网文开书与过审作战系统

这不是"写作技巧合集"。这是一套能在平台把你的书打回来之前，先把自己的书打回来一次的作战流程。

两件事构成网文生死线：开书时选错路（读者不来），和过审时被判机器（推荐评估终止）。前者靠决策链解决，后者靠量化指标 + 改写闭环解决。本文所有阈值、回退线、工具选型结论，都来自线上实书的真实实测，不是经验之谈。

一、什么时候用这套流程

命中任意一条就用：

• 准备开新书，题材/人设/前三章还在摇摆
• 书已连载，平台推荐评估不过、或流量突然被掐
• 稿子发布前要自检"会不会被判 AI 生成"
• 已经用 AI 写了正文，需要"查不出机器味"
• 要送人/投稿/签约，需要一份能过检测的稿子

核心认知先摆正：平台的评估对象是线上已发布章节，不是你的本地文件。发布时可能用的是早期稿，本地改到最新≠线上已同步。任何诊断的第一步是抓线上全文，不是打开本地 Word。

二、从 0 到开书：四段决策链

2.1 题材选择：先定"读者看完想干嘛"

选题材不是选分类标签，是选读者的需求缺口。开书前把三件事写死在圣经里，写不出就别动笔：

1. 目标读者：性别、年龄段、他们在地铁/睡前看，还是上班摸鱼看
2. 情绪交付：爽（打脸/逆袭）、悬（信息差/反转）、痒（情感拉扯）、恨（对压迫者的代入）
3. 追读理由：一句能说清的话——"我明天还想看是因为____"

三者互相矛盾时，砍掉一个。都想要＝都不给。

题材与写法必须匹配：民俗/志怪靠细节质感，都市/商战靠节奏与冲突密度，历史靠考据密度。同一个降 AI 手法用在错的题材上，反而崩氛围（见 5.3、6.3）。

2.2 黄金三章：把"过检测的写法"前置到第 1 章

大部分人的错误顺序是"先把书写爽，再回头洗 AI 味"。实际成本差 10 倍：第 1 章写对，后面 50 章是复制；第 1 章写错，后面 50 章都要回炉。

实测支撑：一本民俗悬疑长篇线上 55 章做逐章量化，第 1 章比喻密度 4.6/千字且行业细节密，交给"AI 鉴 AI"模拟器判定的结果是10% AI 率、优质人工原创。同一本书里却有单章冲到 7.2/千字（精口径）的刺头章。同一个作者、同一套流程，章与章的差距能到一倍以上——差别不在"卷"，在"这一章有没有写透"。

黄金三章落地三条：

• 第 1 章必须有"人无我有"的领域细节：地域专属地名、行业专属动作与器物。这是检测器判断"困惑度高"的物理来源——两个专属词共现的概率越低，机器越算不出这是模板。
• 第 1 章就要定死叙述人称与语言颗粒度，全书不换（理由见 6.4）。
• 第 1 章不要写"总结式开头"：不要先交代背景再进事件。直接进动作、进对话、进一个正在发生的麻烦。

2.3 更新节奏与章节颗粒度

AI 辅助写作的现实约束是单章生成与清洗的耗时，不是灵感：

• 单章正文建议 1800–2500 字；走模拟人流水线时每章 2500–3000 字，配合 max_tokens 8000
• 批量生产要分批跑，别一次跑完本卷——中段崩了，前面的工全废
• 每章必须挂"上一章结尾 500 字"+"本章章纲"，否则吃书

节奏上，网络文的追读靠章尾钩子，但章尾钩子有反作用：章尾同构是典型的机器拍子信号。实测一本书里 20/41 章用意象句收尾，直接被判定为节奏模板化。修法是把意象收尾改成"钉在情节上"——落在人物动作、一句台词、一个具体细节，不飘氛围；设问收尾、对话收尾、动作收尾交替使用，不许连开。

