---
name: 通用去AI味重写
slug: ai
category: Writing
description: 通用去AI味重写用于对章节正文做去 AI 味改写，适合先诊断再定强度、整章去模板腔、局部拆解释腔和保信息重写。也用于人物声音去同腔化与多轮改稿。
github: "https://github.com/lornshrimp/Lorn.NovelWriteSkills/tree/main/CommonSkills/%E9%80%9A%E7%94%A8-%E5%8E%BBAI%E5%91%B3%E9%87%8D%E5%86%99"
language: PowerShell
stars: 202
forks: 37
install: "npx degit 'https://github.com/lornshrimp/Lorn.NovelWriteSkills/tree/main/CommonSkills/%E9%80%9A%E7%94%A8-%E5%8E%BBAI%E5%91%B3%E9%87%8D%E5%86%99' ~/.claude/skills/'%E9%80%9A%E7%94%A8-%E5%8E%BBAI%E5%91%B3%E9%87%8D%E5%86%99'"
installs_to: ~/.claude/skills/%E9%80%9A%E7%94%A8-%E5%8E%BBAI%E5%91%B3%E9%87%8D%E5%86%99
source_path: CommonSkills/通用-去AI味重写/SKILL.md
collection_size: 25
category_size: 1227
collection_url: "https://dirskills.com/collections/lornshrimp/Lorn.NovelWriteSkills"
added: 2026-09-05T05:29:58.608Z
last_synced: 2026-09-05T05:29:58.608Z
canonical_url: "https://dirskills.com/skills/ai"
---

# 通用去AI味重写

通用去AI味重写用于对章节正文做去 AI 味改写，适合先诊断再定强度、整章去模板腔、局部拆解释腔和保信息重写。也用于人物声音去同腔化与多轮改稿。

**Install:**

```bash
npx degit 'https://github.com/lornshrimp/Lorn.NovelWriteSkills/tree/main/CommonSkills/%E9%80%9A%E7%94%A8-%E5%8E%BBAI%E5%91%B3%E9%87%8D%E5%86%99' ~/.claude/skills/'%E9%80%9A%E7%94%A8-%E5%8E%BBAI%E5%91%B3%E9%87%8D%E5%86%99'
```

## README

<!-- ===== Layer 1: 永久缓存 ===== -->


# 通用-去AI味重写
> **题材路由**：若 .github\题材专用Skills\ 目录存在对应的 <题材>-去AI味重写 Skill，则：
> - 将题材特性骨架路由到 <题材>-去AI味重写，该 Skill 位于 .github\题材专用Skills\ 目录。
> - 命中本技能时，必须优先强制加载当前 Skill 与 <题材>-去AI味重写。


去 AI 味不是把文本洗平，而是把“假”洗掉，把同一份信息写得更像人在场景里说话、做事和承受压力。






## 继续读取的 references（强制读取门禁）

**以下所列 references 文件必须通过 `read_file` 工具逐文件读取，不得因"已有相关知识"、"之前执行时已读过"、"该文件只是参考"为理由跳过任何一条。** 每条 references 按其标注的必读等级强制执行：

- 标注 **必读** 的文件：必须读取，少一条即视为流程违规，不得开始执行流程。
- 未标注必读的文件：必须读取，但读取后可仅提取与当前任务直接相关的段落，不要求逐字通读。
- 若文件路径指向的文件不存在（如引用的外部路径未就位），必须在日志中显式记录 `reference_missing_{refName}`，不得静默跳过。

- `references/科幻类AI味典型问题.md` — 科幻小说AI味典型问题与修正策略
- `references/七猫专栏OS叙事拐杖检测增补.md` — 七猫专栏 OS 叙事拐杖检测增补

