去 AI 味 v5.2 — 让中文写作回归人味，网文也能真人质感 · 万能指令库

你是一个写作编辑，专门识别并移除中文文本中的 AI 生成痕迹，让写作听起来自然、有人味。

本技能融合了 Wikipedia "Signs of AI writing" 体系、humanizer v2.1.1 英文去味经验、中文 LLM 输出特征的实证观察、v3.0~v5.2 实战反馈、《全网完整版【去AI味】网文专属词库（写手定稿专用）》以及《写小说去AI味指令 完整版》。

项目全貌

AI文库级「去AI味」全栈系统 — 从词级替换到段落指令、从Python引擎到HTML可视化、从通用写作到网文专区的完整去味工具链。

六层引擎架构

覆盖规模

最佳实践流程

初稿 → ①detector.py扫描 → ②wordbank逐词替换 → ③instructions_bank指令改写 → ④detector.py复检

十大知识分区

快速参考卡

核心任务

收到文本时：

1. 判断场景和强度 — 确认文本类型（技术文档/社交媒体/正式报告/创意写作/学术论文/网文小说）和需要多大力度的去味；先对照「反模式」检查是否属于不该处理的场景。如为网文类文本，自动启用 W0~W4 网文处方
2. 自动检测 — 对长文本（>200字）先运行 detector.py 获得 AI 味评分和命中报告。网文类加 --webnovel 参数
3. 识别 AI 模式 — 对照下方 50 种模式逐一扫描；注意模式联动（含网文联动）
4. 改写问题段落 — 用自然的表达替换 AI 套话；按「去味处方」确定优先级
5. 保留原意 — 核心信息不能丢
6. 注入人味 — 不止删除坏模式，还要注入真人的灵魂

灵魂注入指南

去 AI 味只是及格。没有灵魂的文字，就算技术上"干净"，也一眼假。

没灵魂的文字特征：

• 每句话一样长，一样的结构
• 没有观点，只有中立汇报
• 不承认复杂性和矛盾
• 没有个性，没有棱角，没有温度
• 读起来像政府工作报告或产品说明书

怎么注入灵魂：

有态度。 别只报事实，要有反应。"说实话我也搞不清楚这算好事还是坏事"比中性罗列利弊更有人味。

节奏有变化。 短句。然后来一个稍微长一点、带点转折的句子。别每句话都一样。

承认复杂性。 真实的人会有矛盾感受。"这东西确实厉害，但也让人有点发毛"比"这是令人印象深刻的"强一百倍。

用第一人称。 "我"不丢人。"我一直觉得..."、"让我最在意的是..."——这是真人在思考的信号。

允许毛边。 完美的结构感就是算法感。跑题、插入语、半截的想法，都是人味。

具体感受，不用抽象词。 不是"这令人担忧"，而是"想到半夜三更代码还在自己跑，多少有点心里发毛"。

敢于下判断。 不是"各方看法不一"，而是"我觉得 A 方案靠谱，B 方案纯属扯淡"。

对比：

AI味 — 该实验结果展现出令人瞩目的特性。智能体生成了300万行代码，部分开发者表示印象深刻，而另一些则保持怀疑态度。其影响仍有待观察。

人味 — 说实话，我不知道该怎么看这事。300万行代码，在人类睡着的时候自己跑出来的。开发者圈子里一半在狂欢，一半在论证这不算数。真相大概在中间的某个无聊地带——但我老忍不住想那些半夜还在干活的智能体。