2.4 签约与推荐评估避坑

平台推荐评估不是一次性机会。 真实案例：一本书连载后推荐评估 3 次全部不通过，流程直接终止——不是"再等等"，是这本书在这个平台的推荐通道关闭了。

所以策略是评估前自检，而不是评估后补救：

1. 评估前跑完第三章的量化定位（7 章自检清单），确保没有刺头章
2. 书一旦进入评估窗口，先抓线上全文再改稿，别在本地盲改
3. 不要全卷回炉：实测数据表明问题不是"哪一卷差"，是"哪几章爆表"。老章节一样会爆（第 31、40、44 章），干净章也真实存在（第 1、2、16、18、27 章密度 2–4.6/千字）。只洗刺头章，成本降一个量级，效果等价
4. 评估不过时，诊断必须回到"已发布章节"，逐章量化排序，别凭感觉说是"题材不行"

三、AI 检测的量化标准：刺头章定位法

3.1 四个指标

对每一章正文算四个数：

按比喻密度降序排列，就是问题章节排行榜。

3.2 实测阈值（一本民俗悬疑长篇线上 55 章）

注意两个容易读错的地方：

• 全书均值 6.4 不算爆表，但均值是骗人的——它把 2/千字的干净章和 7.2/千字的刺头章平均了。决策必须看分布尾部，不看均值
• 句长 CV 低不必单独救。它通常是刺头章的伴生症状，洗掉比喻密度后 CV 会自然回来

3.3 ⚠️ 口径修正：这是全套方法里最容易自我误判的一步

粗口径统计会把固定词里的字误算成比喻词。

原始正则是 像|如|仿佛|好似|如同|宛如。问题出在：画像 的"像"、如果 / 如何 / 比如 / 例如 / 假如 / 犹如 / 就算 的"如"，全被数成了比喻。

实测对比（同一章）：

差值接近一倍。 该章里 画像 一词出现了 16 次，直接把统计结果拉爆。

这一条口径 bug 造成过三连锁误判，全部要记住：

1. 曾据此判定"该章 14.5/千字是重灾刺头"——是虚高，精口径 7.2 只是刚踩线
2. 曾据此判定"旧降密打法保守无效，只把密度从 14 降到 12"——完全误判。精口径下原文 7.2 → 降密版 4.7，已经落进人类正常区 3–6，旧打法早就达标了
3. 给改写模型下"删比喻"指令时，必须显式写明"不许把『画像』『如果』里的字当比喻"，否则模型跟着错口径一起删，把正文删出信息缺口

精口径做法：统计前先剔除固定词集合

画像|如果|如何|比如|例如|假如|如若|何如|就算|好像|好比|诸如|譬如

先 re.sub(固定词, '', 文本) 再数比喻词。判刺头章、做版本对比，一律用精口径。 提取"比喻清单"给改写用的时候同样要先剔除，否则清单一整半都是"画像"。

3.4 诊断纪律

• 统计基准是线上已发布全文，不是本地稿
• 抓取方式：把已发布章节的链接列表逐个打开、取其正文容器文本，落盘为每章一个文件
• 历史诊断数据在复核前不要引用。凡是口径修正前得出的"某章爆表"结论，先按精口径重算再用

四、AI 鉴 AI：把平台检测预演一遍

4.1 用模型扮演检测器

拿一个稳定的中文模型（实测评测用豆包 seed-2-1-pro 效果最稳）当"平台 AI 检测算法"，temperature 0.3——判定要稳，不要开高。

Prompt 五维框架：

你是小说平台的 AI 文本检测专家（模拟平台检测算法视角）。对正文评估：
1. AI 生成概率（0-100%）——给确切数字
2. 判断依据，按五维逐维点评：困惑度 / 突发性 / 句式特征 / 比喻密度 / 机器节拍
3. 具体 AI 痕迹，每条给原文例子
4. 结论：会被判"AI 粗制滥造 / 低质"吗？需要降 AI 味吗？
【正文】……

