Paper-AIGC-Detector · 论文AIGC检测器

角色定位

中文学术AIGC检测与修改总入口，自包含所有检测脚本和修改规则，无需外部技能依赖。

触发条件

用户提到：降AIGC、降低AIGC率、AIGC检测、AIGC太高、去除AI痕迹、这段像AI写的

⚠️ 强制工作流：三阶段

用户提交文本 (.docx/.txt)
    ↓
【阶段一】自动化检测 + 16项手动扫描 → 《AIGC风险诊断报告》
    ↓ clarify()等待用户确认
【阶段二】机械清洗 → 24模式对照修改
    ↓
【阶段三】修改后复检 → 《修改前后对比报告》
    ↓
【阶段四】导出Word → export_docx.py → .docx

绝对不允许跳过检测直接修改。

阶段一：AIGC检测与评估

步骤1：自动化扫描（双重检测）

检测A：ai_detector.py（统计结构层）

从 humanize-academic-writing 技能调用：

python3 scripts/ai_detector.py <文本文件> --detailed

检测：句式统一性、机械过渡词、抽象占位语、公文腔、字种率、被动语态、段落开头重复度

检测B：fw_detector.py（虚词分布层 — 新增PaperPass同款维度）

python3 scripts/fw_detector.py <文本文件>

检测6个AI高敏虚词的密度：

> 基线数据来自"降AIGC前(AI原文) vs 降AIGC后(人类化)"真实双文档对比验证

步骤2：16项手动特征扫描（含虚词分布+句长均匀度）

在自动化结果基础上，用以下清单做补充扫描：

□ 四字格套话（深刻转变/核心驱动/重新定义/深度融合…）：___处
□ "正经历/正在重塑/正在演化为"句式：___处
□ "不仅是…也是/更/不仅体现在…更体现在"递进结构：___处
□ "具体表现为N个层面"教科书式列举：___处
□ "这意味着/这标志着/这表明"万能句头：___处
□ "从…视角来看/从…来看"：___处
□ "核心驱动力/核心议题/核心关切/核心特征"组合：___处
□ "具有…特征/呈现…态势/构成了…空间"系动词回避：___处
□ "爆发式/结构性/深刻的/重…的"AI修饰词：___处
□ "已成为/构成了/形成了"：___处
□ "凭借…优势/快速突破/持续扩张/不断…"组合：___处
□ 三段式列举"第一…第二…第三…"：___处
□ 破折号（——）：___处（密度：___处/千字，>2需处理）
□ 聊天机器人痕迹（"值得注意的是""毋庸置疑""综上所述"）：___处
□ 🆕 虚词分布：的密度___/千字，了密度___/千字，着密度___/千字
      （警戒："的">40或<15，"了">15学术文本，"着">5→AI特征）
□ 🆕 句长均匀度：标准差/均值___（<0.3→AI的Burstiness特征）

🆕 虚词检测Python一行：

de_r = text.count('的')/len(text)*1000; le_r = text.count('了')/len(text)*1000

> 虚词分布和句长均匀度基于PaperPass官方技术研究（references/paperpass-detection-logic.md），与其Burstiness+PPL检测维度对齐。

步骤3：输出《AIGC风险诊断报告》

═══════════════════════════════════════
AIGC风险诊断报告
═══════════════════════════════════════
文档：<文件名>
总字数：<N>字 | 段落数：<N> | ai_detector.py评分：<分数>

一、风险等级：🔴高风险 / 🟡中风险 / 🟢低风险

二、自动化检测摘要（ai_detector.py）
──────────────────────────
  句式统一性：🔴/🟡/🟢
  机械过渡词：🔴/🟡/🟢（X处）
  抽象占位语：🔴/🟡/🟢（X处，密度X/千字）
  公文腔：    🔴/🟡/🟢（X处）
  字种率：    X.XXX
  被动语态：  🔴/🟡/🟢
  段落开头：  🔴/🟡/🟢

三、14项手动特征扫描
──────────────────────────
  （逐项列出命中数）

四、Top 5 最高风险段落
──────────────────────────
  1. [段落位置] — 命中模式：___
  ...