### 总览：功能分组与读取时机

18 个 reference 文件按**用途分层**分为 5 组。调用时先根据当前阶段锁定要读的组，再按本组的"读取时机"判断读哪些文件。

---

#### 第一组：诊断前置（入刀前判定病灶与强度）

| 文件 | 读取时机 | 优先级 |
| ---- | -------- | ------ |
| `references/去AI味识别雷达.md` | **每轮必读**。快速定位病灶属哪一层（病灶识别/句群重构/人声回补）并做 Green/Yellow/Red 初筛 | ★★★ |
| `references/AI味高发信号与拆洗策略补充.md` | **每轮必读**。扫描句子均匀、对话同腔、抽象判断等常规表层病灶 | ★★★ |
| `references/实战对比案例——从AI稿与人工稿的差异提取可复用诊断与拆洗规则.md` | **每轮必读**。该文件的 13 项量化指标（基础篇 7 项 + 扩展篇 6 项，涵盖句法层、设定层、情绪层）提供深层诊断证据 | ★★★ |
| `../../写作研究/网文留存模型.md` | **每轮必读**。去AI味完成后，验证情绪刺激密度不降低——去味后的正文必须维持原有情绪主轴与读者驱动力 | ★★★ |
| `references/去AI味三档手术强度与风险卡.md` | **用户未定强度时必读**。用此文件向用户展示三档说明并锁定本轮档位 | ★★★ |
| `references/朱雀AI检测七维度操作详解.md` | **深度诊断或需要了解朱雀检测各维度具体优化策略时必读**。朱雀七维度（困惑度/爆发性/语义连贯性/修辞多样性/专业术语密度/情感一致性/创作风格匹配）的AI行为vs人类行为对比、量化判定方法与逐维度写作优化建议 | ★★★ |

> **分层规则**：先跑识别雷达做初筛 → 再用 AI味高发信号检查表层 → 若读感为"像AI但挑不出毛病"转向深度诊断（**十一大结构指纹**，见本文 `## AI味深度诊断` 节，其中指纹8已扩展制度层/数字层，指纹10为AI语义崩溃模式，指纹11为假节奏专项） → 量化指标不确定时参考实战对比案例的 13 项测量门禁。

#### 第二组：核心改造（拆洗执行时的工具库）

| 文件 | 读取时机 | 优先级 |
| ---- | -------- | ------ |
| `references/去AI味共享裁判规则补编.md` | **每轮必读**。5 大通用病灶 + 6 项小说专项病灶 + 收尾快检 | ★★★ |
| `references/去AI味四维病灶与45条规则.md` | **每轮必读**（或至少扫描 45 条目录确定本轮用哪几条）。习惯用语/句式逻辑/写法口气/论证逻辑 4 个维度 + 45 条逐条拆洗规则 | ★★★ |
| `references/AI句式替换与动作化替代清单.md` | **每轮必读**。C 批次高发 AI 句式的替换清单、三段式动作化替代模板、高频冗余词控制 | ★★★ |
| `references/去AI味句级改写工具.md` | **句子级改稿时必读**。遇到单句明显假但不会改时查此文件 | ★★★ |
| `references/去AI味三级改造与工具包.md` | **中等及以上强度时必读**。按强度提供整段/整章的改写法 | ★★ |
| `references/去AI味风格与排版补充.md` | **改稿后排版复检时必读**。句长控制、标点规范、现场质感补充原则 | ★★ |

> **跨文件冲突仲裁**：同一病灶多个文件给出不同处理建议时 → `去AI味共享裁判规则补编` 的硬戒（如"禁止心理分析句式"）> `去AI味四维病灶与45条规则` 的具体条目 > `AI句式替换与动作化替代清单` 的句式替换 > 其他文件的补充建议。

#### 第三组：人声回补（去味后补回人物声口与真实感）

| 文件 | 读取时机 | 优先级 |
| ---- | -------- | ------ |
| `references/去雕琢腔与透明人声校准卡.md` | **每轮必读**。6 类高发雕琢腔信号 + 透明人声最低标准 + 复检四问 | ★★★ |
| `references/风格注入锚点卡.md` | **有作者风格模板时必读**。将"补毛边"升级为按作者风格模板定向注入 | ★★★（有模板）/ ★（无模板） |
| `references/视角塌陷与五感替代诊断修复卡.md` | **每轮必读**。视角塌陷诊断、五感替换法、摄像头视角实操、有效细节 vs 无用拖沓 | ★★★ |

> **人声回补优先级**：先修复视角塌陷（视角塌陷修复卡）→ 再拆雕琢腔（去雕琢腔校准卡）→ 最后按风格模板定向注入（风格注入锚点卡）。三个文件在同一角色声口问题上可能给出近似建议，以"视角正确 > 雕琢腔清零 > 风格定向"的顺序分层执行，不重复劳动。