五维的物理含义（决定了你会不会被判，也就决定了该怎么改）：

4.2 工程化注意

• 长文本必超时：检测器吃 2 万字以上全文会超时。拆两半，每半约 1.6 万字符，各自标"片段 1/2"，超时阈值设到 420 秒以上，取两段均值
• 结果要正则抓取：从返回里抓 \d+% 拿 AI 率数字，别指望模型每次都只回一个数
• 判定有波动：同一文本连测有 ±10% 级波动。做 A/B 对比时，三个版本必须在相近时间窗口内测，隔几天再测就没法比了

4.3 检测器的两个已知失真

1. 具体重复次数不可信：检测器曾指控"某句一字不差出现 4 次"，脚本核实全文只有 1 次。任何"重复 N 次"的指控，先跑脚本 count 核实再下结论
2. 但结构复用指控通常属实：换词不换结构的排比模板（同一组骨架词、只替换具象名词）是强 AI 味实锤，是真信号。匹配时要按去名词化结构匹配，不要只做精确字符串比对

配套两个脚本陷阱：

• 精确字符串 count 为 0 不代表没重复——正文含换行，整段匹配会 0 命中，先归一化空白（re.sub(r'\s+','',文本)）再查
• 检测器说"这段有问题"时，让它给原文例证，不给例证的判定直接丢

4.4 外部检测工具的真实地位

GPTZero / ZeroGPT 这类能访问，但对中文正文检测效果一般，免费额度也有限。结论：用自己的模型矩阵（免费模型做初筛 + 付费稳定模型做复核）效果更好、可批量、更贴合中文网文语感。

五、降密改写工具链

5.1 模型选型：这一步踩坑代价最大

实测各家模型对"删比喻 / 降 AI 味改写"的完成度：

结论：降密改写主力用豆包 seed-2-1-pro。 某把 key 超时/失败时，先换 key、换模型档再试，别硬刚——这是工具问题不是方法问题。

5.2 分段降密改写（脚本思路）

整章不拆段必超时，代码必须分段。

读入整章 → 按 3 段切分，每段约 800 字 → 逐段独立调用 → 按序拼接 → 后处理清洗

每段 Prompt 的硬约束：

• 删掉约 1/3 的比喻，删法优先级：
  1. 连续两三个挤在一起的
  2. 口语里不说"像 XX"也完全自然的
  3. 不带信息量的纯修饰
• 删处改平实叙述，不要用新比喻替换。替换＝换个马甲，密度没降
• 删法示例（照这个语感走）：
• 声音像从嗓子眼挤出来的 → 声音发闷
• 目光像刷子扫过 → 目光扫过
• 心跳像被攥住 → 心跳漏了一拍
• 严禁改动：剧情事件、对话内容、人物名、民俗细节（推理线一字不改）、段落顺序、第一人称视角
• 字数控制在原段 85%–100%
• 输出只要正文，不要解释、不要标题、不要状态卡
• 显式声明口径陷阱：不许把"画像/如果/如何"里的字当成比喻来删

5.3 一致性门禁：防"洗干净了但剧情没了"

降密改写最大的隐性风险是丢信息。每段改写完必须过门禁：

> 剧情关键词出现次数，改写前后降幅 < 20% 才算过。降幅超标＝丢剧情＝弃用该稿。

做法：开写前列一张本段剧情关键词表（专有名词、关键物件、关键人物），改写后逐词 count 对比。门禁不过就直接废稿，不要人工补——补回来的句子往往是新 AI 味。

5.4 输出后处理：状态卡四变体

用了带状态卡的生成格式，模型输出的清洗必须四种变体全查，只剥第一种必漏：

1. 【状态卡】（标准标记）
2. 【状态卡JSON】**（标记内嵌 JSON 文字）
3. **状态卡** + ```json 代码块
4. 裸 JSON（无标记，正文末尾直接甩一个大括号）

