改写过朱雀

用户说「改写过朱雀」+ 给文本 = 全自动跑完下面五步，不确认、不问许可，最后一次性汇报数据。

硬标准：每一个片段 AIGC 值 < 0.5。

硬限制：一稿最多检测 5 次。 第 6 次脚本直接拒绝。额度扛不住试错——实测一篇稿子反复调分能干到 40 次调用，两三篇就能把每月 50 万字符花光。详见「检测预算」。

朱雀官网按片段判定，不是整篇一个分。整篇 0.4981 但某片段 0.5107，等于没过。

检测预算（5 次，用完即停）

python3 scripts/zq.py budget --reset    # 每篇新稿开始必做，计数清零
python3 scripts/zq.py budget            # 查看剩几次

计数单位 = 一次 check 命令（--split 2 算 1 次，不是 2 次）。第 6 次调用会被脚本拦下，退出码 1。

5 次要这么花，别浪费：

用完就停，不许接着改。 剩下的事按这个顺序做：

1. 交付当前最好的一版，如实说明「未复测 / 复测被额度拦住」
2. 让用户上官网（matrix.tencent.com/ai-detect）手动核一次
3. 用户明确说「再加几次」才 budget --extend N

不允许删 usage.json 绕过、也不允许自己 extend。额度见底就是见底，硬改到分数好看但没法验证，等于骗人。

第一步：配 Key（支持多个，换着用）

需要腾讯云 EdgeOne Makers 的 API Key（免费额度每月 50 万 tokens）。

PYTHONIOENCODING=utf-8 python3 scripts/zq.py init --key sk-xxxx   # 追加，不覆盖已有的
PYTHONIOENCODING=utf-8 python3 scripts/zq.py status               # 逐个探活

Key 池：init 是追加而不是覆盖。配了多个 Key 时按顺序尝试，某个 Key 报 402（额度用尽）会自动降级到末尾并切下一个，本次检测照常返回结果。所以额度用完不用手工改配置，再 init 一个新 Key 塞进去就行。

python3 scripts/zq.py init --key sk-b            # 池里已有 A，现在 A、B 都在
python3 scripts/zq.py status                     # 显示每个 Key 的连通性与得分

Key 也可以走环境变量 ZHUQUE_API_KEY，多个用逗号分隔（sk-a,sk-b）。优先级：--key > 环境变量 > config.json，同一来源内按顺序 fallback。

config.json 结构（api_key 保留为兼容字段，等于 keys[0]）：

{ "api_key": "sk-第一个", "keys": ["sk-第一个", "sk-第二个"] }

> 发布技能时务必删掉 config.json（已写进 .gitignore），只留 config.example.json。

第二步：测基线（预算 1/5）

python3 scripts/zq.py budget --reset                                     # 开新稿，计数清零
python3 scripts/zq.py check --file 稿子.txt --split 2                    # 花掉第 1 次
python3 scripts/zq.py clean --file 稿子.txt --stats                       # 不花钱：字数/段落/标点密度