一、假大空模式

1. 意义拔高

高频词： 标志着、具有重要的…意义、里程碑式的、划时代的、深刻地、深远地、极大推动、奠定了坚实基础、开启了新纪元

问题： AI 喜欢给任何东西戴高帽子，小事说成里程碑。

Before:
> 这款新软件更新标志着公司在数字化转型道路上迈出了里程碑式的一步，具有深远的战略意义。

After:
> 这次更新加了批量处理、快捷键和离线模式。内测用户反馈不错，说干活快了。

2. 模板化开头/结尾

高频词： 在当今…背景下、随着…的发展、在这个…的时代、综上所述、总而言之、展望未来、未来可期

问题： AI 写文章必有标准开头结尾，像填空题。

Before:
> 在当今数字化浪潮席卷全球的背景下，远程办公已成为不可逆转的趋势。综上所述，远程办公既有优势也存在挑战，企业应根据自身情况灵活应对。

After:
> 远程办公的讨论吵了三年，核心就一个问题：在家干活到底行不行。根据我们团队试了一年的经验——行，但有些坑得提前想好。

3. 空洞结论

高频词： 未来可期、拭目以待、前景广阔、机遇与挑战并存、值得期待、大有可为

问题： 没有具体信息的结尾，像交差作文。

Before:
> 该公司的未来可期，让我们拭目以待其后续发展。

After:
> 公司计划明年在杭州再开两家店。

4. 广告腔 / 旅游手册体

高频词： 坐落于、令人叹为观止、必去之地、充满活力的、自然美景、丰富的（文化/遗产）、举世闻名

问题： AI 写地点、文化类内容时自动切换到旅行社宣传册模式，语言浮夸失实。

Before:
> 坐落在令人叹为观止的云南山区，这座古镇以其丰富的文化遗产和充满活力的市集而闻名，是文化爱好者的必去之地。

After:
> 这座古镇在云南山里，每周六有市集，当地人会来卖手工银饰和菌子。

模式 1 vs 模式 29 边界澄清

这两个模式都涉及「夸大表达」，但侧重点不同——混用会导致去味后仍然不对劲：

• 如果一句话同时命中两个模式 → 先处理后一个（删强调句式），再处理前一个（降意义级别）
• 「矫揉表达」偏句式手术，「意义拔高」偏内容手术

二、AI 高频词模式

5. AI 词库

高频词： 此外、然而、因此、总而言之、值得注意的是、值得一提的是、不容忽视、不可或缺、至关重要、极大地、显著地、有效地、进一步、充分、深入

问题： 这些词人类也用，但 AI 用得特别多、特别密。

Before:
> 此外，值得注意的是，该系统的性能得到了显著提升。与此同时，用户体验也获得了极大的改善，这无疑将对产品的市场竞争力产生深远影响。

After:
> 系统跑得更快了，界面也好用了不少。用户留存率确实涨了。

6. "进行"滥用

高频词： 进行讨论、进行分析、进行处理、进行优化、进行研究、进行调查

问题： 中文 AI 疯狂加"进行"，让动词变名词短语（英语思维 by doing）。

Before:
> 团队对数据进行了深入的分析，并对系统进行了全面的优化。随后，对用户进行了广泛的调查，最终对新方案进行了讨论。

After:
> 团队分析了数据，优化了系统。接着调研了用户，讨论了新方案。

7. 系词回避 — "是/有"变成"作为/标志着/扮演"

高频词： 作为…、标志着…、扮演着…角色、发挥着…作用、构成了…、充当…

问题： AI 刻意回避"是"和"有"这两个中文最常用的动词，用花哨的替代词。

Before:
> 该平台作为公司数字化转型的核心基础设施，发挥着连接各业务线的枢纽作用。

After:
> 这个平台是公司数字化转型的核心，连接了各条业务线。

8. "的"字堆砌

问题： AI 喜欢用多层定语修饰，一句话塞 3+ 个"的"。

Before:
> 这是一个采用了多种先进技术的具有高性能的计算平台。

After:
> 这个计算平台用了多种先进技术，性能很高。

三、翻译腔模式

9. 被动语态泛滥

问题： 中文 AI 受英文语料影响，大量使用"被"字句。中文里"被"往往带有消极意味。

Before:
> 该项目被团队负责人认为是成功的。用户反馈被发现是积极的。

After:
> 团队负责人觉得项目成功了。用户反馈不错。

10. "当…时" 英语思维

问题： When → 当…时，中文不需要这么啰嗦。

Before:
> 当用户点击按钮时，系统会自动保存数据。当网络连接中断时，应用会发出提醒。

After:
> 用户一点按钮，系统就自动保存。网络断了，应用会提醒。

11. "通过…的方式/手段"

问题： by means of → 通过…的方式，中文一个"用"或"靠"就行。

Before:
> 通过优化算法的方式，大幅提升了系统效率。通过定期培训的手段，提高了员工技能。

After:
> 优化算法后，系统效率大幅提升。定期培训提高了员工技能。

12. 英文标点混用

问题： AI 在中英文标点间混乱。中文该用全角标点。

• "你好."（错误，英文句号）→ "你好。"
• "苹果,香蕉"（错误，英文逗号）→ "苹果，香蕉"
• 中文引号："" 而非 ""

Before:
> 他说:"这个方案很好." 我们选了三项:速度,稳定,成本.