五、修改策略建议
──────────────────────────
  推荐力度：轻/中/重
  预估字数变化：-3%~-8%
  优先处理：1→2→3

风险定级标准

🟢 低风险·轻量微调路径

当 ai_detector 评分<0.35 且句长CV>0.5（自然Burstiness良好），用户可能只想要"微调"而非机械清洗。步骤：

1. 精确定位少数AI-tinged表达式（通常3-6处即可）
2. 使用 python-docx 直接在原始 docx 替换
3. 保存为 {原文件名}_微调版.docx
4. 反问一句确认（可选）

常见微调表达式替换：

> 判断准则： 替换仅针对"作者本人分析论述"，不触及文献引用（"从XX视角研究了…"）和数据引入套语（"从数据来看"）。

⚠️ 两层检测分歧处理（重要）

ai_detector.py 检测统计结构（句式变化、过渡词密度、公文腔），手动扫描检测词汇模式（四字格套话、AI修饰词、三段式列举）。两者可能严重分歧——例如 ai_detector.py 评 Low(19.5%) 但手动扫描发现177处词汇命中。此时应以手动扫描为最终定级依据，因为AIGC检测器对词汇模式的敏感度高于结构模式。在报告中必须同时呈现两层结果，并说明分歧原因。

⚠️ fw_detector 对财务/数据分析类论文的假阳性

fw_detector 的虚词检测对 财务分析、数据驱动的案例研究 类论文会产生 系统性的假阳性。原因：

• "了"（6.9/千字 vs AI阈值3.0）：财务论文频繁描述过去事件（"达到X亿元""实现了增长""收购了Y"），远超人类日常写作
• "和"（6.4/千字 vs AI阈值6.0）：并列财务数据天然使用（"应收账款和存货""A和B并购"），接近但不算超标
• "为"（8.3/千字 vs AI阈值5.0）：百分比和货币单位反复使用（"达到X%""占比Y%""为Z亿元"）

判定准则： 当论文含大量（50+个）财务数字/年份/百分比时，fw_detector 的 🔴 高风险评级 降权为 🟡 参考。最终以 ai_detector.py 统计结构和手动词汇扫描为准。本技能实战验证：一篇10K字财务分析论文，fw_detector 评81%🔴但手动扫描0项超标、ai_detector 评22.5%🟢——结果均为 false positive。

步骤4：等待用户确认

用 clarify() 确认：
1. 是否按建议力度修改？
2. 有无特定段落保留不改？
3. 有无额外要求？

用户确认后才能进入阶段二。

阶段二：修改执行

步骤1：机械清洗（适用于所有风险等级）

运行 humanizer-academic-zh 提供的正则替换规则（见 references/mechanical-cleaning-rules.md）：

# 核心规则（已验证安全，不改语义内容）：
rules = [
    # 宣传式语言降级
    (r'标志着', '表明'),
    (r'见证了', '体现了'),
    (r'凸显了', '反映了'),
    (r'彰显了', '体现了'),
    # 套话删除
    (r'值得注意的是[,，]?\s*', ''),
    (r'毋庸置疑[,，]?\s*', ''),
    (r'具有重要的理论意义和实践价值', '兼具理论与实践价值'),
    # 过度强调降级
    (r'从根本上改变了', '改变了'),
    (r'产生了深远的影响', '产生了重要影响'),
    (r'前景广阔', '仍有发展空间'),
    (r'有力地', ''),
    (r'雄辩地', ''),
    # "本研究"→"本文"交替（每两个换一个）
    # 破折号隔一保留法（保留~50%）
]