记下每个片段的分数和字数，后面判断改哪半边。

基线 0.99 以上就别恋战——说明整篇是 AI 骨架，不用逐句救，直接按第三步重写。只有 0.5~0.7 才值得精修。

第三步：改写（核心，六刀）

动笔前先读 references/before-after.md，那是一份 0.9997 → 0.4584 的完整逐句对照，照着那个手感写比记规则有效。

六刀按顺序下，前五刀都别省，第六刀看情况：

第一刀：砍连接词，复句拆独句 ⭐ 最有效

禁用：因为 / 所以 / 但是 / 而且 / 后来 / 其实 / 反而 / 不过 / 因此 / 从而 / 不仅 / 也就是说 / 换句话说 / 值得注意的是

原：凌晨一点还躺着刷手机，第二天设十个闹钟也没用
改：凌晨一点我还躺着刷手机。第二天闹钟响到第六次，一次都没听见。

关键不是断句，是把因果推理整个拆掉——两句之间没有推论关系，只是两个并列事实。

第二刀：论断换场景

以「能不能…」「很多人…」「真正的…」「本质上…」开头的论断句，全部换成具体到人的画面。

论断：能不能起来，主要看头天晚上
场景：凌晨一点我还躺着刷手机

第三刀：删元叙述 + 拆对仗

• 元叙述：「首先/其次/第三/最后/你要接受一个事实/从更深层次看/我试过」→ 一个字不留
• 对仗：「不是A，而是B」「不在于X，而在于Y」→ 只留一半，或换两个独立短句
• 金句：「明天的太阳会奖励每一个认真对待自己的人」→ 删
• 结尾不升华，停在具体动作或一句不确定的话
• 结尾的"点题句"最贵：「他全听见了」「他终于懂了」「这才是关键」→ 换成还没落地的动作。实测同一段只换结尾一句，0.6584 → 0.4179（差 0.24）

第四刀：删引号 ⭐ 单变量收益最大

对白引号全部去掉，让对话沉进叙述。成对引号 + 问号是最强的 AI 版式特征。

原：“快点写，都几点了？”我吼完，孩子抬头看我一眼。
改：快点写，都几点了。我吼完这句，孩子抬头看我一眼。

实测：只去开头一处引号，整篇 0.4452 → 0.3115。去掉后怕读不懂，用「我吼完这句」「我说了句」「他回我一句」接住。

第五刀：删独立成段的单句论断 ⭐

单独占一段、只有一句话、且是概括性结论的，毒性和金句同级。

原：你俩可能本来就不是一路人。      ← 该片段 0.5690
改：（删掉，上下文能自己表达）      ← 0.2857

典型句式：「你俩可能…」「这就是…」「说到底…」「本质上…」。降幅 0.28。

第六刀：加 4~5 个省略号（看情况，不是必做）

只加在"没说完的懊恼""说不清的心里话"后面，绝不超过 5 个。

别为了省略号单独测一次——5 次预算不够这么花。要么在定稿那一次里一起验证，要么不加。

全程禁止

• ❌ 加字数。实测 +108 字，分数从 0.61 涨到 0.77。哪怕加的是"人味细节"。
• ❌ 单纯删字数。删错地方分数反而涨（-100 字，0.61→0.72）。只删"讲道理的部分"。
• ❌ 拆排比。两次实测反涨。
• ❌ 调换行/合并段。分数完全不变，白费功夫。
• ❌ 加"你说是不是""我猜"这类假口语。朱雀认句式和节奏，不认口头禅。

改写的判据

删"作者在讲道理"的部分，留"人在过日子"的部分。

终稿通常比原文短，但里面的具体细节反而变多（组长看了一眼、看天花板、书扣着放）。删的是论述骨架，加的是生活碎片。

第三步半：篇章层自检（11 条，必过）

六刀管的是句子层。改完再走一遍这张表——它管篇章层，是六刀够不到的地方。

数据来源：larashero3-dotcom 的 283 万字对照实验（AI 300 篇 118 万字 / 人类 329 篇 165 万字，5 个模型 × 38 个话题，26 项候选特征，11 项通过检验）。仓库：github.com/larashero3-dotcom/lieflat-less-ai-tone。

机器可查的几项，改完跑一下：

python3 - <<'EOF'
import re
t = open("稿子.txt", encoding="utf-8").read()
han = len(re.findall(r'[\u4e00-\u9fa5]', t))
print("破折号", t.count("——"), "冒号", t.count("："), "顿号", t.count("、"), "问号", t.count("？"), "省略号", t.count("……"))
print("翻案腔", len(re.findall(r'不是[^。；\n]{0,14}[，。]?\s*(而是|是)', t)))
print("起首语", sum(t.count(k) for k in ["说白了","一句话","说到底","本质上","值得注意的是"]))
print("汉字", han)
print("段首", [p.strip()[:6] for p in t.split("\n") if p.strip()][1:])
EOF