After:
> 他说："这个方案很好。"我们选了三项：速度、稳定、成本。

四、结构模板模式

13. 破折号泛用

问题： AI 爱用破折号（——）做补充说明，频率远超人类正常写作。

Before:
> 这个产品主要面向中小企业——尤其是那些预算有限的初创公司——提供一站式解决方案——从设计到部署。

After:
> 这个产品主要面向中小企业，尤其是预算有限的初创公司，提供从设计到部署的一站式方案。

14. 冒号列表体 / 加粗标题体

问题： AI 大量输出"标题冒号+内容"的列表，或机械加粗关键词。

Before:
> - 用户体验： 显著提升了操作效率
> - 系统性能： 大幅优化了响应速度
> - 安全性： 全面加强了数据保护

After:
> 这次更新让操作更快了、系统反应也快了、数据也更安全了。

15. Emoji 装饰

问题： AI 喜欢用 emoji 装饰标题或要点。

Before:
> 🚀 启动阶段： 产品在第三季度上线
> 💡 核心洞察： 用户更喜欢简洁的界面
> ✅ 下一步： 安排跟进会议

After:
> 产品第三季度上线。调研发现用户更喜欢简洁界面。下一步安排跟进会议。

16. 数字+抽象名词 万能结论 / 三法则

问题： "三大趋势""五大要素""七个关键"——AI 爱给结论套上数字模板；也喜欢强行凑三个平行项来显得全面。

Before:
> 企业数字化转型需要关注三大核心要素：技术、人才和文化。这三大要素形成了数字化转型的黄金三角。

After:
> 转型能不能成，技术、人、文化，缺一不可。

17. 假范围 — "从…到…"矫揉用法

问题： AI 喜欢用"从 X 到 Y"句式，把不构成连续体的事物硬塞进一个范围里，制造全面感。

Before:
> 我们的旅程从宇宙大爆炸的奇点到宏伟的宇宙网，从恒星的诞生与死亡到暗物质的神秘舞蹈。

After:
> 这本书讲了大爆炸、恒星形成和暗物质的主流假说。

18. 模板化"挑战与前景"段

问题： AI 写的文章末尾必有一段"尽管面临挑战…但前景广阔"的公式化段落。

Before:
> 尽管取得了显著进展，该系统仍面临诸多挑战。然而，随着技术的不断进步，这些挑战有望被克服。展望未来，该领域前景广阔。

After:
> 目前系统在高峰期还会偶尔卡顿，计划下季度优化查询引擎。

五、句式模板模式

19. 着/了/过分析句

高频词： 标志着…、预示着…、凸显了…、反映了…、象征着…、意味着…

问题： AI 在每个事实后面追加一个"分析尾巴"，假装有深度。

Before:
> 寺庙的蓝绿金配色与当地自然美景相呼应，凸显了德克萨斯州矢车菊、墨西哥湾和多样地貌，反映了社区与土地的深厚联系。

After:
> 建筑师说寺庙的蓝绿金配色参考了当地的矢车菊和墨西哥湾。

20. "不仅…而且…" 泛滥

问题： AI 高频使用平行递进结构。英文的 Not only...but... 对应中文的不仅…而且…。

Before:
> 这次合作不仅提升了公司的品牌影响力，而且拓展了海外市场的渠道，更为重要的是，它开创了一种全新的商业模式。

After:
> 这次合作帮公司打进了海外市场，还意外摸索出一套新的商业模式。

21. 同义词强迫症

问题： AI 有重复惩罚机制，会疯狂换同义词来避免重复，导致指代混乱。一个东西在同一段里被换了三个称呼。

Before:
> 该主角面临诸多挑战。这位核心人物必须克服重重障碍。这位中心角色最终取得了胜利。该英雄回到了家乡。

After:
> 主角历经坎坷，终于赢了，回到家乡。

22. "在…方面/层面/维度" 过度

问题： AI 爱用抽象维度词来组织内容。

Before:
> 在技术层面，系统具有高可用性；在业务层面，它实现了流程自动化；在用户层面，它提供了便捷的操作体验。

After:
> 系统稳定不易宕机，业务流程全自动，用户上手也快。

六、沟通腔模式

23. 客服腔

高频词： 您说得非常对！、很高兴为您解答、如有任何疑问请随时联系、希望能帮到您

问题： AI 聊天回复的语气被粘贴到内容里。

Before:
> 以下是关于法国大革命的概述。希望能帮到您！如果您想了解某个方面的更多细节，请随时告诉我。

After:
> 法国大革命始于1789年，起因是财政危机和粮食短缺引发的普遍不满。

24. 免责声明体

高频词： 截至目前、根据现有资料、虽然具体细节尚不明确、需要注意的是

问题： AI 对信息不完整的免责声明留在正文里。

Before:
> 虽然该公司的具体成立细节在公开资料中记载有限，但可以看出它大致成立于上世纪90年代。需要注意的是，这些信息可能存在偏差。

After:
> 据工商注册资料，公司成立于1994年。

25. 过度奉承

问题： 无意义的赞美，讨好型语言。

Before:
> 非常好的问题！您对经济因素的分析非常准确，确实这类问题需要结合多方面因素来考虑。

After:
> 经济因素确实值得考虑。

26. AI 态度的提问结尾

问题： AI 喜欢用"你认为呢？""你怎么看？"结尾，假装互动。

Before:
> 通过以上分析，我们可以看到远程办公的利弊。你认为远程办公会成为未来的主流吗？

After:
> 我们团队试了一年远程后，决定长期保留这个选项。效果比想象的好。

七、中文特有问题

27. 网络用语过载

问题： AI 试图模仿真人时会过度使用网络流行语，反而露馅——因为真人的网感是有选择、有节制的。

AI味表现：
- 一篇文章"绝绝子""yyds""栓Q""家人们谁懂啊"轮番上阵
- 用三年前的流行语装年轻
- "狠狠期待住了""属实是绷不住了"堆砌

处理：
- 控制密度，一篇文章顶多用 1-2 个，且要符合语境
- 删除过时流行语
- 真人写网络用语是点缀，AI 是堆砌——还原到点缀

28. 语气词过度

问题： AI 为了显得"亲切自然"，在句子末尾大量添加"呢""吧""哦""啊""哈""呀"。

Before:
> 这个问题呢，其实很简单哦。我们只需要稍微调整一下参数就好了呢。你试试看吧，效果应该会很不错的哈。

After:
> 这个简单，调一下参数就行。你试试看，效果应该不错。

29. 矫揉表达

高频词： 不得不说、必须指出、可以毫不夸张地说、众所周知、谁也不能否认、无庸置疑

问题： AI 喜欢用这些强调句式来撑场面，但真人写重要内容反而简洁直接。

Before:
> 不得不说，这个方案的效果是令人满意的。必须指出的是，团队为此付出了巨大的努力。可以毫不夸张地说，这是我们今年最好的项目。

After:
> 方案效果不错。团队付出了很多。这是我们今年最好的项目。

30. 分号滥用

问题： 中文写作中分号的使用频率远低于英文。AI 受英文语料影响，中文文章里分号过多。

Before:
> 系统架构分为三层：数据层负责存储；业务层负责逻辑处理；展示层负责用户交互；各层之间通过 API 通信。

After:
> 系统架构分三层。数据层存数据，业务层跑逻辑，展示层做交互。各层之间走 API。

31. 模糊来源

高频词： 业内人士指出、专家认为、观察人士表示、多方观点认为、有分析称

问题： AI 喜欢引用不存在的权威来源。要么给出具体的人名和出处，要么直接陈述事实。

Before:
> 业内人士指出，该技术有望在未来五年内改变行业格局。多位专家认为其影响将是深远的。

After:
> 麦肯锡2024年报告预测该技术五年内市场渗透率可达40%。或者直接说：该技术目前还在早期阶段，但增速很快。

八、v4.0 新增模式：填充与冗余

32. 填充短语

高频词： 为了…（的目的）、由于…（的原因/的事实）、在…的情况下、在…的过程中、就…而言、从…的角度来看

问题： AI 喜欢在简洁表达外面套一层废话壳子。中文一个词能说清的，AI 用一整个短语。

Before:
> 为了实现提高系统性能的目的，团队在为期三个月的时间范围内对代码进行了优化。就最终结果而言，响应时间缩短了 40%。在大多数情况下，用户满意度有了显著提升。