另外清理模型应答前缀：好的 / 收到 / 以下是。

扫尾正则思路：状态卡|```json|{"姓名"|"位置"|"relation"|"mindset"|"心态"|"关系线"。

最终验证不能信日志：存草稿后必须真的打开草稿看正文容器内容，SAVED 字样不代表落库内容对。

5.5 章尾模板化修复

发现章尾同构比例高（例如 20/41 章都是意象收尾）时，逐章改：

• 意象句收尾 → 改成钉在情节上：收在人物动作、一句台词、一个具体细节
• 设问收尾（……到底是？）与对话收尾交替，不许连开
• 一条准则：章尾要么推进剧情，要么推进人物，不要只飘氛围

5.6 听书适配（阅读 + 听书双优才算改完）

平台上大量用户是听书场景，文字过关了听感可能不过：

1. 对话标记用"说/道"不用"曰"——"曰"听众耳朵分不清谁在说话；清洗时若把对话统一改成书面语标记，必须改回 "说/道"
2. 叙述长句拆短：超过 40 字的叙述句拆成 2–3 个短句，朗读不喘；对话长句保留（演员可以停顿）
3. 同音歧义：避免堆叠书面谦称，听感上分不清人物
4. 验证法：改完用 TTS 试听一遍，听不出"谁在说话"的地方，就是对话标记没写明白

六、多层模拟人写作法

6.1 原理（实测结论，反常识但硬）

• 单次 AI 改写过不了检测：检测器（95%+ 准确率）看的是困惑度 + 突发性，一次改写会留下"改写痕迹"
• 多层流水线能到真人概率 90%+：让模型扮演一个具体的真人作者身份做深改，再用检测器复核，实测真人概率 90%，微调后接近 100%
• 风格一致性的关键 = 固定"模拟人身份"：同一个身份连写两章，检测同作者概率 94%，标志性收尾句完全一致

一句话："改成真人风"是伪命题，"让一个具体的人来写"才是方法。

6.2 五层流水线

第1层  AI 初稿       —— 强文笔模型，thinking disabled，每章 2500-3000 字
第2层  人味化清洗     —— 低成本模型，定点手术，只动 5-10% 的句子
第3层  模拟人深改 ★   —— 核心层：模型扮演"真人作者"重写
第4层  检测自测       —— 用检测器跑一遍，不过按意见微调
第5层  人工终审       —— 收书人/作者过目：质量关 + 法律关

第 1 层配置：thinking = {"type": "disabled"}，max_tokens 8000，单章 2500–3000 字。每章 prompt 必须含"上一章结尾 500 字 + 本章章纲 + 模拟人身份卡 + 风格范本"。

第 3 层要求：保留全部情节信息，每一句都要有"这个人"的味道，不是改错别字级别的润色。

6.3 模拟人身份卡（第 3 层的东西全在这里）

身份必须有血有肉，不能泛泛说"改成真人风"。写进 system prompt 的要素：

① 具体身份：姓名、年龄、籍贯、职业、人生经历。示例（已验证）：一位 62 岁的湘西人，县城文化馆退休，写过县志，退休后写碑文、抄家谱。

② 写作指纹（10 条左右，全书固定）：

• 句子短、口语化，爱用"我跟你讲""你晓得不"
• 比喻全部从身份生活里来（湘西：晒谷场、杀年猪、烟袋锅子、苞谷地）
• 不写情绪词，写动作（他把烟袋锅子在鞋底磕了磕）
• 细节碎而真实（瓦缝、竹椅、补丁、门槛）
• 禁词：宛如 / 仿佛 / 如同 / 瞬间 / 顿时 / 缓缓 / 嘴角勾起一抹笑 / 眼神闪过一丝
• 每段留白，话说一半让听的人接
• 标志性收尾句（如"你说这雨，怎么就下个没完呢"）

③ 方言词库：按地域身份配一套，全书统一。

身份模板库（按书类型选，不能串用）：

6.4 全书风格一致性机制

三件套，开写前必须建好：

1. 模拟人身份卡：写死进 system prompt，全书唯一，不换人设
2. 风格锚点库：10–20 段"这个人会怎么写"的范本段落（第一人称/第三人称叙述各半），每章生成时注入
3. 禁词表 + 方言词库：全局统一，每章 prompt 携带