段首那行要人眼看：每段开头有没有交代评价对象。这是 4.4 倍的最强特征，机器认不出。

别照单全收的几条

实验推翻了一批流行说法，改的时候别机械套：

• 比喻不是 AI 特征：人类用比喻是 AI 的 2.4 倍。AI 的问题只在喻体选择（职业人格 vs 具体的人）
• 设问句不是 AI 特征：人类是 AI 的 17 倍。删设问反而更不像人写。留着
• 句长均匀度没有差异（早期报告的 51 倍是切分程序缺陷），不必刻意打乱句长
• 三连排比差异被证伪——和本技能"拆排比反涨"的实测一致，别拆
• 单字虚词"就" AI 确实偏少（2.2 倍），但强行补会把文体带偏，不补

边界

这套指标测的是"人能不能看出 AI"，不是朱雀分数。朱雀是分类器，两者正相关但不等价：11 条全过，朱雀仍可能判 0.5 以上；朱雀过了，人眼也可能觉得假。清单用来保证改写质量，判定仍以 check 和官网为准。

实测：格式层清洗对朱雀几乎无效（2026-10-30）

一篇 1006 汉字 / 1206 字符的评论稿，六刀 + 11 条全过（破折号 0、冒号 0、翻案腔 0、段首零回指 0、引号 2、顿号 3），官网复测仍是 0.5882，和清洗前的版本几乎一样。

第二轮实验：砍到 862 字符，官网 0.5964——砍掉三成篇幅，分数不动反微升。

两个结论一起成立：

1. 格式层（引号/破折号/冒号/段首回指）对朱雀分数贡献很小。 它能解释"人为什么觉得像 AI"，解释不了分类器为什么判 AI。
2. 篇幅不是普适杠杆。 之前"851 字过、925 字爆"的边界效应，只在那篇第一人称叙事稿上出现。换成"论断+论据"的评论稿，篇幅就不起作用了。

真正稳定的判据是文体。同一篇稿子在 1206 字符和 862 字符两个长度上都稳定落在 0.59，说明分类器抓的是句子层面的形态：整篇每句都在输出判断、没有冗余、没有停顿、没有"我当时在场"的具体经历。这类文本天生靠近 AI 语料的分布。

所以顺序是：

1. 先看文体是不是"评论体"。是的话，改结构（把论断换成经历），不是改标点
2. 再过 11 条自检（保人眼观感）
3. 最后测分

反着做（先抠标点、或先砍字数）就是白烧额度。

边界提醒： 朱雀对议论文/行业评论有系统性偏高，0.5~0.6 很可能是这类文体的地板。实测两次都没跌破 0.5，但仍需继续验证。交付时如实说明，别拿"已优化"糊过去。

> 官网网页版（matrix.tencent.com/ai-detect）可以反复免费测，不吃 zq.py 那 5 次预算。改一版贴一次，比本地模拟准。

第四步：压分（最多再花 3 次，用完即停）

python3 scripts/zq.py check --file 稿子.txt --split 2

只有 5 次检测，就不能靠逐轮试错。改写策略必须换：

1. 六刀一次性全下，别一件一件试。 试错是 5 次预算买不起的奢侈品。动笔前把 before-after.md 通读一遍，照着那个手感一次写到位。
2. 第 2 次检测（六刀后）如果全过，直接收工，把第 4、5 次留给以后的稿子。
3. 没过就定位到片段，只改那半段。 别整篇重写，浪费预算。
4. 卡住时不要连测。 最后一招是 --extend，但那是用户点头之后的事，不是你自己加的。

