假如我写的文字，不想让机器检测出来是 AI 写的，是不是从这个角度来攻克一下，哈哈哈。
总结自己的行文语法，确认自己的非均值行文词，和文法特质
然后用多个不同的模型轮流改写 ai 作品，避免被机器判定模型特征
然后用自己的偏好词替换文章里的同义词，然后在每段话前后都套用个性文法
这样的工具让 ai 写很容易呀。。。
无非是我要先提供我的文字。把 linux 上的帖子全爬回来喂一下
这样的工具，已经不是去 ai 味了，而是
12 Likes
有没有佬友出个傻瓜式一键去 AI 味工具，真的被 chatgpt 的套话、防御式对话、先假设再否定句式给气死了。
2 Likes
之前办公搞文字工作的时候试过去AI味的skill 去完感觉写出来的东西跟降智了一样
3 Likes
傻瓜式工具就是傻瓜做法：看懂 ai 写的是啥，你自己复述一遍就没 ai 味了
5 Likes
有的，我将用最直接、最直白、一看就懂的方式告诉你怎么做
5 Likes
关键是，不仅是语气 AI，结构也很 AI，因为我写的是口播稿，不能有 AI 味，最后没办法只能自己手写让 AI 帮我审核。
1 Like
我得了一种看见“不是”“而是”句式就难受的病 
要求不一样的。
我们是拿来辅助的，
至于输出啥关系不大，反正又不直接创造生产力。
他们要的是输出的文字本身就是最终产物。
所以，对他们来说，不管啥AI，只要用的人多了，产出的东西多了，看的人多了，最终都会被发现有AI味的。
也就是同行用的多了，产出在某些方面极度雷同。导致受众非常反感，进而倒逼产出者想办法改进。
反正就是，不管啥AI，不管啥SKILL，只要用的人多，就会被人发现产出物有“AI味”，就会导致这些焦虑。
=====
LLM现在就是在投骰子，预测那些文字出现概率高，然后把这些文字挨个连接起来。
你可以用1w个骰子每个投1次，那概率肯定是均匀分布的。
但如果你用1个骰子投1w次，那概率分布肯定就有特点了。
现在情况是，不管你用啥AI，用啥skill，都相当于全网无数的竞争对手在做同样的事情，
那结果就相当于对着这个数不多的骰子 投无数次，总是能表现出一些规律。
这些规律就是所谓的AI味了。
4 Likes
写了二十多年网文的扑街写手路过。
要求AI没有AI味，本质上就是要让它写得比现在更好。
因为AI味不是语法，是低信息熵、低效率、低感情投射。
表现出来就是，车轱辘话来回说，过度描写、文字表达不直白，看文字如隔靴搔痒。
问题来了：
你不可能要求一个东西做到它做不到的事情。
7 Likes
依据知乎大佬的思路搞了一个 skill，刚好符合你的口播稿，而且对“不是”“而是” 句式做了限制
1 Like
name: human-like-writing
description: Diagnose structural AI-style writing problems and conservatively revise Chinese prose without flattening the author’s voice. Use when asked to remove AI味, make Chinese writing more natural, audit AI-style prose, or revise articles, reports, science writing, interviews, scripts, and spoken copy while preserving facts, quotations, terminology, claim strength, and clean spans. Do not use as proof of authorship or promise detector evasion.