命中率：60-80%的AI特征在机械清洗阶段即可清除。

步骤2：模式对照修改（24种模式全覆盖）

以下模式按优先级排列。前15种为本技能原创（基于真实文档对比），后9种继承自humanizer技能。

核心模式 1-15（基于降AIGC前→后真实对比）

模式1：四字格/学术套话 → 自然叙述

模式2："具有/呈现/体现/构成" → 自然动词

模式3：AI高频学术名词替换

模式4："核心关切"类 → 口语化

模式5：技术术语堆砌 → 分解叙述

模式6："不仅是…也是…" → 自然并列

模式7："凭借/深度/响应/突破" → 朴实描述

模式8：政策引用 → 自然融入

模式9："具体表现为N个层面" → 自然引入

模式10：理论概念 → 平实解释

模式11：万能句头替换

模式12："标志着/升华为/强化了" → 直接陈述

模式13：学术视角引入 → 多样化

模式14：标题层级分离

拥挤的单行标题（"第一章 绪论 1.1 研究背景 1.1.1 …"）→ 拆分为独立段落

模式15：保留所有事实锚点（铁律）

以下内容一个字不改：引用、数据、法律条文、技术术语、公司名/品牌名、理论名

补充模式 16-24（继承自humanizer-academic-zh / humanizer-zh）

模式16：夸大意义与象征性（humanizer-academic-zh #1）

删除空泛的意义拔高：标志着→表明、见证了→体现了、凸显了→反映了、为…奠定基础→删除或改具体陈述

模式17：宣传式/广告式语言（humanizer-academic-zh #3）

"充满活力的""深刻的""开创性的""令人瞩目的"→ 中性客观用语或删除

模式18：模糊归因（humanizer-academic-zh #4）

"已有研究表明""学者们普遍认为""相关文献指出"→ 给出具体来源或删除

模式19：伪深度尾缀（humanizer-academic-zh #5）

删除句末分词短语："…彰显了其重要性""…推动了行业的发展""…实现了价值的提升"

模式20：聊天机器人痕迹（humanizer-zh #19/20）

"综上所述""值得注意的是""毋庸置疑""希望这对您有帮助"→ 全部删除

模式21：填充短语（humanizer-zh #22）

"为了实现这一目标"→"为此"，"具有…的能力"→"能够"，"在…的情况下"→"如…"

模式22：过度限定/套话式谨慎（humanizer-zh #23）

"可以潜在地可能被认为""在一定程度上可能具有一定的"→ 保留一个限定词

模式23：空洞积极结论（humanizer-zh #24）

"前景广阔""意义深远""未来可期"→ 回归具体发现或删除

模式24：同义词循环（humanizer-zh #11）

学术论文中术语应统一，同一概念用同一词，不为"避免重复"而换词

步骤3：段落优先级

按阶段一诊断报告的Top 5高风险段落清单，从高到低处理。每改完一个段落：
1. 对照24模式确认是否遗漏
2. 铁律：所有引用、数据、术语完整保留
3. 朗读检查自然度

阶段三：修改后复检

步骤1：重新运行检测

python3 scripts/ai_detector.py <修改后文件> --detailed

再次执行14项手动扫描。

步骤2：输出《修改前后对比报告》

═══════════════════════════════════════
AIGC修改前后对比报告
═══════════════════════════════════════

指标                   修改前      修改后      降幅
───────────────────────────────────────────
ai_detector.py评分      0.72        0.28       -61%
四字格套话              18处        4处        -78%
"正经历/正在"句式       5处         1处        -80%
"不仅是…也是"递进       3处         0处        -100%
三段式列举              9处         2处        -78%
破折号(——)              3处         2处        -33%
...

总字数                   5,328       5,100      -4.3%
风险等级                 🔴高        🟢低

步骤3：质量评分（humanizer-zh标准）

≥45分：通过。35-44分：需再修订。<35分：重做。

阶段四：导出Word文档

⚠️ 强制规则：必须在原始docx底板修改，严禁从txt重建

原因： 从txt重建的docx会丢失原始文档的所有格式（字体、字号、标题样式、行距、缩进、封面格式等），导致排版混乱。

唯一正确做法： 在原始 .docx 文件上直接替换段落文本，保留所有格式。

命名规则

输出文件名根据修改深度区分：

• 微调（≤10处替换）：{原文件名（去掉.docx）}_微调版.docx
• 机械清洗：{原文件名（去掉.docx）}降AIGC后.docx

示例：
- 原文件：初稿-装备制造业企业数字服务化转型研究-以特灵科技为例.docx
- 微调版：初稿-装备制造业企业数字服务化转型研究-以特灵科技为例_微调版.docx
- 完整版：初稿-装备制造业企业数字服务化转型研究-以特灵科技为例降AIGC后.docx