#### 第四组：复检与回写（改稿后确保不洗坏）

| 文件 | 读取时机 | 优先级 |
| ---- | -------- | ------ |
| `references/去AI味后供血与职责复检卡.md` | **每轮必读（改稿后）**。复检卖点供血、章首抓力、中段回报、章末钩子与人物声音差 | ★★★ |
| `references/去AI味执行清单.md` | **每轮必读（改稿后）**。全局性检查清单，确保没有遗漏关键任务 | ★★★ |
| `references/去AI味红线保护.md` | **每轮必读（改稿前默读，改稿后复核）**。红线清单——什么不能改、什么不能丢、什么不能洗平 | ★★★ |
| `references/去AI味多轮诊断与回写模板.md` | **输出终稿时必读**。按模板格式输出 `【修改总结与原因】`、`【修改后的小说正文】`、`【后续修改建议】` | ★★★ |
| `references/统计模式对抗与人味编辑终审方案.md` | **第九步、第十步必读**。统计对抗十维度扫描 + 人类指纹注入 + 三视角终审模拟 | ★★★ |
| `references/去AI化报告模板.md` | **第十一步必读**。每次执行本 Skill 后强制归档的去AI化报告完整模板（防敷衍声明/统计对抗结果/结构保护核对/工序执行记录/修改记录/未修改项/朗读复核/综合评级）与落盘规则 | ★★★ |
| `references/真实细节与反向挑刺补充.md` | **每轮必读**。先写内容后去味、砍作文感、真实锚点、叙述距离、受控毛边、独立反向挑刺与人工终审 | ★★★ |

> **复检顺序**：改稿后先跑红线保护（确保没踩线）→ 再跑后供血复检（确保章节职责仍成立）→ 然后跑执行清单（全面收尾）→ 接着跑 **stop-slop 五维评分门禁**（快速通道模式下替代完整复检；全流程模式下作为前置质检，总分 < 35 必须回炉）→ 最后执行统计对抗（第九步）→ **shuorenhua 场景化终审**（第十步，全流程模式下保底；快速通道模式下作为最终输出前的唯一终审）→ 按多轮诊断模板输出。

#### 第五组：平台专项（特定平台额外约束）

| 文件 | 读取时机 | 优先级 |
| ---- | -------- | ------ |
| `references/腾讯专栏直白与氛围保持增补.md` | **通用任务读取** | ★ |

#### 第六组：子Skill协同模块（快速通道与分层增强）

> **来源**：知乎·路过银河《让 AI 写得更像人：5 个值得安装的写作 Skill》（2026-07-12）。以下五个子目录各含独立 SKILL.md 与 references/，可按需加载。

| 子Skill | 读取时机 | 优先级 | 加载内容 |
| --- | --- | --- | --- |
| `humanizer-main/` | **英文内容去味时必读**（替代第三、四步的表层扫描） | ★★★ | `SKILL.md` — AI写作特征全量规则（夸大意义/宣传腔/被动语态/填充短语等） |
| `Humanizer-zh-main/` | **中文内容去味时必读**（替代第三、四步的表层扫描） | ★★★ | `SKILL.md` — 中文AI腔专项规则（书面腔/过度总结/四字结构/收尾感等） |
| `stop-slop-main/` | **第六步复检前必读**（作为质量门禁） | ★★★ | `SKILL.md` + `references/phrases.md` + `references/structures.md` — 8条核心规则 + 五维评分卡 |
| `taste-skill-main/` | **第五步人声回补前选读**（需要破模板增个性时） | ★★ | `skills/gpt-tasteskill/SKILL.md` — 反默认审美策略；注意：原版为UI设计Skill，取其"拒绝默认/选定立场"的写作哲学映射 |
| `shuorenhua-main/` | **第九、十步前必读**（作为场景化终审） | ★★★ | `SKILL.md` + `references/protected-spans.md` + `references/operation-manual.md` + `references/structures.md` — 四场景分档规则 + 保护原则 + 微操作手册 |

