通用-去AI味重写-e3b0c4 — independently scanned and version-tracked by SaferSkills.
SaferSkills independently audited 通用-去AI味重写-e3b0c4 (Agent Skill) and scored it 100/100 (green). The audit ran 55 deterministic rules across Security, Supply Chain, Maintenance, Transparency, and Community; it found 0 high-severity and 0 lower-severity findings. The full rule-by-rule trace and per-finding evidence are below. Free, methodology-open.
Findings & checks · 0 flagged
Every scanned point with the score it earned and what moved between them.
First recorded scan — no prior version to compare against.
The primary manifest — the file an agent reads to learn what this artifact does.
<!-- ===== 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。
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。
#### 第一组：诊断前置（入刀前判定病灶与强度）
| 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 | 每轮备查。当诊断不确定时，从此文件的 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）获取补充证据 | ★★ |
../../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。#### 第二组：核心改造（拆洗执行时的工具库）
| 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 | 句子级改稿时备查。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 | 改稿后排版复检时备查。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。
#### 第三组：人声回补（去味后补回人物声口与真实感）
| 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。
#### 第四组：复检与回写（改稿后确保不洗坏）
| 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】 | ★★★ |
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）→ 最后跑执行清单（全面收尾）→ 按多轮诊断模板输出。
#### 第五组：平台专项（特定平台额外约束）
| 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 | ★ |
<!-- ===== 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。
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：
#### 检测维度A：困惑度（Perplexity）——词汇的"可预测性"
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。
#### 检测维度B：突发性（Burstiness）——句子长度的"方差"
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。