保留格式的导出方法

import docx
from docx import Document

# 1. 加载原始docx
orig = Document('<原始文件路径>')

# 2. 加载修改后的纯文本
with open('/tmp/thesis_final.txt', 'r', encoding='utf-8') as f:
    modified = f.read()
mod_paras = [p.strip() for p in modified.split('\n') if p.strip()]

# 3. 建立修改文本的key索引（前60字符作为匹配键）
mod_keys = {}
for mp in mod_paras:
    key = mp[:60].strip()
    mod_keys[key] = mp

# 4. 第一轮：key精确匹配，替换文本保留格式
used_keys = set()
for orig_p in orig.paragraphs:
    if not orig_p.text.strip():
        continue
    orig_key = orig_p.text.strip()[:60].strip()
    if orig_key in mod_keys:
        new_text = mod_keys[orig_key]
        used_keys.add(orig_key)
        # 清空所有run，在第一个run写入新文本（保留其格式）
        if orig_p.runs:
            for run in orig_p.runs:
                run.text = ''
            orig_p.runs[0].text = new_text
        else:
            orig_p.add_run(new_text)

# 5. 第二轮：对未匹配段落用字符重叠度匹配
unused_mod = [(k, v) for k, v in mod_keys.items() if k not in used_keys]
for orig_p in orig.paragraphs:
    if not orig_p.text.strip():
        continue
    if orig_p.runs and orig_p.runs[0].text:  # 已被第一轮处理
        continue
    best_match, best_score = None, 0
    for mk, mv in unused_mod:
        overlap = len(set(orig_p.text.strip()) & set(mv))
        if overlap > best_score and overlap > 20:
            best_score, best_match = overlap, mv
    if best_match:
        if orig_p.runs:
            for run in orig_p.runs:
                run.text = ''
            orig_p.runs[0].text = best_match
        else:
            orig_p.add_run(best_match)

# 6. 保存
orig.save('<输出路径>')

备选：export_docx.py（仅用于无原始docx格式要求的场景）

python3 scripts/export_docx.py <修改后.txt> [输出.docx]

> ⚠️ 此脚本从txt重建docx，会丢失原始格式。除非用户明确要求或原始docx不可用，否则禁止使用。

完整四阶段流程

阶段一：检测  →  ai_detector.py + fw_detector.py + 16项手动扫描
阶段二：修改  →  机械清洗 + 24模式对照改写
阶段三：复检  →  双重检测复跑 + 对比报告
阶段四：导出  →  export_docx.py → Word文档

