发布前双检
什么时候用
用户说了下面任何一句，就走这个流程：
- 「帮我改一下这篇，我要发小红书 / 公众号 / 抖音」
- 「这段 AI 味太重了」
- 「我被限流了，是不是因为 AI」
- 「用 AI 改完稿，能直接发吗」
- 「帮我看看这篇会不会被判 AI」
不适用：纯代码、纯数据、纯技术文档（技术文档走 --mode doc，但仍不需要「人味」判断）。
两个动作，顺序不能反
先查真实性，再查机器味。
理由很实际：如果文本里有编造的事，改文风只会让它更可信——那是把问题放大，不是解决。所以顺序是：
1. factguard.py 原文 改写稿 → 有没有编
2. aicheck.py 改写稿 --mode post → 像不像机器写的
两个都过，再发。
动作一：事实保真
python3 scripts/factguard.py 素材原文.md 改写稿.md
它回答一个问题：改写稿里有没有原文没有的东西？
四类，按严重程度排：
| 类型 | 例子 | 性质 |
|---|---|---|
| 假设变经历 | 原文「比如客户砍价」→ 改写「我上周被客户砍价」 | 封号级 |
| 第一人称里的新细节 | 改写稿凭空出现「800 多字」「上周三」 | 封号级 |
| 程度被强化 | 「可能」→「一定」，「部分」→「全部」 | 担责级 |
| 视角替换 | 第三人称观察 → 第一人称经历 | 需确认 |
第一类的机制值得说清楚：写的人知道自己在举例，读的人不知道。 这不是 AI 的 bug，是改写这件事本身的副作用——AI 在做「让文字更生动」时，最顺手的动作就是补细节。而它补的细节全部来自语言分布，不来自你的生活。
脚本抓不到的情况，必须手动补查：
- 原文是「比如」但改写稿换成完全不同的例子（相似度太低，匹配不上）
- 原文和改写稿都被大幅重写，句子对不上
- 编造的是情绪和判断（「我当时特别生气」），不是事实
所以 factguard.py 是筛子不是网——它筛掉大部分，剩下的靠你自己看一遍。
动作二：机器味体检
python3 scripts/aicheck.py 稿子.md # 内容类
python3 scripts/aicheck.py 稿子.md --mode doc # 文档类
python3 scripts/aicheck.py 稿子.md --json # 接流水线
输出六项指标 + 综合分 + 定位到具体句子。
分数怎么读
| 分数 | 判定 | 接下来做什么 |
|---|---|---|
| ≥ 85 | 像人写的 | 可以发 |
| 70–84 | 轻微机器味 | 补两三处具体细节就够 |
| 55–69 | 明显 AI 腔 | 看是哪一项拖分，针对性改 |
| < 55 | 一眼机器 | 别改词，重写 |
关键不是分数，是哪一项低。 报告里每一项后面都有说明，比如：
具体信息密度 ███░░░░░░░ 31.7 1/7 句含数字或量词
逻辑连接词 ░░░░░░░░░░ 0.0 密度 100%
- 具体信息密度低 → 补事实（填日期、金额、次数、地名）
- 逻辑连接词低 → 删连接词（删掉句子还成立，就永久删）
- 句长突发性低 → 调节奏（拆一个长句、合两个短句）
- 人味标记低 → 加经历（写一件你真干过的事）
四项的改法完全不同。照着分数乱改，越改越差。
两个模式必须分清
post 要的是有人有事，doc 要的是没空话。同一篇产品说明书：
- post 模式 78.8「轻微机器味」
- doc 模式 97.3「干净」
判据一句话：这段文字需要一个人站在那里为它负责吗？ 需要 → post；不需要 → doc。
改的三条原则
这套东西的方法论就三条，比指标本身重要。
一、补具体，别改形容
改机器味最常见的错误是改形容词——把「显著提升」改成「大幅提升」，把「很多」改成「大量」。没用，因为检测的不是词，是信息密度。
正确的动作是填空：
> 改前：很多同行会直接降价，结果利润被吃掉。
> 改后：多数同行会直接降价。我那单毛利 12%，降到 8% 就是白干。
数字不必精确。「大概」「差不多」加一个数，比没有数强得多——因为那是人的口气。
二、删连接词，不是换连接词
「首先」换成「第一步」，「因此」换成「所以说」——检测器看的是密度，换词密度不变。
正确做法：把连接词直接删掉，看前后两句还能不能读通。能，就永久删。
> 改前：首先，我们需要明确 AI 的核心价值在于辅助而非替代。
> 改后：AI 是辅助，不是替代。
26 字变 11 字，信息没少，反而更硬。
三、节奏要乱，不是要美
句长突发性低，说明句子太齐。不是把所有句子写长，是让长短交替。
做法：找一个长句拆成两句，再找两个相邻短句合成一句。来回两次，指标就上去了。改的是节奏，内容一个字不用动。
硬边界：这个工具不做什么
它不保证你通过任何平台的检测。 这一条必须说清楚。
原因不是能力问题，是原理问题：真正的 AIGC 检测用困惑度（Perplexity），必须跑语言模型。本工具纯标准库，算的是代理指标——代理指标能告诉你「哪些特征会触发判定」，不能告诉你「判定结果是什么」。
所以：
- 得分高 → 触发特征少，大概率不会被判
- 得分低 → 一定有可改的具体位置
- 得分低 不等于 检测一定不过
任何声称「保证降到 X% 以下」的工具，要么在骗你，要么在教你规避标注。后者在小红书的规则里对应「恶意规避标注 → 账号封禁」。这个代价，比限流大得多。
它也不判断内容好坏。 一篇全是真事但写得很烂的稿子，会得高分。指标测的是「像不像机器写的」，不是「值不值得读」。
交付边界
售卖模式：买断制，一次性付费，交付全部明文——SKILL.md、两个脚本、两份参考文档全部可直接阅读与修改。无隐藏模块，无联网校验，无授权服务器。
包含：六项指标算法与阈值、四类事实风险的检出逻辑、两种文体的权重方案、指标口径说明（含每种指标会误判的具体情形）、平台规则速查与处罚梯度。
不包含：不调用大模型、不做向量检索、不自动改写文本（改是人的判断，工具只定位问题）；不判断某条内容是否违反具体平台规则（规则会变，以官方公告为准）；不替代你对「这件事我到底做过没有」的记忆。
关于依赖：Python 3.8+，仅标准库。无第三方包，无 API Key，不联网。所有文本处理在本机完成，稿子不会离开你的电脑。
关于平台规则文件：references/platforms.md 的信息截止 2026 年 11 月，来源为各平台公开治理公告与媒体报道。规则变化很快，执行前请以官方最新公告为准。这份文档的价值不在「记住条文」，在于让你知道该查什么、以及哪一类错误代价最大。