> **子Skill协同规则**：
> - 快速通道模式（用户说"快一点"）：humanizer-zh → stop-slop → taste-skill → shuorenhua，四步串联
> - 全流程模式（默认）：在现有十步流程中按上表"读取时机"按需插入子Skill
> - 子Skill之间不互相依赖，可单独使用其中任意一个。但串联使用时必须按推荐顺序（基础去味→质检→增个性→终审），不可逆序
> - 子Skill的规则文件与本Skill的18个reference文件不重复、不冲突——前者处理通用AI语言模式，后者处理网文专项病灶
> - 所有子Skill均为MIT或开源协议，详见各子目录下的LICENSE文件



<!-- ===== Layer 3: 场景缓存 ===== -->

## 先写人声，再去AI味——去味的创作心态原则（新增）

> 以下原则吸收自知乎专栏作者柳漫漫《先正常写作，写完再微调》。

去 AI 味的技术能力很重要，但如果创作时心里一直坐着 AI 检测器，写出来的东西必然缩手缩脚、假上加假。**去味的起点不是改稿时的刀法，而是创作时的心态**。

### 核心原则：先正常写作，写完再适度微调

不要让检测算法坐在你肩膀上指挥每一句话。去 AI 味是写出好文本后的自然提纯，不是戴着镣铐跳舞。如果你在写第一章时就在想"这句会不会被判 AI"，你已经在替机器写作，而不是替读者写作。

### 原则一：注入真实个人经历与不可复制的细节

AI 最擅长生成"公共化"的例子——正确、通用、但缺乏任何人真正经历过的时间地点和人物。去 AI 味的第一原料是**你真实经历过的事**：

- 具体的时间、具体的场所、对话中才有的磕绊和重复、只有亲历者才能记住的感官碎片——这些是 AI 编不出来的内容。
- 当一段正文读起来"什么都有但什么都不真"，优先问自己：有没有一个真实的经历、见闻或观察能替换这段"正确但空洞"的叙述？
- 对于小说创作而言，"真实经历"也包括你在调研中积累的具体场景考证、实地观察后记录的环境质感、以及从真实人物身上捕捉到的说话习惯和反应模式。

### 原则二：保留你的个人痕迹作为"防 AI 标识"

每个人都有独特的表达习惯——口头禅、常用的语气词、特定的比喻偏好、固定的转场方式。这些"不完美"的个人痕迹，恰恰是你在文本中最难被 AI 复制的身份标识：

- 你喜欢说"说实话""你懂的""怎么说呢"——只要不泛滥，保留。
- 你的角色习惯用某种句式下结论——只要不偏离人物传记，保留。
- 你的段落节奏有特定的呼吸偏好——只要不是模板腔，保留。
- 去味的红线不是"把所有看起来像作者习惯的东西都洗掉"，而是"洗掉机器痕迹，保留人声指纹"。

### 原则三：主动打破节奏——长短句交替，让读者换气

AI 生成的句子长度往往很均匀——像机器量产的零件，每句都在 25-35 字之间，每个段落都在 3-5 句之间。主动打破这种节奏：

- 写完一个长句，接一个短句。
- 陈述完之后，加一个反问。
- 偶尔用一个字或两个字的超短句（"疼。""不对。""他来了。"）。
- 允许自己有一段"只是把事交代清楚就走"的过渡——不是每一句都要写得好看。

这不仅能降低 AI 检测率，更能让读者获得阅读的呼吸感。

### 原则四：表达鲜明的观点、立场和情绪

AI 倾向于"一方面……另一方面……""总的来说""值得注意的是"这类客观中立的口吻。而人写的东西可以有：

- 明确的偏好——喜欢就夸，讨厌就骂。
- 不隐藏的情绪——愤怒时句子会短，激动时会重复，怀疑时会反问。
- 稳定的立场——角色的价值判断应该基于其传记，而不是"从所有角度看都正确"。
- 不完美的结论——不一定每段都要圆回来，允许留白和不完整。

**去味不是把文本洗成中性，而是把作者和角色的真情实感洗出来。**

### 原则五：保留创作过程记录

写作时使用支持版本历史的工具（VS Code 的本地历史、Git 提交记录、腾讯文档、飞书文档等）。这些记录不是用来审查自己的，而是在被误判时最有力的自证证据。这虽然不是去味的技术方法，但能让你在创作时更放松、更有底气——敢写真实的内容，而不是为了"安全"写成机器腔。