Human-like Writing
把“去 AI 味”视为写作诊断与保真改写，而不是禁词替换或 AI 来源检测。
目标是找出有上下文证据支持的结构性问题，只修改确有必要的片段，同时保留事实、论证力度、文体和作者声音。文本正式、工整、对称、书面化或使用名词化表达，本身都不能证明存在问题。
核心边界
- 不判断文本是否由 AI 创作，也不承诺绕过任何检测器。
- 除非用户另外要求内容编辑或事实核查，否则保护事实、数字、专名、引文、术语、不确定性、因果强度、断言强度和适用范围。
- 允许
NO_FINDING。上下文不足或表达合理时，不为了显示“做过修改”而制造问题。 - 词语、句式和标点命中只能作为弱线索，不能单独构成诊断。
- 优先保留无问题的原文，不把不同作者、体裁和场景统一改成一种口语化风格。
建立任务范围
先识别：
- 文本体裁、目标读者和使用场景；
- 这是书面文本、访谈、演讲还是 TTS/口播稿；
- 用户要诊断、轻度润色、强改写，还是只要干净成稿；
- 是否提供了判断对比、因果、证据强度所需的上下文。
上下文不足时降低置信度，不自行补造作者意图、事实依据或争议对象。
阶段 A：诊断
诊断时先不要改写。对每个疑似片段依次判断：
- 上下文是否使该结构、评价、语域或抽象表达成立？成立则返回
NO_FINDING。 - 问题是否其实属于事实核查，而非语言表达？若是，不在本 Skill 中擅自修正事实。
- 哪一个最高层级的问题类型最能解释缺陷？同一证据不要堆叠多个近义标签。
- 删除或局部改写能否在不损失信息和作者声音的前提下解决问题？不能确定时，将修改必要性设为
LOW或NONE。
需要展示诊断时，使用以下结构：
- span: "原文中的最小必要片段"
failure_type: "问题类型；无问题时使用 NO_FINDING"
reason: "结合上下文说明为什么成立"
context_dependency: "依赖的前文、后文、体裁或受众信息"
confidence: "HIGH | MEDIUM | LOW"
edit_necessity: "HIGH | MEDIUM | LOW | NONE"
如果用户只要求改写，可以在内部完成诊断，不必强制展示 YAML。
问题类型
META_TALK：元话语替代内容
模型在讲自己将如何解释、组织、分析或倾听，却没有增加实际信息。
- 成立条件： 片段只是宣布顺序、清晰度、拆解动作或回应姿态；后文立即完成同一动作；删除后事实和论证不变。
- 不要误判： 长文所需的导航、范围说明、方法说明、真实话题切换，以及口播中引出实际例子的“举个例子”。
- 常见表现：
先说结论。、我们先把这个概念拆开。、这个问题问到点子上了。 - 合理反例：
下文先说明纳入标准，再解释为何排除三项研究。这里顺序具有操作意义。 - 改写： 删除空转预告，直接进入内容；保留真正有用的标题和程序指引。
SYNTHETIC_CONTRAST：人为制造对立
为了让 Y 显得更有力量，凭空创造或夸大一个没人主张的 X。
- 成立条件： X 在上下文中没有先行对象，也不是当前场景中的真实误解；删去否定半句不影响核心结论。
- 不要误判： X 已在前文出现、属于有记录的竞争解释，或该区分会改变判断和行动。
- 常见表现： 没有人讨论模型参数，却写
真正的问题不是模型参数，而是工程能力。 - 合理反例：
这不是细菌感染，而是病毒感染，因此抗生素无效。该区分直接影响处置。 - 改写： 直接陈述 Y，或明确写出有证据支持的比较对象。
SYNTHETIC_SYMMETRY：形式驱动的虚假对称
为了凑齐并列、编号、正反两面或等长段落而填充、重复或扭曲内容。
- 成立条件： 某一项几乎没有新增信息；分类互相重叠；条目数量任意；表面等权掩盖证据强弱差异。
- 不要误判： 风险与收益、法定条件、实验组与对照组、真实成对维度，以及有独立内容支撑的修辞排比。
- 常见表现： 三个等长段落中第三段只是复述第一段；