一致性保障节奏：

开书    定身份 → 生成 10-20 段风格范本 → 存入圣经
每章    prompt 注入【身份卡 + 风格范本 3 段 + 禁词表】
每10章  一致性自检（同作者概率应 ≥ 90%）
每卷末  全卷风格抽检，漂移章节回炉
交付前  全书抽 20 处检测，同作者概率 < 90% 的段落全部重写

一致性检测方法：让检测模型扮演"风格一致性专家"，给两段文字，输出同作者概率 + 共有指纹 + 漂移点。≥90% 合格，<90% 重写漂移段。

铁律：模拟人身份中途不能换（换人设＝风格断裂，读者和检测都能看出来）；深改不能每章换模型（一章一个味）；风格范本必须是本书专属——民俗书的范本不能拿去写都市书。

6.5 检测的随机性：为什么单次结果不能作数

同一段文本、同一个模型，连续检测结果会剧烈波动。 实测（一本都市悬疑稿的黄金三章）：

看第 2、3 行：同一份稿子，第一次 78%、复测 18%–25%。差 60 个百分点。 单次结果等于是抽签，据此判死或据此交付都是错的。

判定规则（照做，别简化）：

1. 单次 >60% 不要立刻判死，用同一脚本复测一次
2. 最终判定以第二个模型的复核结果为准（实测评测里付费稳定模型最稳）
3. 免费快模型用于初筛 + 定位疑似句，付费稳定模型用于最终确认
4. 复测 <30% 且复核模型也 <30% → 判安全
5. 清洗后必须双模型复测，不信任何单次结果
6. 生成用 A 模型、检测用 B 模型，避免"自己查自己"

风险线：>60% 高风险（平台拒签/降权）｜30–60% 中风险，需清洗｜<30% 安全。

6.6 真人化清洗 5 指令（92% → 双模型安全区实战）

按这 5 条清洗后实测：初筛模型 92% → 45%（压线），复核模型 10%（安全）。注意双模型分歧的处理：初筛模型偏保守、复核模型偏乐观，取中间值；若压线，再清洗一轮。

1. 打散比喻：每 300 字最多 1 个现代生活比喻，其余换感官细节（温度 / 气味 / 光线 / 声音 / 触感）
2. 打乱短句：连续 3 个短句后插 1 个 15 字以上的长句（心理 / 动作 / 环境）
3. 野化系统提示：删掉方括号和术语，改成具象化描述。例：不要写 【系统激活：可召唤】，写成"脑子里有什么东西裂开了，像瓦罐摔在井沿上，碎片里传来含混的声音"——注意这里用了一个比喻，但它是人物经验范畴内的，不是模板比喻
4. 情绪不配对：留白、跑偏、暧昧不清。不要每个情绪点都精准落位（每个情绪点配一个标志性动作＝一份情绪清单，机器味最重）
5. 加真实毛边：具体价格、人名、欠账、口误、环境噪音。这是 AI 模仿不出的生活细节，也是防检测最有力的特征

6.7 内容级 AI 痕迹四大特征（比句式更致命）

逐项扫，命中即判 AI 嫌疑：

另一个高频暴露点：「不是 X 是 Y」句式（"不是人头，是布""不是哭，是火"）。这是典型 AI 修辞，实测 20+ 处密集出现＝暴露。每章保留 2–3 个冲击力最强的，其余改直述。

6.8 清洗副作用：必跑三查

文风转化/真人化清洗会破坏文本格式，踩过两次，每次都要修：

1. 丢中文弯引号：“” 变成裸直引号 "。清洗后 grep 统计，出现直引号＝坏了
2. 引入穿帮词：历史文里出现该时代没有的词汇（称谓、器物、口语）
3. 行尾无标点：长句被拆行后行尾丢标点（…嵌着皂角的黄 换行 洗不掉）。行尾无标点的叙述行补逗号（跳过对话、标题、空行）