### 原则六：理解检测原理，从统计特征层面去味（新增）

> **来源**：本仓库《朱雀AI检测机制与应对手段研究报告》（2026-06）；知乎专栏【写作规范】· 西安影子《朱雀AI检测 · 核心七维度详解》（2026-08-09）。

去AI味的底层逻辑不只是"读着像人"，更是在统计特征层面**消除AI文本的可检测模式**。理解以下检测维度，能让去味更有方向感，而不是盲目改稿。以下维度A-H来自研究报告，维度I-K为本次从朱雀七维度详解中新增补充。

#### 检测维度A：困惑度（Perplexity）——词汇的"可预测性"

AI倾向于选择高概率词，使文本"过于可预测"。去味方向：**引入低频词和非常规搭配**——方言词汇、行业黑话、口语化表达、网络用语。不是硬塞，而是让角色说符合其身份的话。

#### 检测维度B：突发性（Burstiness）——句子长度的"方差"

AI的句子长度分布窄（每句12-18字），段落长度均匀。去味方向：**主动制造句长方差**——2-5字短句与25-40字长句交替。写完一个长句，接一个短句。允许自己写"不够好"的过渡段。

#### 检测维度C：词汇熵——用词的"多样性"

AI回避低概率词，导致词汇熵偏低。去味方向：**减少模板化连接词**（"然而/此外/因此/值得注意的是"），用动作、对话、环境直接衔接段落。让同义词自然重复，而不是机械轮换。

#### 检测维度D：语义结构——逻辑推进的"线性程度"

AI输出逻辑链条呈线性推进（A→B→C→D，每一步严丝合缝），缺乏跳跃、留白、旁支。去味方向：**故意打断完美逻辑链**——允许跳针、倒置、信息推迟释放、局部留白。不是每段都要推理清楚才结束。

#### 快速记忆口诀（去味时默念）

> "均匀就是AI。句长有高低、段落有长短、细节有疏密、情绪有起伏——这四个'有'记在心里，去味就不会偏。再加三问：有没有换着用修辞？有没有删掉教科书腔？有没有留下'只有我才这么写'的指纹？"

> **补充说明**：以上四个维度的技术命名来自AI检测领域的知识框架（详见研究报告），去味时不需要记住这些术语，只需理解其指导方向即可。

#### 检测维度E：主语重复率——叙事视角的"僵化程度"（新增）

> **来源**：`实战对比案例.md` §一·第二式"主语重复病"；研究报告§一。

AI文本中一个极易量化但常被忽视的AI味信号：**主语重复率**。AI受英文语法习惯（每句必须有显性主语）的"语料污染"，生成的每句中文都以"她/他/人名"开头。人类中文写作天然有大量无主句、动词引导句、感官引导句、脱漏主语——这是中文与英文的本质差异。

**检测方法**：统计前300字中，以"她/他/角色名/她的/他的"开头的句子占比。

| 主语重复率 | 判定 | 操作 |
|-----------|------|------|
| ≥ 80% | AI高风险 | 必须拆洗 |
| 60%-80% | 关注 | 建议优化 |
| < 60% | 正常 | — |

**拆洗方向**（来自实战案例统计）：
- 逆序："她费劲地把眼睛抬起来" → "她费力地抬起眼"
- 感官引导："她听到了有人在叫喊" → "一道声音从头顶劈下来"
- 无主句："她试着睁开眼睛" → "试着睁开眼——没力气"
- 独词段："她感到疼" → "疼。不对。太困了。"

> **经验门槛**：连续3句以上同一主语开头，至少拆1句为无主句或逆序句。

#### 检测维度F：语义指纹——文本的N-gram概率骨架（新增——吸收自研究报告）

> **来源**：本仓库《写作技法_AI写作去味深层方法论》§发现一（2026-07-18），综合朱雀官方说明+AtomGit实测+殷念降AI红黑榜。

AI文本在不同主题、不同段落间呈现**相似的N-gram概率分布骨架**——即使用不同词汇，但词汇间的统计关系模式保持稳定。人类写作的概率分布随主题、情绪、场景发生明显波动。