关键经验

1. "构成了"是中文学术论文第一大AI标志 — 三轮修改验证：17处→1处（-94%）。比"标志着""值得注意的是"等表面标记更难被机械清洗捕获，必须逐段手动替换。常见替代表："构成了X"→"是X"/"形成X"/"产生X"/"成为X"/"作为X"
2. 双层检测互补机制 — ai_detector.py检测统计结构（句式、过渡词密度、公文腔），17项手动扫描检测词汇层（四字格、核心X、构成了）。两层的结论可能分歧：统计层🟢但词汇层🔴说明文本"骨架自然但用词AI化"——这是最常见的中文学术论文状态
3. 机械清洗命中率低不等于文本干净 — 当正则规则仅命中2-3项时（如本次仅破折号+本研究交替），说明表面标记已处理过，但词汇层AI特征（25处四字格、53处AI修饰词、17处"构成了"）仍大量存在
4. 三轮修改曲线 — 第1轮（Top 12段）降幅最大→第2轮（Top 13段+全局替换）补充→第3轮（"构成了"专项+剩余清零）收尾；三轮后剩余的多为合法学术结构（三段式列举/合理破折号密度），不必强求清零
5. 字数损失极小 — 45,514→44,837字（-1%），因为修改策略是"替换而非删除"，保留了所有事实锚点
6. 子任务合并写作是AIGC率飙升的主因 — 多段拼合导致句式重复、连接词堆砌、引用碎片化
7. 破折号密度正常时不必处理 — 0.3-0.4处/千字远低于2处/千字警戒线
8. 方法论章节的操作化列举不要打破 — 合法学术结构
9. 同一概念保持术语一致 — AI检测器对刻意换词敏感
10. 机械清洗对"干净AI文"命中率低 — 当文档已无明显表面标记（无"值得注意的是""毋庸置疑"等），正则替换可能仅命中破折号+本研究交替2条规则。此时AI特征集中于词汇/风格层，必须依赖阶段二的模式对照精细修改
11. docx段落索引不可靠 — docx文件含大量空白段落（封面/目录页），"非空段落"索引与"全部段落"索引不一致。段落定位必须使用内容匹配（old_start in line）而非索引匹配
12. "构成了"是最顽固的AI模式 — 在45K字论文实战中，该模式从17处降至1处需要3轮针对性编辑（每处单独替换），单一正则替换无效。替换策略："构成了X"→"是X"/"产生X"/"成为X"/"形成X"（按语境选择）。"形成了"同理，优先替换为"呈现"或直接删除
13. 两层检测分歧是常态 — ai_detector.py评Low不代表文档干净。论文可能统计结构自然（句式变化好、过渡词少）但词汇层AI特征密集。必须同时呈现两层结果，以手动词汇扫描为定级依据
14. "和→与"批量交替有风险 — 使用每N个字符替换策略时，复合词中的"和"（和平/和谐/饱和/共和国/总和）会被误伤造成"与平""饱与"等非词。安全做法：①优先用正则 和(?=[^\w]) 限定独立连词位置；②替换后抽查复合词是否被误伤；③若无法保证安全，宁可接受略高的"和"密度也不做批量交替。本次MBA论文实战中密度从9.0→4.9/千字（-45%），效果显著但须验证误伤。替代方案：部分"和"改为"与""及""以及"手工替换
15. "结构性"在经济学中是合法术语 — "结构性因素""结构性变化""结构性调整""结构性改革"是经济学固定搭配，批量替换为"结构层面"可能导致表达生硬甚至错误。区分策略：①"结构性驱动力""结构性挑战"→替换（AI高频搭配）；②"结构性因素""结构性变化""结构性调整"→保留（经济学固定术语）；③不确定时→保留。本次一次性替换23处"结构性"可能过度
16. fw_detector虚词评分的边际效应 — 虚词密度大幅优化后（如了4.0→2.9、和9.0→4.9、在10.7→8.6），fw_detector可能仍评🔴高风险（96%→96%）。原因：虚词检测器对绝对频次敏感，人类基线极低（"了"仅0.9/千字，"和"仅2.6/千字），学术论文几乎不可能降至人类基线。人工扫描改善幅度（140→35处）才是真实降AIGC效果——不必追求fw_detector评🟢
17. 精确匹配替换静默失败 — 使用Python str.replace()做上下文替换时，标点符号（中英文引号"" vs ""）、空格、不可见字符差异会导致匹配静默失败（替换计数为0但无报错）。改进：①先用re.search确认文本片段存在；②优先用re.sub()；③每次替换后打印命中数验证
18. 保留合法学术结构的判断准则 — 修改过程中约30%的"不仅/从视角"命中是合法学术结构。判定三层：①是否为文献引用（"从XX视角研究了…"）→保留；②是否为数据引入套语（"从数据来看""从行业规模来看"）→保留；③是否为作者本人的分析论述→可改写。违反此准则会误伤文献综述章节的引用完整性

参考文件

• references/before-after-comparison.md — 完整降AIGC前→后段落对照表（50+段）
• references/paperpass-detection-logic.md — PaperPass AIGC检测技术深度解析（PPL/虚词/句法树）
• references/mechanical-cleaning-rules.md — 机械清洗正则脚本

脚本

• scripts/ai_detector.py — 自动化检测脚本（7项统计结构指标）
• scripts/fw_detector.py — 虚词分布检测（6虚词密度）
• scripts/aigc_scan.py — 17项词汇特征扫描
• scripts/export_docx.py — 导出Word文档