#### 检测维度C：词汇熵——用词的"多样性"
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。
#### 检测维度D：语义结构——逻辑推进的"线性程度"
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。
#### 快速记忆口诀（去味时默念）
"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。
#### 检测维度E：主语重复率——叙事视角的"僵化程度"（新增）
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：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。
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。
这五条原则不与本 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。"
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。
当前网文领域，AI辅助写作已进入"半公开"阶段。传统的AI味识别（模板腔、解释腔、均匀句群）只能抓表层机器痕迹。以下九种深层结构指纹（前六项文本结构层 + 后三项创作逻辑层）是高级AI润色/扩写后的文本最难以洗掉的特征——掌握这些，才能从"句子像AI"识别到"整章有AI深度参与"。
识别信号：全文几乎找不到一句"中性叙述"——每一句都在调动身体感官（疼、热、冷、嗡鸣、视野模糊、膝盖冰凉、心跳撞击胸腔），没有"她跪在地上，周围是灵堂"这种不带身体感受的白描。
为什么是AI特征：人类作者的注意力有起伏——写到紧张处可能专注痛觉忘了听觉，写到情绪沉浸时感官描写就松了。但AI一旦被训练成"要用身体感受来写"，它不会忘——会在每一段、每一个场景、甚至每一个动作里都执着地执行。
拆洗方法：
识别信号：比喻密度极高，且全部遵循同一个公式——"A像B——（然后加一个精炼的解释或否定）。"
示例：像隔着一层水听人说话。像墨水洇在宣纸上最中心的那一滴。像往抽屉里放一件重要的东西，关上抽屉，知道它在哪。按住左胸口——不是怕。是怕心跳声被屋里的人听见。
为什么是AI特征：AI学到"好的比喻要具体、要加解释让它更独特"后，会在每个能用比喻的地方都套这个公式。人类也会用，但不会用得这么密集、这么结构统一。而且最要命的是——"不是怕。是怕心跳声被听见"这种精准命名情绪并做出修正的写法，是人类在极度紧张时不会做的，真实恐惧中的内心独白是破碎的、重复的、语无伦次的。
拆洗方法：
识别信号：从第一章到最后一章，全篇维持同一种"高密度、高张力、每句话都要有信息量"的匀速节奏。没有松弛的段落，没有"只是交代信息就过去"的过渡句，每一段都在努力"写得好看"。
为什么是AI特征：人类写作时思维有快有慢、注意力有集中有涣散、情绪有高涨有平复——这些都会反映在节奏上。有些段落急促（短句、快切），有些段落舒缓（长句、沉浸）。AI不会累、不会走神、不会在某一段只想草草交代完信息就翻过去。这种"全程高能"在人类长篇连载中几乎不可能持续。
拆洗方法：
识别信号：
为什么是AI特征：AI对"深度心理描写"的理解是逻辑化的、分条列的、分析性的。真实人类在恐惧/愤怒/悲伤中的内心独白是破碎的、跳脱的、有时甚至不合逻辑的。AI会把人类的模糊感受整理得太干净、太有条理——这本身就是假。
拆洗方法：
识别信号：在关键转折点出现叙事层面的总结句，像电影旁白在向观众确认设定收束。
示例："她进了那本书。她现在是沈昭宁。" / "从这一天起，一切都变了。" / "她不知道，这只是一个开始。"
为什么是AI特征：AI被训练时要求"逻辑清晰、设定明确"，它会主动在关键节点做总结性陈述来确认读者没有掉队。人类作者更倾向于让设定在情节中自然显影，不需要主角站在灵堂里对自己说"我现在穿书了"。
拆洗方法：
识别信号：角色是律师，就写"已知/未知列表"；角色是医生，就写诊断推理流程图；角色是程序员，就写逻辑分支树。AI对"专业角色思维"的还原是教科书级的——太标准、太干净、太像职业培训手册中的案例。