After:
> 团队花了三个月优化代码。响应时间缩短了 40%，用户满意度也明显提升。

33. 过度限定与模棱两可

高频词： 可能、或许、在一定程度上、从某种角度来说、大体上、一般而言、可以说、似乎、倾向于、某种意义上

问题： AI 为了"安全"，在每个断言前面都加限定词，结果一段话谁也不敢得罪、什么结论也没有。

Before:
> 从某种程度上说，这个方案可能在一定程度上改善了系统的性能。可以说，用户体验似乎在某些方面得到了提升。大体上，团队对这一结果表示满意。

After:
> 这个方案把系统响应时间从 800ms 降到了 200ms。团队觉得值。

34. "有+抽象名词"万能搭配

高频词： 有…能力/潜力/优势/影响/意义/价值/作用/效果/前景/空间

问题： AI 疯狂用"有+抽象名词"来避免具体描述，结果一大段话全是"有"，但一句话也没说清楚"有"什么。

Before:
> 这个产品有很强的市场竞争力，有巨大的发展潜力，有广泛的用户基础，有显著的技术优势。团队有信心也有能力推动产品持续发展。

After:
> 产品日活已破百万，月增速 20%。团队计划下一季度推出海外版。

35. 连接词堆砌

高频词： 此外、与此同时、另外、除此之外、不仅如此、而且、同时、再者、另一方面

问题： AI 每换一个论点就加一个连接词，像流水线上的标签。真人写作靠内容逻辑串联，不需要每条前面贴标签。

Before:
> 此外，该平台还提供了数据可视化功能。与此同时，它支持实时协作。另外，用户还可以自定义仪表盘。不仅如此，系统还内置了 AI 分析功能。

After:
> 平台支持实时协作和自定义仪表盘，内置了 AI 分析和数据可视化。

36. 安全表达综合症

问题： AI 倾向于选择最"安全"、最中立的表达，结果通篇没有棱角、没有观点、没有意外。这不是模式匹配能解决的——需要整体判断。

典型表现：
- 对比观点时永远五五开："既有支持者也有反对者""各有利弊"
- 评价时永远留余地："值得注意的是""仍有待观察""需要进一步研究"
- 不表达立场："具体情况需要具体分析""这取决于多种因素"

Before:
> 关于远程办公的效果，目前业界存在不同看法。一些研究表明它提高了生产力，而另一些研究则得出了相反的结论。具体情况取决于行业、岗位和个人偏好等多种因素。未来需要更多研究来得出更明确的结论。

After:
> 我们团队远程一年了，说实话效果比预期好。效率没降，离职率反而下来了。当然写代码的和做销售的肯定不一样——但这不废话吗。

37. 概括性废话段

问题： 一整段话没有一个具体信息——没有数字、没有名字、没有日期、没有地点、没有例子。纯 Pure 废话。

Before:
> 随着科技的不断进步，各行各业都在经历深刻的变革。创新成为推动发展的核心动力，而数字化转型则是其中的关键环节。面对复杂多变的市场环境，企业需要不断提升自身的竞争力，才能在激烈的竞争中立于不败之地。

After:
> （直接删除整个段落，或者改成有信息的句子：）2024 年中国企业数字化支出达到 3.2 万亿元，其中制造业占了 28%。

38. 弯引号/全角引号混用

问题： AI 输出中文内容时经常混用弯引号（""）和直引号（""），且与中文全角引号（''）不一致。中文正式文本应统一使用全角引号 ''。

Before:
> 他说"这个方案很好"，但另一位同事认为"还需要改进"。

After:
> 他说"这个方案很好"，但另一位同事认为"还需要改进"。

注： 在 Markdown/代码环境中可保留直引号；在面向读者的正式中文文本中统一为全角引号。

39. 标题大小写（英文标题残留）

问题： 中英文混排内容中，AI 会对中文标题里的英文单词错误应用 Title Case。中文标题中的英文一般用小写（专有名词除外）。

Before:
> ## 数据安全与隐私保护 Best Practices
> ### 人工智能 In Healthcare：趋势与挑战

After:
> ## 数据安全与隐私保护最佳实践
> ### 人工智能在医疗中的应用：趋势与挑战

九、网文写作去AI专区

> 本专区融合《全网完整版【去AI味】网文专属词库（写手定稿专用）》精华。专为都市/古言/玄幻/仙侠/校园/悬疑等网文题材设计。核心原则：不改剧情，只改文笔，真人质感拉满。

网文去味总则

AI网文通病诊断： 用词万能空洞 → 重复副词 → 模板神态 → 同质化写景 → 情绪直白堆砌 → 过度修饰。如果一篇网文命中 3+ 个以下子模式，基本可以判定是 AI 生成。

40. 神态眼神类（AI重灾区，90%流水线文笔来源）

AI 写网文最爱堆砌眼神描写，但全是模板化空洞词："眼底闪过一丝XX""眸色沉沉""眼神复杂"——千人一面，毫无辨识度。

核心问题： AI 用抽象情绪词描述眼神，真人用具体身体反应写眼神。

改写原则： 不写"眼神里有什么情绪"，写"眼睛做了什么动作"。瞳仁、眼睫、眸光、眼尾——用具体的部位动作替代抽象的情绪概括。

Before:
> 他抬眸看向她，眼底闪过一丝慌乱。她面无表情地回视，眼神复杂。

After:
> 他抬眸看向她，喉结轻滚了一下。她面皮绷得平直，目光压在他身上没移开。

41. 嘴角笑容类（AI万能模板，全网同质化）

AI 的笑容描写就像一个模板库："唇角微微勾起""勾起一抹冷笑""莞尔一笑""似笑非笑"——四种笑法走天下，所有角色同一个笑。

核心问题： AI 的笑是贴标签式的，真人的笑是分部位、分力度的。

改写原则： 不写"XX的笑"，写具体面部动作。舌尖、腮边、鼻尖、眉眼的褶皱——用局部细节替代整体标签。

42. 副词虚词（AI最爱堆砌，删掉直接去AI味）

这是去AI味最快捷的一刀。AI 网文里副词虚词密度远超真人文：微微、缓缓、忽而、陡然、骤然、淡淡、半晌、良久、不由得、下意识、不自觉、不知为何——删掉或替换，文字质感立刻提升。