改高分段时，按语义边界把它切开单独测，别用均分——均分的切点会随字数漂移，测的已经不是同一段文字了：

python3 scripts/zq.py check --file 前半.txt     # 这一测就是第 3 次

固定语义边界反复测同一块，才能判断改动是否真的有效。

5 次花完还没过怎么办：停手，交付当前最好的一版，如实写「未复测」。不许删 usage.json、不许自己 extend。

> 老版本的「一稿测 40 次、一次只改一个变量、批量试 4 个变体」是额度充足时的做法，现在是奢侈品。真要那么干，先确认用户愿意为额度买单。

第五步：交付

全部片段 <0.5 后（或预算耗尽后）：

1. 输出 .txt 到用户指定目录（公众号稿默认 桌面\公众号\ 根目录）
2. 汇报：每段的分数和字数、改了什么、余量多少、还剩几次检测
3. 提醒用户上官网复核（matrix.tencent.com/ai-detect）——本地是均分模拟，官网切点不同，数值会差 ±0.05
4. 余量 <0.01 时明确警告：发布前一个字都别动
5. 预算耗尽而没测完的，第一句就说清「这版没复测过」，别拿旧数据充当新结果

命令速查

PY=python3   # Windows: C:/Users/<用户>/.workbuddy/binaries/python/versions/3.13.12/python.exe

# 检测
$PY scripts/zq.py check --file 稿.txt              # 整篇单分（≈官网某一个片段）
$PY scripts/zq.py check --file 稿.txt --split 2    # 均分两片段（交付前必跑）
$PY scripts/zq.py check --file 稿.txt --seg        # 逐段定位（只用来找问题段，判定不可信）
$PY scripts/zq.py check --file 稿.txt --json       # 结构化输出
$PY scripts/zq.py check --file 稿.txt --out r.md   # 报告写文件

# 检测预算（每次 check 扣 1，默认每稿 5 次）
$PY scripts/zq.py budget --reset        # 新稿开始，计数清零
$PY scripts/zq.py budget                # 看还剩几次
$PY scripts/zq.py budget --extend 3     # 放宽上限（需用户明确同意）

# 文本处理
$PY scripts/zq.py clean --file 稿.txt --out 干净版.txt          # 删广告脚注
$PY scripts/zq.py clean --file 稿.txt --stats                   # 字数/段落/标点密度（不花钱）

# 配置
$PY scripts/zq.py init --key sk-xxxx     # 追加一个 Key（不覆盖已有）
$PY scripts/zq.py status                 # 逐个探活，显示 Key 池

退出码：0 通过，1 未通过或预算已用完，方便脚本串联。

--seg 段落模式对正常标点的中文段落一律判 0.9+，真人文章也中招，没有区分度，只能用来定位哪一段最像 AI，不能当判定依据。

文件结构

zhuque-rewrite/
├── SKILL.md                    本文件
├── README.md                   给使用者的说明：装法、示例提示词、限制声明
├── PUBLISH.md                  上架材料包（简介文案、标签、权限声明，不随包分发）
├── config.example.json         Key 配置模板
├── config.json                 你的 Key（已 gitignore，发布前删除）
├── usage.json                  检测次数计数（本地运行时生成，不随包分发）
├── assets/
│   ├── icon.png                512×512 技能图标
│   ├── icon@2x.png             1024×1024
│   └── make_icon.py            图标生成脚本（需 Pillow，仅出图用）
├── scripts/
│   ├── zq.py                   检测 + 清洗 + 配置，仅用标准库
│   └── package.py              上架打包：查必需文件、拦 Key 泄漏、出 zip
└── references/
    ├── before-after.md         0.9997 → 0.4584 完整逐句对照（动笔前必读）
    └── playbook.md             实测数据表、有效/无效手段、压分决策树

已知限制

• 一稿只有 5 次检测。免费额度 50 万字符/月，反复试错两三篇就见底。5 次内过不了就是过不了，靠用户上官网人工核。
• 本地检测是模拟，不是官网。切点无法精确复现，本地全过仍需官网确认。
• 片段越短分数越高。<300 字普遍偏 0.05~0.1。
• 模型会更新。今天过的分不保证明天。每次发文前重测，别拿旧分数当护身符。
• 改写需要人来判断。本技能提供规则和样本，但"哪句该删、哪句该留"要靠读懂内容，机械套规则会写歪。