为什么是AI特征：真实专业人士的日常思维是混乱的、跳跃的、掺杂了个人经验和偏见的。一个做了八年的律师不会在脑海中列"已知/未知"——她会直接跳到最可疑的那个点，因为经验告诉她在哪里下嘴。
拆洗方法：
识别信号：作品在关键节点密集使用该题材在AI训练数据中的高频模板——
为什么是AI特征：AI对"穿书文"的理解不是从情节逻辑出发，而是从训练语料中的共现频率出发。它不知道"倒计时式复仇宣言"在人类创作中是一种需要被掩饰的技巧（人类作者通常会把它藏在角色的具体行动和选择里），因为它看到的训练数据里全是这种显式的版本。
拆洗方法：
识别信号：现代专业知识被直接套用于古代/异世界场景，命名和推断路径完全脱离当时当地的认知框架——
术语层（原始版）：
制度层（扩展）——AI 在古言/古代设定的关键制度点上，会把现代制度直接嫁接入古代语境：
数字层（扩展）——AI 在数字表达上缺乏语域一致性：
为什么是AI特征：AI能复刻训练数据中"法医学知识"的词条和定义，但无法模拟"一个从未接触现代化学的古代人如何逐步接近中毒这个事实"的认知历程。人类作者若写此类情节，会设计角色通过《本草纲目》类古籍、民间偏方、老郎中的经验口述等方式逐步推测——中间有误判、有盲区、有基于错误前提的正确结论。AI可以直接从A跳到Z，因为它的训练数据里A和Z是关键词关联的。
拆洗方法：
翻译腔层（扩展）——AI生成中文文本时，海外模型常带出翻译腔，尤其在"稳、硬、推、强"四个万能字上高发：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§09 翻译腔重
| 万能字 | AI高频用法 | 人类更自然的写法 |
|---|---|---|
| 硬 | 能力很硬、方案很硬、约束很强（来自英文hard/hardcore） | 能力很强、功能扎实、约束更强 |
| 稳 | 表示"可靠"时全用"稳"（稳运行、稳交付） | 失败率低、结果可复现、流程可靠 |
| 推 | 一个"推"涵盖所有动作（推荐工具、推送通知、推动执行、推进任务） | 按具体动作拆：推荐用"推荐"、推送用"发"、推动用"协调" |
| 强 | 万能好评（强能力、强抓手、强支撑）——读者只知道在夸，不知道强在哪里 | 具体到"哪个方面如何优于基准" |
拆洗方法：
语序层（扩展）——AI偏好"抽象名词提前"的英文语序，中文习惯先说人和事：
识别信号：所有线索线性闭环——皮肤暗沉→中毒→母亲之死→同一毒物——全程无一次误判，无一个认知盲区，无一个"基于当前证据的合理但最终被推翻的假设"。
为什么是AI特征：AI为规避逻辑风险，倾向于让叙事"每步都对"。真实人类创作（即使是经验丰富的作者）中，角色会有认知盲区——她们会误判、会忽略关键线索、会基于偏见做出错误推断然后在后续章节中被现实打脸。这种"失控感"是AI难以模拟的：AI不理解为什么一个聪明的角色应该犯错，因此它的角色总是"在看到足够证据之前不下结论，在证据充分时结论绝对正确"——这本身就是一种非人类的行为模式。
拆洗方法：
识别信号：正文中大量使用"情绪形容词"替代具体的动作描写——"他很愤怒"替代"他一拳砸在墙上"，"她很害怕"替代"她缩进墙角，屏住呼吸"。这种描写方式的本质是用解释替代呈现，是AI味的重要根源之一。
对比诊断：
❌ 形容词告知（AI高发）：房间里很安静，气氛很压抑。他是一个悲伤的老人，眼神里充满孤独。
✅ 动词呈现（人写版本）：老人坐在窗边。阳光爬上他的手背，停了一下，又缩了回去。他没有动。桌上的茶凉了，他也没动。核心原理：形容词是"替读者做判断"，动词是"让读者自己判断"。前者让读者变懒，后者让读者上瘾。AI模型倾向于使用形容词，因为形容词在训练数据中与情绪词共现频率高、生成路径短；而精准的动词选择需要更多的语义推理。
"动词匮乏"的量化判断基准：
拆洗方向：
训练工具：一周禁词令——未来一周禁止使用任何"高兴、悲伤、愤怒、害怕、惊讶"类情绪形容词，出现一次罚写500字动作描写。一周后你会发现文字活了。
>
来源：知乎专栏「中国网络文学研究」#45《很多人不知道，写小说，这个技巧能让你脱胎换骨》顾里木图的小酒馆 置信度：高 — 从原理到案例到训练方法完整；与 §「情绪表达层级叠加诊断」互补但不同维度，"层级"看情绪藏在哪层，"动词"看动作是否替代了形容词
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§05 例子不落地