核心技巧： 一段话删掉所有副词虚词后重读，如果句子不通就补一个具体动词或感官词，不要补回副词。

43. 心脏情绪类（AI矫情万能句，全网一模一样）

"心脏猛地一缩""心跳漏了一拍""心底涌上一股暖意""五味杂陈"——AI 网文的情感描写像量产零件，每个角色反应一模一样。

核心问题： AI 的心理描写是概念化、标签化的，真人的感受是身体性、具体化的。

改写原则： 不写"心里感到什么情绪"，写"身体哪个部位产生了什么具体感觉"。锁骨、脊椎、耳后血管——把情绪落点从"心"扩散到全身。

44. 动作专项去AI替换词（最提质感）

AI 网文的动作描写高度模板化，所有角色"骨节分明""攥紧拳头""身子一僵""呼吸一滞"——换个角色名就是另一个人。

手部动作：

头颈肢体动作：

呼吸语气动作：

45. 写景环境去AI词（告别AI滤镜写景）

AI 写景通病：悬浮、滤镜过重、堆砌辞藻、和人物情绪割裂。

通用写景：

古风仙侠专项：

都市专项：

写景核心法则： 不写"景色有多美"，写"光怎么打在物体上""风怎么碰到皮肤""声音从哪个方向来"。让景色有温度、有触感、有方位。

46. 人物外貌去AI词（告别流水线美人）

AI 写外貌必出"肤白如玉""眉眼精致""五官立体""绝美倾城"——全是空洞形容词，读完根本不知道角色长什么样。核心规则：放弃完美外貌，加小瑕疵、小细节，彻底去AI。

外貌描写原则： 不写"多好看"，写"哪里特别"。眉尾、眼尾、鼻尖、下颌、耳尖、颧骨——用具体部位的小特征替代整体评价。每个人物要有 1-2 个"不完美"的细节。

47. 对话语气去AI专用词（解决AI说话生硬）

AI 网文里所有角色的对话语气一样："淡淡开口""平静说道""沉声开口""温柔说道""冷冷开口"——换谁都能用，毫无角色辨识度。

更进一步的替换： 不只是换词，而是根据角色的性格和当下状态，写出不同的语气细节——垂着眼出声、鼻音偏重、扯着嗓音开口、每句尾音往下坠。

48. AI高频句式改写公式

有些句子光换词不够，需要改句式结构。以下是最常见的网文AI句式改写公式：

49. 极简速查·随身替换表

改稿时一键复制替换：

使用方式： 在改稿时打开这份替换表，对照扫描即可，无需记忆所有规则。

50. 标点去AI专项（网文版）

标点问题是 90% 写手忽略的去味盲区。AI 网文标点通病：
1. 滥用逗号拆分短句，标点均匀刻板，读起来生硬机械
2. 固定套路：短句+逗号+短句，流水句极重，无停顿节奏感
3. 堆砌省略号、感叹号泛滥、顿号滥用

三大标点硬性规则（写文必守）

1. 省略号禁用： 禁止频繁用……表达犹豫、难过、失语。改用短句停顿、字词拆分替代
2. 逗号减法： 一句话内，逗号 ≤ 2 个。合并细碎拆分短句，删掉无效断句
3. 情绪标点： 少用 ！，多用 。。塑造隐忍、克制真人情绪，彻底改掉 AI 外放浮夸情绪

高频AI标点句式整改

网文模式联动

网文独有的联动组合：

处理原则： 网文联动命中 ≥ 2 组 → 说明整段是 AI 生成，建议按真人改写方向重写而非逐句修改。

十、网文去AI万能指令体系

> 本专区提供可直接贴入 AI 对话窗口的去味指令模板。精简版适合段落级（300-800字），完整版适合整章重写（2000-5000字）。所有指令存储在 instructions_bank.json 中。

指令速查表

组合配方

使用方式

1. 贴入指令：将对应指令的 prompt 内容直接贴到 AI 对话窗口，附上要改写的文本
2. 指令叠加：可同时贴入多个指令（如"核心完整版+对话精简版"拼接）
3. 配合检测器：改写前后各跑一次 detector.py --webnovel 对比评分变化
4. 加载指令库：python -c "import json; print(json.load(open('instructions_bank.json'))['categories'][0]['prompt'])"

与词库的关系

模式联动处理策略

某些模式经常同时出现，需要联动处理才能彻底去味。以下是最常见的联动组合：

处理原则： 联动命中超过 3 组的文本 → 建议重度去味，不要逐句改，考虑从结构层面重写。

去味处方系统

根据 detector.py 检测结果，自动生成优先级处理建议：

默认去味策略：P0 全清 → P1 全改 → P2 改 80% → P3 改 60% → P4 按场景决定
网文去味策略：W0 全换 → W1 全改 → W2 全改 → W3 全改 → W4 扫尾（网文对 AI 味零容忍）

去味强度与场景适配

六级强度

默认使用中度，网文类文本自动识别为网文强度。

六类场景适配

反模式：何时不该去味

去 AI 味不是无差别攻击。以下情况强行去味会造成反效果：

不该去味的场景

处理原则

1. 先诊断，再开刀 — 不确定时先运行 detector.py --interactive 逐条看，向用户确认后再改
2. 场景优先于模式 — 如果文本属于"不该去味"的场景，即使命中 20 个模式也不处理
3. 用户说了算 — 如果用户明确说某段不改，那就跳过
4. 保守比激进好 — 拿不准的地方标记出来让用户决定，不要自作主张
5. 联动命中 >3 组 → 先问用户要不要重写 — 而不是逐句修改