一方面……另一方面……的后一半只是凑格式。 - 合理反例：
一方面，降息会降低融资成本；另一方面，它也可能抬高资产价格。 - 改写： 只保留独立信息，按证据、因果或重要性组织，而不是按形式凑齐。
EMPTY_EVALUATION：无依据的评价标签
使用“关键、反直觉、残酷、值得注意”等评价或金句式结尾，却没有给出判断标准、证据或后果。
- 成立条件： 删除评价词后命题完全不变，附近也没有支持该评价的标准或影响。
- 不要误判： 评价由统计结果、预期落差、利益相关者后果或明确比较支撑。
- 常见表现： 没有比较对象却写
更关键的是……；没有说明原预期却写这是一个反直觉的结果。 - 合理反例：
结果与预注册假设相反：剂量增加后反应率下降。 - 改写： 删除空标签，或用使评价成立的证据和后果替代它。
SEMANTIC_INFLATION：语义膨胀
措辞夸大了证据、因果、确定性、重要性、新颖性或适用范围。
- 成立条件： 小幅、相关性或局部结果被表述为革命性、决定性、因果性、普遍性或唯一重要。
- 不要误判： 强措辞与研究设计、效应大小、专业惯例或权威文本相符。
- 常见表现：
小幅提升证明了巨大潜力。、实现革命性突破。 - 合理反例：
随机试验显示该方案使 28 日死亡率下降 10 个百分点。这是有设计和量化结果支撑的强表述。 - 改写： 使措辞强度和适用范围与现有证据一致；不要在语言润色中偷偷修补事实。
ABSTRACT_ACTION：抽象动作遮蔽实际行为
不必要的名词化或“弱动词＋名词”外壳隐藏了真正的行动者和动作。
- 成立条件： 可以用直接、准确的动词表达同一关系，且名词化不承担技术、衔接或文体功能。
- 不要误判： 专业术语、稳定概念、承接上文的名词、法律和科学语体中必要的名词化。
- 常见表现：
进行了分析→分析了；对结果造成影响→影响结果。 - 合理反例：
该基因的表达受甲基化调控。其中“表达”是领域概念。 - 改写： 在局部恢复明确的行动者和动词；不要为了口语化破坏术语或篇章衔接。
REGISTER_MISMATCH：语域不匹配
网络热词、官样抽象、文学意象或脚本式口头禅与目标体裁、受众或说话者不符。
- 成立条件： 目标语域已知，而且该表达使注意力偏离内容，或错误呈现说话者身份。
- 不要误判： 表达符合受众、体裁、引文、人物声音或专业惯例；新闻稿、官方报告、营销文案、讽刺和对话允许有明显语域。
- 常见表现： 中性医学科普使用
杀疯了；朴素操作说明使用保驾护航。 - 合理反例： 游戏主播面对固定受众说
这套阵容杀疯了。 - 改写： 换成符合场景的具体语言；如果原强度有依据，保留其强度。
STYLE_CLICHE：局部陈词或模板重复
词语、句式或标点模板在当前文本中重复、拥挤或显得陈旧，但它本身不证明存在更高层级的语义问题。
- 成立条件： 同一模式反复出现、挤占段落，或用户明确要求避免该模式。
- 不要误判： 一次自然使用、必要标点、引文、固定术语、正常过渡，或有真实依据的
不是 X，而是 Y。 - 常见表现： 连续使用长破折号插入语；多个段落用同一句式开头；仪式化套话反复出现。
- 合理反例：
结果下降了 12%——主要见于高龄组。 - 改写： 只做最小的局部措辞或标点调整；不要因为探测到一个短语就重写整段。
NO_FINDING
以下情况返回 NO_FINDING：
- 文本没有得到上下文支持的问题；
- 信息不足以判断；
- 表面模式在当前语境中有真实功能；
- 修改会损害事实、术语、引文、论证、文体或作者选择。
宁可保留一个证据不足的风格疑点，也不要误删有效对比、专业名词、正式表达或有意为之的修辞。
置信度与修改门槛
| 置信度 | 含义 |
|---|---|
HIGH |
上下文直接满足成立条件，并排除了关键反例。 |
MEDIUM |
很可能存在问题，但体裁、先行对象或证据支持仍不完整。 |
LOW |
只有词句探测层面的怀疑或缺少上下文；默认不改。 |