识别信号：正文中出现"看起来像案例，其实没发生"的假例子——有案例框架（"比如""举个例子""我有一个客户"），但没有具体的时间、任务、角色、动作和结果。
❌ 假案例（AI高发）：一个内容创作者通过AI优化选题、提高效率、降低成本，最终提升了内容质量。
✅ 真案例：我让AI检查一篇工具测评稿，它很快给出十几条修改建议。真正有用的只有两条：一条指出开头没有说明使用场景，另一条提醒我把"适合办公"改成"适合把会议录音整理成纪要"。剩下的建议，大多只是把句子改得更顺。为什么是AI特征：AI的"举例"机制是从训练数据中抽取"最像案例"的模式拼合而成——它无法锚定到具体一次任务、一个时间点、一个真实的人说过的一句原话。例子换到任何账号、任何场景下都成立——这正是假案例的本质。
量化判断基准：
拆洗方法：
识别信号：在正文中发现以下任何一种模式，即为极端高风险AI信号（人类写作中几乎不可能出现）：
为什么是AI特征：这几种模式共用一个源头——AI在生成序列时对"当前位置需要精确信息"的感知力极弱。当它无法从上下文中提取精确值时，会猜测后输出一遍、再猜再输出，直到猜测的残次版全部留在正文里。人类作者对"我不确定"的反应是模糊化（"几天后""某个深夜"），而非猜测+输出的循环。
拆洗方法：
来源：虎嗅网《AI落地的苦，没有人比网文圈更懂》、爱范儿报道、网文编辑社区观测；本仓库《朱雀AI检测机制与应对手段研究报告》。
DeepSeek-R1/V3系列模型在网文生成中有独特的文风特征，被编辑统称为"DS味儿太浓了"。这些特征与普通AI味不同，有其特定的识别信号和拆洗策略：
#### 特征A：精密数字堆砌
DS生成的章节开头常堆砌精确数字——"二十七层楼、三千六百秒、一百四十三人"，用精密感制造"真实"，实则过度。
拆洗：保留最关键的一到两个数字，其余模糊化处理。"三四个人""几分钟"比精确计数更自然。
#### 特征B：不必要的精妙比喻
DS在强化学习中对"创造性"的偏好导致比喻过度密集——且比喻质量高但出现位置不合理。
拆洗：统计全章比喻密度，超过"每千字2处"即触发警报。删除至少一半，只保留与当下情境情绪直接绑定的那一个。
#### 特征C：意象随意堆砌
在不需要描写的段落塞入大量意象（"暮色像打翻的砚台，楼道里的声控灯在咳嗽，墙皮像剥落的旧海报"）。
拆洗：每个场景锁定1个核心意象做主角，其他全部清掉。意象服务于当下角色情绪，而不是堆出来展示文字能力。
#### 特征D：发散式联想偏离主线
DS内容容易从当前主线细节展开不必要的"联想分支"——在追凶时突然描写天气像什么、在对话中突然插入环境感官轰炸。
拆洗：每个段落的每一句话，先问自己"这一句有没有推动当前小目标"。没有就删，不让读者在紧张节奏中被拉去逛风景。
#### 特征E：对称句结构癖好
DS偏好"前半句-逗号-后半句"长度相近的平衡句式，导致全文读起来像在打拍子。
拆洗：扫全文对称句，把至少一半拆成不等长结构——长句配短句、完整句配碎片句，打破平衡感。
来源：本仓库《朱雀AI检测机制与应对手段研究报告》核心发现。该报告指出，AI检测最敏感的七大敏感特征中，有六条直接与"均匀性"相关。
检测工具最敏感的既不是用词好坏，也不是逻辑对错，而是"均匀性"——文本在多个维度上是否过于整齐划一。以下六条检查项，去味完成后逐条过一遍，有任何一条中招即应返回调整：
| 检查项 | 危险信号 | 去味方向 |
|---|---|---|
| 段落长度 | 每段3-5行，节奏无变化 | 穿插1行短段和8-10行长段 |
| 句长分布 | 全部7-15字，无长短交错 | 2-5字短句占≥10%，25-40字长句占≥15% |
| 细节密度 | 重要场景和过渡段落"分量一样" | 关键场景多细节，过渡段故意少写 |
| 情感曲线 | 全文语气平稳一致 | 兴奋/紧张时短句加速，低沉时长句舒缓 |
| 段落质量 | 每段都打磨到一样好 | 允许局部"不够好"的过渡段落 |
| 逻辑推进 | 每一步都严丝合缝 | 允许跳针、留白、信息推迟释放 |
反直觉结论：把每一段都写到同样好，反而增加AI嫌疑。人类写作天然有"高能段落"和"只是过场"的波动——去味的目标不是整体提优，而是恢复这种自然的"不均匀"。
以下指标是AI风格文本在统计层面的稳定特征。当单个指纹的读感判断不确定时，用下述量化指标辅助决策。
测量方式：统计全文破折号占总标点符号的百分比。
| 阈值 | 判定 | 说明 |
|---|---|---|
| ≤ 1.5% | 正常 | 人类网文创作的平均水平 |