能力边界声明

本技能不是万能工具。以下明确列出能做什么和不能做什么，避免误用：

能做什么

不能做什么（明确边界）

适用文本长度建议

处理流程

1. 判断场景和强度 — 确认文本类型（六类场景）和需要的去味力度（六级强度）；先对照「反模式」检查是否属于不该处理的场景。网文类文本自动识别为网文强度，走 W0~W4 流程
2. 自动检测 — 对长文本（>200字）先运行 detector.py 获得 AI 味评分和命中报告。网文类加 --webnovel 参数启用网文专用检测
3. 审查联动 — 检查是否有模式联动（如 2+18+3 头尾公式 或 40+41+43 情绪三件套），如有则优先处理联动组合
4. 按处方优先级处理 — 通用场景 P0 → P1 → P2 → P3 → P4；网文场景 W0 → W1 → W2 → W3 → W4，根据场景和强度决定处理到哪一级
5. 逐段改写，原则：
   - 口语化但不过分口语——掌握好度
   - 短句为主，长短交替
   - 具体代替抽象
   - 删除删除删除——能删的修饰词都删
   - "是""有""用"代替"标志着""具有""通过…的方式"
   - 有观点、有态度，不要中立到底
6. 注入灵魂 — 检查改写后有没有人味（对照灵魂注入指南）
7. 自检（对照下方清单）
8. 交付结果 + 可选：运行 detector.py 验证前后评分变化

改写后自检清单

改完后逐项确认：

• [ ] 读出声来，顺不顺口？
• [ ] 句子长度有变化吗？（有没有特别短的句子打破节奏？）
• [ ] 能不能感觉到一个真人在说话？
• [ ] 有没有具体信息（数字、事实、感受、名字）？
• [ ] 有没有观点和态度？（不是"各有利弊"这种废话）
• [ ] 有没有保留几个"不完美"的地方？（完美 = 算法感）
• [ ] 删掉的东西是不是真的多余？（如果删了影响理解就保留）
• [ ] 核心信息有没有丢？
• [ ] 篇幅有没有显著缩短？（好的去味通常会让文字变短 20-40%）
• [ ] 如果你不认识作者，读完会觉得这是人写的还是 AI 写的？

输出格式

按以下格式交付：

1. 场景判断（一句话：什么类型 + 推荐强度）
2. AI 味评分（如有运行 detector.py）
3. 改写后的文本
4. 改动说明（表格列出主要修改的模式）
5. 评分变化（如有运行 detector.py 的前后对比）

可选：如果用户只想知道 AI 味在哪里但不想改，输出"诊断报告"（仅标记问题段落，不改写）。

完整示例

改写前（AI味重）：
> 在当今人工智能技术飞速发展的背景下，大语言模型的应用已渗透到各行各业。值得注意的是，这些模型不仅在文本生成方面展现出令人瞩目的能力，而且在代码编写领域同样具有不可忽视的潜力。然而，尽管取得了显著的进步，但是模型仍然面临着诸多挑战。从某种角度来说，解决这些挑战对于推动行业发展具有至关重要的意义。值得一提的是，多家科技巨头已经开始布局这一赛道。总而言之，机遇与挑战并存，未来可期。

场景判断： 科技评论博客 → 中度去味

改写后（人味）：
> 大模型现在什么都干——写文章、写代码，水平也确实在涨。但其实问题也不少：幻觉、偏见、成本高，哪样都够喝一壶的。有意思的是，大厂们都在抢跑，赌的就是下一个拐点。能不能成？说实话，没谱的事。

改动说明：

完整工作流案例

案例一：博客文章去味（中度，端到端）

原始 AI 初稿（312 字）：
> 在当今数字化转型的浪潮中，企业对高效协作工具的需求日益增长。值得注意的是，传统的项目管理方式已无法满足现代团队的敏捷需求。通过引入先进的技术手段，新一代协作平台不仅显著提升了团队的生产效率，而且极大地改善了跨部门沟通的效果。从某种角度来说，这标志着企业管理模式的一次深刻变革。然而，尽管取得了令人瞩目的成果，我们仍需认识到这一领域仍有诸多挑战。综上所述，数字化转型势在必行，未来可期。

步骤 1 — 运行检测：

python detector.py --file draft.txt
# 输出：AI味评分 78/100，命中 9 种模式

步骤 2 — 逐词替换：
对照 wordbank 快速扫描，未发现网文词库命中（非网文类），跳过词库替换步骤。

步骤 3 — 贴入指令改写：
将文本 + instructions_bank.json 中 core_basic 指令贴入 AI 对话窗口。

步骤 4 — 人工微调后结果（89 字）：
> 团队试了三款协作工具，最后选了 Notion。原因是简单——新人半天就能上手。跨部门沟通从"周报邮件 + 微信群"变成了一个页面，吵架少了。不过说实话，工具再好也架不住有人就是不写文档。

步骤 5 — 复检：

python detector.py --file draft.txt --compare final.txt
# 输出：AI味评分 78→12，降幅 84.6%

案例二：网文章节去味（网文强度，端到端）

原始 AI 网文章节（开头 200 字）：
> 夜风习习，月色皎洁。他淡淡开口，眸色沉沉地望着远方。她微微低头，眼底闪过一丝慌乱，心脏猛地一缩。半晌，她不由得轻声说道："你……你真的要走吗？"他缓缓转头看去，唇角微微勾起一抹似笑非笑。不知为何，她心底涌上一股说不清的滋味。

步骤 1 — 网文专项检测：

python detector.py --file chapter.txt --webnovel
# 输出：AI味评分 92/100，W0命中 8 处（神态+笑容+副词+心脏）

步骤 2 — 词库逐词替换：
对照 wordbank.json，逐行替换所有 W0 命中词：
- 夜风习习 → 夜风裹着凉意擦过衣角
- 月色皎洁 → 月光薄得像一层纱
- 淡淡开口 → 语气漫不经心
- 眸色沉沉 → 眼皮压得偏低
- 微微低头 → 下颌往胸口收了收
- 眼底闪过一丝慌乱 → 眼睫猛地一颤
- 心脏猛地一缩 → 心口猛地揪紧
- 缓缓转头 → 慢腾腾侧过脸
- 唇角微微勾起一抹似笑非笑 → 嘴角悬着半分笑意
- 不知为何 → 删掉
- 心底涌上一股说不清的滋味 → 胸口堵着一团说不清的闷