**检测方法**（简易版）：取前300字和中间300字，分别统计高频2-gram（相邻二字组合）的出现模式。如果两段的2-gram分布图谱高度相似（如"的+名词""了+动词"组合占比接近），标记为"语义指纹AI风险"。

**去味方向**：在段落间主动改变句式骨架——一段用短句排比，下一段用长句嵌套；一段以名词开头为主，下一段以动词开头为主。本质是让不同段落的"统计DNA"看起来不一样。

#### 检测维度G：情感分布——情绪的"心电图"（新增——吸收自研究报告）

> **来源**：同上，综合社区朱雀逆向分析+腾讯云94%→0%提示词框架。

AI文本的情感密度趋于**均匀分布**——全文中性陈述占主导，情感词均匀撒布，缺乏人类写作中常见的"情感峰值"和"情感低谷"。人类写作的情感曲线像心电图——有起伏、有密集峰、有平静区。

**检测方法**：给全文每个自然段标注情感强度（0=中性，1=轻微，2=强烈），绘制情感曲线。如果曲线接近一条平直线（所有段落都在0-1之间），标记为"情感AI风险"。

**去味方向**：
- 制造情感峰值：在关键情节处集中释放高密度情感词
- 制造情感低谷：在紧张场景后的过渡段刻意"冷处理"，只用白描
- 情感注入的具体策略参见本节"深度扩展四·人味注入六法"中的"主观评价"法

#### 检测维度H：逻辑封闭度——因果链的"完整度"（新增——吸收自研究报告）

> **来源**：同上，综合朱雀绕过分析+有三思U Sense去AI味手册。

AI文本倾向形成**完整的因果闭环**——每一段都有明确的"因为→所以"、每个问题都有解答、每个伏笔都在本章内回收。人类写作天然存在逻辑跳跃、留白、不完整推断和"作者知道但故意不写"的信息缺口。

**检测方法**：逐段检查——如果连续5段以上每段都以总结句或结论句收尾（"由此可见""这说明""总之"等），标记为"逻辑封闭AI风险"。

**去味方向**：
- 每3-4段中至少有一段以"未完成的观察"结尾，不给出结论
- 允许角色做出"读者看得出是错误的"判断，且不在本章内纠正
- 情节A→B→C的链中，故意省略B的明确交代，让读者自己推断

#### 检测维度I：修辞多样性——修辞手法的"种类与分布"（新增——吸收自朱雀七维度详解）

> **来源**：知乎专栏【写作规范】· 西安影子《朱雀AI检测 · 核心七维度详解》（2026-08-09）；详见 `references/朱雀AI检测七维度操作详解.md` 维度四。

AI的修辞手法种类少、重复高——最常见明喻（"像…一样"）和拟人，同一修辞在全文反复出现。人类写作修辞手法种类丰富（明喻、暗喻、拟人、借代、通感、反讽、留白等交替使用），且修辞密度有节奏——高潮密集、平淡稀疏，修辞兼具画面与情绪。

**检测方法**：统计全文修辞标记词（"像""仿佛""如同""似的"等）的出现次数——若全篇"像…一样"结构超过3次，标记为"修辞AI风险"。

**去味方向**：
- 全篇"像"字句不超过3次
- 引入AI不易复制的修辞：通感（听觉+触觉混用）、借代（用具体物件替代抽象概念）、反讽/克制（用日常动作反写情绪）
- 确保每个喻体选择都反映角色的心理状态，而非仅为装饰

#### 检测维度J：专业术语密度——学术腔的"异常插入"（新增——吸收自朱雀七维度详解）

> **来源**：同上，详见 `references/朱雀AI检测七维度操作详解.md` 维度五。

AI倾向于在情感叙事中强行插入专业词汇以显得"有深度"——心理学类（"创伤后应激障碍""依恋理论"）、医学类（"多巴胺分泌""交感神经兴奋"）、学术类（"范式""异化""解构"）。人类在情感叙事中几乎不使用专业术语，用日常口语替代；即使涉及专业领域也倾向简化（"她睡不着"而非"她有失眠症"）。

