释了为什么……」「从这个角度看……」连环 7 段）
+ > ✅ 选一处直接切话题（人类范本：从主业务直接跳到一句新业务的引语，中间不铺垫）
- 触发标记：一句以“这意味着”“这表明”“这说明”“换句话说”开头，且后面的内容与前一句同义。
+ 不改：论证链的关键环节；文类本身要求紧扣（教程、法律文书）。
- 改法：并入前一句，或直接删掉提示语只留结论。
+ ### 12. 结论提示冒号（语义层版）
- 不改：后面确实给出了前句推不出的新结论时。
+ 规则 2 的语义层补充：只有「冒号前给出独立明确的结论性判断，冒号后展开论证」这一类才是真信号（AI 2.1-2.2 倍）。冒号总量人类反而多，「空转提示引列表」人类高一个量级（X 级）。
- > ❌ 留存率涨到了 72%。这意味着产品找到了 PMF。
- >
- > ✅ 留存率涨到 72%，产品找到了 PMF。
+ 改法同规则 2：删提示语直接写内容；前半句承接上文时只换标点。
- 以上五种结构是本规则的完整触发范围。未列出的表达不能以“翻译腔”为理由修改。同一句命中多条时，先按出现顺序靠前的条目改，改完不再叠加处理。
+ ### 13. 高度同构三连
+ 连续三句共用同一句法骨架（「叫什么名字？／承载什么功能？／嵌入哪个生态？」）。宽口径排比无区分力（人类本就爱排比），只有骨架逐字复刻的**高度同构**档是信号（AI 29.4% vs 人类 10.7%）。指纹层特征，证据强度弱于第一层。
- ### 11. 段首零主语评论
+ 改法：拆掉其中一句——合并、拆分、换语序或改短句，打破骨架复用。不是删掉一项内容。
- 段落开头直接抛评论，不交代评论的对象是什么，读者得回上一段找。实测 AI 占非首段的 0.61%，人类 0.14%，四倍多，人类侧稳定。
+ > ❌ 服务网络能不能覆盖到我春节回老家的那段路？／车的残值能不能经得起检验？／这家公司出了问题谁来管？
+ > ✅ 服务网络能不能覆盖到我春节回老家的那段路？车的残值经不经得起检验，谁说了算？出了问题这家公司管不管？
- 段首衔接词的总量人类和 AI 差不多（15.1% vs 14.4%），问题不在“不用衔接词”，而在评论句省掉了回指成分。
+ 不改：刻意修辞（演讲、檄文、诗歌）；清单/表格体；叙事推进的三件事（先发生什么、结果如何）。
- 触发标记：非首段以“听起来／看起来／说白了／值得注意的是／更重要的是／关键在于／问题在于／意味着／不难看出”等评论语开头，且整句没有“这／那／其／此／上面”等回指上文的成分。
+ ---
- 改法：补一个回指词，或点明评论对象。多数情况加一个“这”字就够。不改段落顺序，不动段内其他文字。
+ ## X 级清单（永不改，防误改）
- > ❌ 听起来像一条功能描述，其实底下换掉了一样更根本的东西。
- >
- > ✅ 这听起来像一条功能描述，其实底下换掉了一样更根本的东西。
+ | 特征 | v1 依据 | 配对复测结果 | 处置 |
+ |------|--------|--------------|------|
+ | 序数词小标题 | 3.1× | **反转**：人类 8.6% vs AI 4.9% | 永不改 |
+ | 「这意味着」复述 | 翻译腔收录 | **反向**：人类 0.027 vs AI 0.016/千字 | 永不改 |
+ | 空转句引列表 | 9.4× | **反向**：人类高一个量级 | 永不改 |
+ | 概括替代（同段有数也不改） | 语义层 24.7%（单侧口径） | **对称口径净零**：更含糊 24.7% vs 更具体 26.0%，数字保留 98% | 永不改（2026-10-13 撤销 v2 规则 9） |
+ | 精确数字堆砌 | 曾疑 AI 多 3 倍 | δ−0.06，话题混杂假象 | 永不改 |
+ | 漂亮词黑名单 | 赋能/闭环/抓手 | δ+0.10 不显著 | 永不改 |
+ | 名词化、明喻、设问、模糊量词、首先/其次/总之 | 经典清单 | 全部 \|δ\|<0.2 | 永不改 |
+ | 句长/段落长度不参差 | 曾疑 AI 均匀 | 配对复测两轮均无差异 | 不为节奏改句长 |
+ | 「其」字用量 | — | 人类更多（反向） | 不删 |
- > ❌ 值得注意的是，配置数据本来就按“这是谁的”分层放着。
- >
- > ✅ 这一点值得注意，配置数据本来就按“这是谁的”分层放着。
+ 各条实测数据、测量脚本、被推翻的预设见 [RESEARCH.md](./RESEARCH.md)。