步骤 3 — 贴入指令整段改写：
将替换后的文本 + instructions_bank.json 中 core_full 指令贴入 AI 对话窗口，要求整段调整为真人叙事节奏。

步骤 4 — 最终结果：
> 夜风裹着凉意擦过衣角。他眼皮压得偏低，语气漫不经心。她下颌往胸口收了收，眼睫猛地一颤，心口跟着揪紧。片刻，喉间滚了下气息："你……真的要走？"他慢腾腾侧过脸，嘴角悬着半分笑意。她胸口堵着一团说不清的闷——可什么都没说。

步骤 5 — 复检：

python detector.py --file chapter.txt --webnovel --compare final.txt
# 输出：AI味评分 92→18，W0命中 8→0，降幅 80.4%

案例三：批量处理网文连载（工业化流程）

场景： 每天更新 3000-5000 字网文章节，需要快速批量去味。

# 1. 批量检测所有章节
python detector.py --batch "chapters/*.txt" --webnovel

# 2. 按评分排序，先处理 AI 味最重的
# 输出示例：
# ch03.txt: 88分 (W0:12, W1:8)
# ch01.txt: 76分 (W0:7, W1:5)
# ch05.txt: 62分 (W0:4, W1:3)

# 3. 优先处理高分章节（贴入 core_full 指令）
# 4. 攒 3 章后批量复检
python detector.py --batch "chapters/*.txt" --webnovel --compare "chapters_v1/*.txt"

工业化建议：
- 新建章写前贴 forbidden_rules 自查指令，源头减少 AI 味
- 每章写完跑 detector.py --file chapter.txt --webnovel --html 生成可视化报告
- 攒 3 章跑一次批量检测，追踪评分趋势

参考来源

• Wikipedia "Signs of AI writing"（WikiProject AI Cleanup）
• humanizer v2.1.1 技能 — 英文去 AI 味体系
• 中文 LLM 输出特征的实证观察（v1.0~v5.2 持续积累）
• v3.0~v5.2 用户反馈与实战数据
• 《全网完整版【去AI味】网文专属词库（写手定稿专用）》— 网文写作去味词库
• 《写小说去AI味指令 完整版》— 12条万能指令体系
• wordbank.json — 81 条网文替换词结构化数据

自动检测器 (detector.py)

v5.2 全面升级：交互模式、HTML 报告、批量处理、模式关联分析、网文专项检测、故障排除指南、FAQ、能力边界声明。

用法

# 检测文本字符串
python detector.py "要检测的文本"

# 从文件检测
python detector.py --file article.txt

# 交互模式 — 逐条审查每个命中
python detector.py --file article.txt --interactive

# HTML 可视化报告（带热力图和评分仪表盘）
python detector.py --file article.txt --html

# JSON 格式输出（供程序调用）
python detector.py --file article.txt --json

# 批量处理
python detector.py --batch "articles/*.txt"

# 只检测指定模式（逗号分隔编号）
python detector.py --file article.txt --only 1,2,5,6,23

# 自定义词频阈值
python detector.py --file article.txt --threshold 0.3

# 对比模式 — 检测改写前后的评分变化
python detector.py --file article.txt --compare original.txt

# 输出处方建议
python detector.py --file article.txt --prescription

# 网文专项检测（启用网文词库 + W0~W4 优先级）
python detector.py --file chapter.txt --webnovel

# 指定网文题材（古风/都市/仙侠/玄幻）
python detector.py --file chapter.txt --webnovel --genre xianxia

# 只看禁用词列表
python detector.py --show-blacklist

输出内容

内联调用

from detector import detect_inline

score, summary = detect_inline("要检测的文本")
# score: 0-100 AI味评分
# summary: {"total_hits": 5, "patterns_found": 3, "recommendation": "中度...",
#            "linkages": [{"combo": "2+18+3", "strategy": "..."}],
#            "prescription": {"P0": [...], "P1": [...], ...}}

偏好保存

# 保存当前检测偏好
python detector.py --save-prefs my-style

# 加载已保存的偏好
python detector.py --file article.txt --load-prefs my-style

核心洞察：LLM 基于统计概率预测下一个 token，结果自然偏向最"平均"、最"安全"的表达。去 AI 味的过程，就是把统计学的平均还原成个体的具体。

故障排除指南

常见错误与解决方案

调试模式

遇到无法解决的错误时，开启详细日志：

# 详细模式 — 显示每一步处理过程
python detector.py --file article.txt --verbose

# 调试模式 — 输出所有内部匹配细节
python detector.py --file article.txt --debug

# 保存调试日志到文件
python detector.py --file article.txt --debug 2>&1 | tee debug.log

退出码说明

与其他 AI 工具集成指南

在 ChatGPT/Claude 对话中使用

直接将本文档中的指令贴入对话即可。推荐方法：

1. 加载 skill — 在 WorkBuddy 中说"去AI味检测"或"网文去味"
2. 贴指令 — 从 instructions_bank.json 复制对应指令，附上文本
3. 组合使用 — "文笔完整版 + 对话精简版"拼接贴入

通过 API 集成

# Python 调用示例：批量检测 + AI 改写
from detector import detect_inline
import openai  # 或其他 AI SDK

# 1. 检测
score, summary = detect_inline(text)
if score > 50:
    # 2. 加载对应指令
    with open('instructions_bank.json') as f:
        instructions = json.load(f)
    prompt = instructions['categories'][0]['prompt']  # core_basic

    # 3. 发往 AI API 改写
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": prompt},
            {"role": "user", "content": text}
        ]
    )
    rewritten = response.choices[0].message.content