| 1.5%–2.5% | 关注 | 偏高，需结合其他指标判断 |
| > 2.5% | AI高风险 | 显著超过人类平均值（~1.1%） |
为什么是AI特征：AI倾向于用破折号做"强行解释"——"不是天生的。是毒。"——因为它的训练数据中这种"断裂-补逻辑"的模式极为高频。统计全文中用于解释/补逻辑的破折号占比：若 > 80% 的破折号用于解释性插入，则AI置信度极高。
测量方式：计算全文中所有完整句子的字数标准差。
| 阈值 | 判定 | 说明 |
|---|---|---|
| ≥ 8 字 | 正常 | 人类长篇创作的典型波动范围 |
| 5–8 字 | 关注 | 偏均匀，缺乏长短错落 |
| < 5 字 | AI高风险 | 节奏过于均匀，"会写"但没有呼吸感 |
操作提示：AI文本的句长标准差极窄（4-5字），说明每个句子在长度上几乎没有变化——这是机器优化到"最佳阅读体验"的副作用。人类即使刻意控制句长，也会在情绪波动处自然出现标准差 > 8。
测量方式：统计"疼""痛""烧""冷""钻""刺""嗡""钝""麻""辣"等身体感官词 + 描述疼痛的比喻（如"像火燎""像针扎"）的总出现次数 / 千字。
| 阈值 | 判定 |
|---|---|
| ≤ 2 次/千字 | 正常 |
| 2–4 次/千字 | 关注——身体感官描写偏密集 |
| > 4 次/千字 | AI高风险——感官轰炸式写作 |
测量方式：统计"不是X。（而）是Y"或"不是X——是Y"结构每千字出现次数。
| 阈值 | 判定 |
|---|---|
| ≤ 0.5 次/千字 | 正常 |
| 0.5–1.5 次/千字 | 关注 |
| > 1.5 次/千字 | AI高风险——过度精确的情绪命名和修正 |
测量方式：统计以下中文AI高频词在正文中的总出现次数 / 千字。词库分三组：
画卷、诠释、迷离、氤氲、仿佛、宛如、宛若、犹如深邃、璀璨、斑斓、微凉、温热、细碎、斑驳嘴角（勾起/扬起/扯出）一抹、眸中（闪过/划过/掠过）一丝、喉间（发出/溢出）一声| 阈值 | 判定 |
|---|---|
| ≤ 1 次/千字 | 正常 |
| 1–3 次/千字 | 关注——建议结合结构指纹判断 |
| > 3 次/千字 | AI高风险——词库式写作，词汇密度远超人类均值 |
词库可按题材扩展：穿书文追加倒计时、剧情、原主、书中；系统文追加面板、礼包、加点、任务。
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》"写在最后：AI味大致可以归成三类"
本框架将AI味的12大类症状归为三层类别，作为快速诊断的分级入口。去味前先判断当前文本的AI味主要落在哪一层，再决定优先下刀层。
| 层级 | 名称 | 包含症状 | 诊断聚焦 | 优选下刀策略 |
|---|---|---|---|---|
| 第一层 | 结构上的AI味 | 结构太完整（提纲完整病）、清单扁平化（缺优先级）、段落太整齐（节奏匀速）、假节奏（无期待曲线） | 正文的骨架是否过于规范、工整、"什么都说了但没重点" | 先做"主次判断"——砍掉为了完整而写的段落，制造信息不对称 |
| 第二层 | 表达上的AI味 | 抽象词太密、句式用太多（不是/而是等）、修辞太用力（比喻堆砌）、翻译腔重（稳硬推强万能词） | 句子的信息密度——删掉抽象词和信息量未增加的修饰后，剩下的信息是否够 | 先删抽象词和万能句式，再处理修辞和翻译腔 |
| 第三层 | 内容与观点上的AI味 | 观点太安全、例子不落地、太爱升华、观点不清晰（模糊归因）、结尾套话 | 内容是否有真实落点——是否有具体的判断、可核实的案例、和作者位置 | 先补观点（明确取舍）和锚点（给案例补时间/角色/动作/后果） |
使用规则：
识别信号：全文或整章在"节奏"层面感觉不对劲——不慢、不拖、每句都有信息量、每段都在推进，但就是缺少"读者知道要来了但还没来"的期待感区间。把本章概括出来，就是"主角做了A→做了B→做了C"的平推清单。
为什么是AI特征：AI被训练的目标是"生成连贯、信息完整、逻辑自洽的序列"。它天然倾向于把所有信息按最佳顺序排好、一次性交付给读者——这是"信息传递"的思维，不是"叙事节奏"的思维。真实叙事的节奏包含蓄力、延迟、刻意吊胃口这些"信息上不高效但读感上高效"的设计。AI不会主动选择"此时应该先不告诉读者答案，让读者等两段再揭示"——因为在信息论层面这是"低效"的，但对于读感来说这是"有效节奏"。