- 不改：首段（没有上文可指）；原文已有回指成分时；对话和引语内部。
+ ## 只能人审的（skill 明确不碰）
- 比喻独立成段不属于本条。这类起段实测人类用得比 AI 多（0.21% vs 0.03%），读着突兀通常是因为缺回指，按本条补一个“这”字即可，不要删掉比喻。至于比喻本身贴不贴切、是否在重复上文，得靠人读，本 skill 判断不了，不做处理。
+ - **比喻贴切度**：真实的 AI 味（硬套宏大意象、直译腔、混合比喻），但不是频率问题不是词表问题，模型间共识只有 0–40%。检测报告可给出活跃暗喻密度作参考；默认保留，不把判断任务交给用户。用户主动要求人审时才列 H 级清单，只列出不评级，由用户决定具体条目。
+ - **暗喻、拟人化喻体**：2026-10-26 起不做语义层检测（暗喻密度只对 Opus 成立，GPT 无差；拟人两侧近饱和），与比喻贴切度一起并入人审区——通读标红区时顺手看，不做候选判读
+ - 三个并列案例是否在凑数（要看语义）
+ - 「参差」的质量（自然节奏 vs 机械长短交替，脚本分不开）
+ ---
## 最终验收
- 输出前逐项复查。
-
- - 每一处改动是否都能明确对应上文某一条编号规则。不能指出对应规则的改动必须撤销，恢复原文
- - 是否把改动限制在解决命中问题所必需的最小范围，没有顺便润色或改写相邻文字
- - 所有未命中规则的句子是否逐字保留
- - 原文的标题层级、章节顺序、段落数量与顺序、列表、表格、引用和代码块位置是否完全保留
- - 是否只改了句子和语言表达，没有重组观点、论证路径或叙事顺序
- - 人称和段落长度是否服从原体裁，没有为了去 AI 味强加“我/你”或短段落
- - 有没有为了“制造节奏”去调整句长或拆分段落。句长和段长的离散度实测无差异，不是改写理由
- - 是否还在虚立误解后翻案，哪怕没有使用清单里的固定词
- - 是否还有顿号串起三项以上的密集罗列
- - 相邻句是否还在用同一个句法骨架连续复现；一段里是否还有三个以上平级案例在凑数
- - 非首段是否还有零主语的评论式开头，缺回指成分
- - 是否还有揭晓式破折号、提示语引出的冒号，或只为宣布列表而存在的空转句
- - 是否还有把工具比作理想化的人的喻体（“像一位智慧的导师”）
- - 是否还有“说白了”“说穿了”“先说结论”
- - 小标题是否还在用“一、二、三”通篇编号；正文里的“首先……其次”有没有被误删
- - 是否把本可直接表达的动作写成“完成了对……的……”“实现了……的提升”等名词化结构
- - 原文已有的具体数字、时间、对象，有没有被“显著提升”“大幅增长”这类概括说法盖掉
- - 是否只处理了翻译腔规则列出的五种结构（过长前置定语、“当……时”从句、前置话题壳、句首连接词、“这意味着”式复述），每一处都能指出触发标记，没有凭语感扩大范围
- - 有没有把被动句、名词化或长句本身当成翻译腔改掉。这些是正常中文写作，必须保留
- - 有没有为了“像人写的”补虚词、换代词。这两项不在改写范围内
- - 有没有改掉句内的同构排比、删掉独立成段的比喻。这两项人类用得不比 AI 少，必须保留
- - 改写后每个实词能否在原文指出出处。姓名、数字、日期、引语、来源、因果，任何指不出出处的都必须撤销
- - 原文的限定词和让步（“可能”“通常”“据说”）有没有被抹掉，判断强度有没有被加重
+ - 改前报告是否列出本篇指标、研究参照与显著性口径、可定位的例句、具体改法和排除项，并等待用户回复再改写；A/B 及语义层命中是否逐条复核，误报是否排除；C/H 是否遵守默认保留边界
+ - 语义层判断是否守了纪律：只用判据标签、每条独立判、拿不准选兜底
+ - 每处改动是否都能对应方案项和规则编号，指不出的撤销
+ - 是否最小改动：没有顺便润色、没动相邻文字
+ - 实词全部有出处；限定词让步（「可能」「通常」）没被抹掉
+ - 结构完全保留：标题层级、段落顺序、列表表格引用代码块位置
+ - 小标题编号、「这意味着」、空转引列表句没被误删（X 级）
+ - 没有制造参差：没为节奏改句长、没拆段落、没强加「我/你」
+ - 破折号只在高密度文本中处理过
+ - 没碰概括替代——即使同段有具体数值也不改（X 级；改写不引入新含糊由信息守恒原则兜底）
+ - 段首零主语评论没被扫描/计分（2026-10-26 降级）
+ - 复测+对比报告已给用户，A/B 清零，C 级指标无大幅摆动