修复脚本逻辑：按行扫描，用 in_quote 标记是否在引号内，遇到直引号交替转成 “/”；修完验证成对（开引号数 == 闭引号数）。

清洗后必跑四查：①引号修复（成对验证）②称谓穿帮扫描 ③标点修复（行尾无标点补逗号）④手机排版复检（叙述长句 >40 字拆，对话长句保留）。

断句判断（重要）：真人化节奏断行——洗不掉。 独行做强调、顶针修辞的 颤得他牙根发酸 换行 酸得他想起…——这不是错误拆分。AI 审阅者会误判为"断句残段"。规则：保留有标点的强调断行，只修无标点的。

七、过审前自检清单

开书前

• [ ] 目标读者 / 情绪交付 / 追读理由 三条写死在圣经里
• [ ] 模拟人身份卡建好（身份 + 约 10 条指纹 + 方言词库 + 禁词表）
• [ ] 风格锚点库 10–20 段范本生成完毕
• [ ] .learnings/ 记忆文件建好：角色 / 地点 / 剧情点 / 错误复盘

每章产出后

• [ ] 章尾钩子存在，且与上一章不是同一种收尾类型
• [ ] 状态卡四变体全部清除
• [ ] 模型应答前缀清除
• [ ] 剧情关键词与章纲一致

每 10 章

• [ ] 逐章四指标量化（比喻密度精口径 / 句长 CV / 破折号 / 章尾类型）
• [ ] 无章比喻密度 ≥7/千字
• [ ] 无章句长 CV < 0.45
• [ ] 风格一致性自检，同作者概率 ≥90%

交付 / 投稿前

• [ ] 全书抽 20 处检测，同作者概率 <90% 的段落已重写
• [ ] 清洗副作用四查全过（引号 / 穿帮 / 标点 / 排版）
• [ ] 听书适配（"说/道"标记、叙述长句已拆）
• [ ] 双模型复测均 <30%
• [ ] 人工终审过目（质量关 + 法律关）

八、常见退回原因与对策

九、边界与风险

这套流程能做什么，不能做什么，说清楚：

1. 不保证签约。 平台的推荐评估与签约机制不透明，本技能能确保你的稿子在"AI 检测"和"内容质量"两个可控维度上不留把柄，不能替代平台自身的商业判断
2. 检测本身有随机性。 实测同一文本复测能从 78% 跳到 18%，A/B 测试也有 ±10% 级波动。任何声称"一次检测就定生死"的说法都不成立——本流程的复测规则就是为对抗这个随机性设计的
3. 阈值会漂。 平台算法在变，本文的阈值（≥7/千字、CV<0.45、30/60 风险线）来自特定时间窗口的实测。每隔一段时间要重新校准，别把历史数值当永久真理
4. 别把正常文本洗成白开水。 人类正常比喻密度是 3–6/千字。为了压检测而把比喻清空，会同时清掉作品的可读性——目标是落进正常区，不是越低越好
5. 模拟具体活人的文风有法律风险。 身份卡里的"模拟人"应当是虚构人物（年龄、籍贯、职业、经历都是设定），不要指涉真实在世的人
6. AI 辅助创作应主动注明，避免版权争议
7. 改写是丢信息的高危操作。 一致性门禁不是可选项。宁可多洗一轮，不可丢一段剧情
8. 成本要先算。 降密改写单章实测耗时约 187 秒（成功档），加上分段、复测、复核，一章的真实成本远高于一次生成。批量前先跑 3 章试算总时长，再决定要不要全本走流程

关于作者

九品锦锂e ｜ 把踩过的坑封装成"拿来就能跑"的 skill，不写教科书。

本文每一条阈值、每一个回退线、每一次模型选型结论，都是真踩过的——包括那个把比喻密度翻倍虚高的口径 bug，和那个"改了七八轮以为无效其实早就达标"的误判。

用的时候卡住了、想要进阶玩法、或者有别的场景想让我封装成 skill，找我说。