与指纹3（节奏全程匀速）的区别：
拆洗方法：
验收标准：去味后的文本，把"主角做了A→做了B→做了C"的概括骨架写出来。如果读骨架感觉"这是一路推进"，而去味后的全文读感是"有起伏、有期待、有释放"——说明假节奏已修复。如果两者读感差异不大，说明去味未覆盖节奏层。
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§01 结构太完整
识别信号：AI把内容写成"背景→原因→方法→总结"的完整结构，每个部分都被平等照顾、面面俱到，但读者读完后找不到"这篇到底想强调什么"。真人写作会有主次、有停顿、有取舍——知道哪里该展开，哪里可以一句带过。AI稿的问题是每一层都被照顾到，最后看起来很全，读起来却没有推进。
与指纹3（节奏全程匀速）和指纹11（假节奏）的区别：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§02 太爱用清单
识别信号：正文大量使用"三类原因、五个方法、七个步骤、十二个信号"的清单格式，且每一点平均用力、没有优先级。清单一多，文章就容易变成"每一点都说一点，每一点都没说透"。
为什么是AI特征：AI的"列举"机制源于训练数据中的结构化知识——它能识别出"某个概念有N个方面"并整齐列出。但AI不理解"哪一项最危险、哪一项可以先忽略"——因为优先级判断需要作者主观经验，不是统计共现能给出的。
量化判断基准：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§04 观点太安全
识别信号：全文的判断句都用"一方面……另一方面……""既……也……""总的来说"来保持平衡——赞成谁不写、反对谁不写、优先做什么不写、哪些做法不建议碰也不写。读者读完知道"这件事很复杂"，但不知道该往哪个方向走。
与原则四（表达鲜明的观点）的关系：原则四定义了"应该怎么做"的方向，本项提供更具体的检查清单和拆洗方法——两者是"纲领→执行细则"的关系。
量化判断基准：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§10 太爱升华
识别信号：正文在段落末尾或章节结尾处，从不就事论事——明明问题只是"这篇稿子为什么像AI"，它突然跳到时代变化、生产关系、个人成长、长期价值。基础答案没给够，就先拉高到抽象层面。
与指纹5（元叙事总结口吻）的区别：
拆洗方法：
来源：知乎用户Kevin《如何去除ai写出来的文章ai味?》§12 结尾套话
识别信号：章节或段落结束时，出现"总结三点→升华一句→号召行动"的固定模式。总结只是在重复标题或前文内容，没有增加新信息；号召缺乏具体的下一步指向。
拆洗方法：
<!-- ===== Layer 2: 项目级缓存 ===== -->
若当前服务的项目根目录存在 Agents.md，执行去AI味重写前必须：
Agents.mdAgents.md 中注册了"写作研究模板"——读取对应路径的模板文件，将其约束作为题材×平台的默认约束基线（优先级低于用户明确指定的作者风格模板，高于通用默认基线）Agents.md 中注册了"作者风格模板"——读取对应路径的模板文件，将"人声回补层"从通用"补毛边"升级为按模板定向注入（详见 references/风格注入锚点卡.md）Agents.md 中注册了"作品蓝本模板"——读取对应路径的模板文件，将其结构约束（章首模式、钩子轮换、回报间隔）作为去味时不得洗平的硬节拍参照（去味只能提纯结构拍点，不能洗平节奏）Agents.md，或其中未注册对应模板——回退通用默认模式，不报错，不阻断Agents.md 中存在 ## 语言风格配置 段——读取并解析以下子字段：对偶区位 → 映射到去味强度的三档选择：藻丽+繁丰型保修辞但打散均匀句群；平实+简洁型保节奏但增加感官密度网文色标 → 映射到色标特异性检测（检查"均匀就是 AI"：热血风格验证短句密度是否达标，沙雕风格验证吐槽密度是否均匀）叙述者类型 → 映射到人声回补方向（吐槽型加强反讽一致性，沉浸型加强感官锚点）表达方式占比 → 映射到段落节奏裁判源（防去味洗平对话与叙述的节奏差）~30 seconds. Free. No account. Every finding cites a rule and a line of evidence.