| 修改必要性 | 动作 |
|---|---|
HIGH |
问题影响清晰度、证据一致性或篇章逻辑；做局部修改。 |
MEDIUM |
问题成立但主要属于风格；仅在用户要求较强修改时处理。 |
LOW |
可选润色；默认保留。 |
NONE |
不修改，包括合理反例和不确定片段。 |
阶段 B：保守改写
只改写 edit_necessity: HIGH 的问题；用户明确要求较强编辑时，才处理 MEDIUM。保留 LOW、NONE 和无问题片段。
每次改写都必须：
- 保留事实、数字、专名、引文、术语、不确定性、因果强度、断言强度和适用范围；
- 优先删除没有信息的脚手架，而不是用另一套套话替换；
- 保留有依据的对比、对称结构、名词化、正式语体和作者节奏；
- 不靠网络俚语、口头填充词、情绪色彩、额外比喻或碎片化短句伪造“人味”；
- 不把一个模板替换成另一个模板；
- 找不到安全的局部改法时保留原文，并说明不确定性；
- 不修改无问题的句子来追求全文表面一致。
口播与文体规则
- 口播、访谈或 TTS 文本可以少量使用语气词和话语标记，但必须符合说话者，不能机械注入。
- 不要把口语填充词加入文章、报告、论文等书面文本。
- 访谈中的编号式复盘和答题前的礼貌回应可能有真实功能，应先诊断其信息作用。
- 中性说明文可以优先使用朴素、具体的表达，但要保留领域语言、机构文风、法律与报告惯例，以及有意为之的文学声音。
- “协商式、命令式、亲切、克制”等属于当前任务的声音要求，不是判断 AI 味的独立证据。
可选个人词汇偏好
只有当用户明确要求启用个人词汇偏好时，才应用以下规则。它们不是普遍的 AI 味判据，未启用时不得据此诊断或改写：
- 口播或字幕中，优先使用“哎”或符合语境的“唉”，避免使用“欸”。
- 删除仪式化开头“老规矩”。
- “到底”和“究竟”只用于真正的追问，每篇控制在一至两次。
- 避免使用：
说白了、脊背发凉、掰开揉碎了说、直接给你答案、讲透了、毛骨悚然、值得一提的是。
输出
遵循用户要求的格式：
- 只要求诊断： 返回问题清单；没有充分证据时明确返回
NO_FINDING。 - 要求改写： 默认返回改写后的完整文本和简短修改说明。
- 只要干净成稿： 仅返回改写后的文本，但在内部仍执行诊断和修改门槛。
- 需要对照： 列出原片段、修改片段及对应问题类型，不扩写无关教程。
交付前自检
- 每个改动是否都有成立的问题和足够的修改必要性？
- 是否改变了任何事实、数字、专名、引文、术语、不确定性或断言强度？
- 输入中若有无问题内容，是否至少保留了部分原文不变？
- 正确的对比、真实的并列结构和必要的技术名词化是否保留下来？
- 是否把不同作者或体裁错误地统一成一种聊天口吻？
- 是否为了“更像人”而添加了原文没有的情绪、比喻、事实或立场？
- 个人词汇偏好是否只在用户明确要求时启用？
- 最终结论是否越界成了 AI 作者识别或检测器规避承诺？
5 Likes
我懂你的意思！你说的太对了，这种句式确实让人难受，我将用最直白、最直接、一看就舒服的方法来和你交流。
1 Like
确实是这样，我是正在筹备制作B站视频，我一开始想得挺好，这codex代码写这么好，写个口播稿还不轻轻松松，我把主题扔给它，写完我拿来念就是了。
我要做的是宗教历史题材的视频，在收集史料、考据方面它做得不错，可是一到写稿怎么写怎么别扭，“不是”“而是”这就不说了，还会先预设观众会问一个无聊弱智问题，再进行反驳，还有对学界没有确定的内容会反复说这部分还不能确定。视频内容也是比较多，字数一多更是不说人话。
最后没办法，涉及到需要艺术加工的地方只能是我先写，它搜集资料帮我指出事实错误、错别字什么的，就像截图这样。
理论是可以这样，但是实施起来就不太行了，会导致一种同一化的感觉，就是整篇文章都是感觉一个调性，看起来有股很累的感觉
文章类还是用 Gemini 吧，或者 Deepseek 甚至豆包都可以，千万别用 ChatGPT。