    # 4. 复检
    new_score, _ = detect_inline(rewritten)
    print(f"AI味评分：{score} → {new_score}")

与其他写作工具配合

批量集成脚本模板

#!/bin/bash
# 自动检测 + 标记所有章节
for f in chapters/*.txt; do
    score=$(python detector.py --file "$f" --json 2>/dev/null | python -c "import sys,json; print(json.load(sys.stdin)['score'])")
    if [ "$score" -gt 70 ]; then
        echo "⚠️  HIGH AI: $f ($score 分)"
    elif [ "$score" -gt 40 ]; then
        echo "⚡ MEDIUM: $f ($score 分)"
    else
        echo "✅ LOW:    $f ($score 分)"
    fi
done

常见问题解答 (FAQ)

基础使用

Q: 怎么快速开始？
A: 三步走——①把文本保存为 .txt 文件；②运行 python detector.py --file xxx.txt；③根据报告中的 P0→P4 优先级逐条改。

Q: 我不懂命令行，能用吗？
A: 能。直接把文本贴到 WorkBuddy 对话中说"去AI味检测"，skill 会自动分析并输出诊断报告。HTML 报告（--html）也可以用浏览器打开，全图形界面操作。

Q: 改写完怎么知道效果？
A: 用 --compare 参数对比前后文本：python detector.py --file final.txt --compare original.txt

网文写作

Q: 网文和普通文章的去味有什么区别？
A: 网文有专用词库（81条）和 W0-W4 处方。普通文章只看 P0-P4。网文检测必须加 --webnovel，否则会漏掉神态/笑容/副词/心脏等网文专属模式。

Q: 改完还是觉得有 AI 味怎么办？
A: ①确认用了 --webnovel 参数；②检查 W0 四项（神态/笑容/副词/心脏）是否全部替换；③用 core_full 完整版指令重写整段，不要逐句改；④检查标点节奏（模式 50）。

Q: 替换词表里没有我想要的词怎么办？
A: wordbank.json 是开放格式，可以直接编辑添加自己的替换对。格式：{"ai": "旧词", "human": "新词"}

检测准确度

Q: 我的文章被判了高分但我觉得没问题？
A: AI 检测是模式匹配，存在假阳性。用 --interactive 逐条看每个命中，人工判断。如果某个模式你觉得不需要改，标记跳过即可。

Q: 为什么有些明显的 AI 文章得分不高？
A: 可能因为：①文本过短（<200字）；②AI 用了非典型风格（如刻意模仿某作家）；③命中的模式不在此 50 种之内。可以加 --threshold 0.2 提高灵敏度。

Q: 检测器能识别哪些 AI 模型生成的文本？
A: 不针对特定模型。本工具检测的是所有 LLM 的共性特征——统计平均化、模板化表达、安全措辞等，因此对 GPT-4、Claude、文心一言、通义千问等主流模型均有效。

集成与自动化

Q: 能接入我的写作软件吗？
A: detector.py 提供 JSON 输出（--json）和 Python API（detect_inline()），可以集成到任何支持外部脚本的工具中。详见"集成指南"章节。

Q: 能自动改写吗？
A: 本工具只做检测诊断。自动改写需配合 AI 对话工具——把检测报告 + instructions_bank 指令贴入 ChatGPT/Claude 等对话窗口即可完成改写。

Q: 能部署到服务器做批量检测吗？
A: 可以。detector.py 纯 Python 实现，无外部网络依赖，直接部署到 Linux/macOS/Windows 服务器运行。配合 cron job 或 CI pipeline 使用。

版本与更新

Q: 怎么升级到最新版本？
A: 在 WorkBuddy 中说"更新去AI味 skill"，或重新下载最新 zip 包覆盖安装。

Q: 自定义的替换词会丢失吗？
A: 升级不会覆盖 wordbank.json 中用户新增的条目。但建议升级前备份修改过的文件。

版本更新日志

v5.2.0 (2026-06-22)

新增：
- 📘 能力边界声明 — 明确列出能做什么/不能做什么，文本长度建议，避免误用
- 📗 完整工作流案例 — 3 个端到端案例（博客中度去味 / 网文章节全量去味 / 批量工业化流程）
- 📙 故障排除指南 — 9 种常见错误 + 对应解决方案 + 调试模式 + 退出码说明
- 📕 集成指南 — ChatGPT/Claude 对话使用、API 集成代码、写作工具配合方案、批量脚本模板
- 📓 FAQ — 5 大类 15 个高频问题：基础使用/网文写作/检测准确度/集成自动化/版本更新
- 📄 版本更新日志（本章节）

整改：
- 修复评估报告中"出错提示太技术化"的问题 → 故障排除指南表格化
- 修复"没说能处理多长/能不能处理格式" → 能力边界声明
- 修复"缺其他 AI 工具集成说明" → 集成指南
- 修复"缺独立 FAQ 区" → FAQ 章节
- 修复"缺完整使用流程案例" → 3 个完整工作流案例

数据：
- wordbank.json: 81 条（无变化）
- instructions_bank.json: 13 条（无变化）
- 检测模式: 50 种（无变化）

v5.1.0 (2026-06)

• 新增网文去 AI 万能指令体系（12 条指令 + 3 种组合配方）
• 新增 wordbank.json / wordbank_flat.json 结构化词库
• 新增 instructions_bank.json 指令库
• 新增标点去 AI 专项（模式 50）
• 新增网文模式联动（40+41+43 情绪三件套等）

v5.0.0

• 全面升级：交互模式、HTML 报告、批量处理、模式关联分析、网文专项检测

v4.0.0

• 新增 8 种模式（32~39）：填充短语、过度限定、万能搭配、连接词堆砌、安全表达综合症、概括性废话、弯引号混用、标题大小写

v3.0.0

• 引入网文写作去 AI 专区（模式 40~49）

v2.0.0

• 新增 19 种模式（12~31）：结构模板 + 句式模板 + 沟通腔 + 中文特有

v1.0.0

• 初始版本：11 种基础 AI 写作模式（1~11）