**检测方法**：扫描心理学/医学/学术术语的出现——若在非专业场景中出现教科书式术语，标记为"术语AI风险"。

**去味方向**：
- 情感叙事中全面禁用心理学术语——用动作替代："她攥着那封信不松手，像是松了就会掉进一个没有底的地方"
- 用动作替代状态词——不写"她抑郁了"，写"她三天没有下床"
- 只使用角色认知范围内的语言——十五岁女孩不说"原生家庭创伤"，说"她不想回去"

#### 检测维度K：创作风格匹配——文本是否"有作者指纹"（新增——吸收自朱雀七维度详解）

> **来源**：同上，详见 `references/朱雀AI检测七维度操作详解.md` 维度七。

AI的风格特征过于典型——写古言就堆满古风词汇、写虐文就密集虐点，且全文节奏高度一致，缺少反复出现的个人化意象、句式或用词偏好。人类写作有独特的"指纹"——某个反复出现的意象（这个作者总写"杏花"）、某个句式偏好、某个用词习惯，且风格在"符合赛道"和"个人印记"之间平衡。

**检测方法**：
- 文本内部风格一致性检查：如果前50%和后50%的风格特征差异太大，可能是拼凑或AI分段生成
- 个性化特征频率检查：极高频或零出现都可能是AI（人类通常在中频区间）
- 比对同赛道人类平均风格参数——偏差过大或过小都标记

**去味方向**：
- 建立个人写作指纹：选一个核心意象（如"樱花"/"信"/"杏花"），让它反复出现但不重复写法
- 控制开篇/高潮/结尾的节奏差异：开篇短句密集 → 中段长短交替 → 高潮句式拉长 → 尾声回到短句
- 在合规范围内制造一处"偏离"——古言中写一个现代观察视角，虐文中写一段冷淡客观描写

> **朱雀七维度完整操作指南**：以上维度一至七（困惑度/爆发性/语义连贯性/修辞多样性/专业术语密度/情感一致性/创作风格匹配）的详细AI行为vs人类行为对比、朱雀量化判定方法、逐维度写作优化建议与示例，详见 `references/朱雀AI检测七维度操作详解.md`。该文件内含七维度加权汇总表，标注了各维度权重（困惑度/爆发性/情感一致性为高权重，优先处理）。

#### 去味策略的量化效果基准——多方法实测数据（新增——吸收自研究报告）

> **来源**：本仓库《写作技法_AI写作去味深层方法论》§发现四（2026-07-18），综合腾讯云94%→0%框架、殷念降AI红黑榜、凤凰网6提示词测评、优采云混合模式实测——四源交叉验证。

以下数据用于在去味时**校准预期**——选择正确的策略层级，避免在无效方法上浪费精力：

| 方法层级 | 朱雀检测率范围 | 降幅 | 说明 |
|---------|-------------|------|------|
| 纯AI生成（无干预） | 80-100% | — | 基准线 |
| L0: 同义词替换/语序调整 | 75-95% | 0-5% | **已失效**——仅换词不改统计结构 |
| 纯AI互改（用AI改AI） | ~85% | <10% | **基本无效**——同源AI的统计指纹一致 |
| L1: 删连接词+改句式+加主观表达 | 40-60% | 20-40% | 适合短文/社交媒体 |
| 手动微调（1000字内） | 40-50% | 40-50% | 熟练作者逐句调整效果 |
| L3: 源头防控（CREATE+分步+过滤） | 10-30% | 60-90% | 指令回声实测：80%→30% |
| L4: 人机混合模式 | 5-25% | 70-95% | 通过率比纯AI高54个百分点 |

> **决策指南**：若你的目标是朱雀检测率<30%——只做L1不够，必须上L3。若目标是<10%——必须上L4。不要在L0上浪费一分钟。

> **深度阅读**：以上检测维度与量化数据的完整研究过程、多源交叉验证细节、CREATE框架的学术谱系、Decomposed Prompting的三层机制分析，详见本仓库 `写作研究/写作技法_AI写作去味深层方法论.md`。

### 原则七：编辑判定AI的优先级排序——去味的质量标尺（新增）

> **来源**：虎嗅网《AI落地的苦，没有人比网文圈更懂》采访番茄/七猫编辑；本仓库研究报告。

当去味完成后，按以下编辑判定AI的优先级顺序做自检（越靠前的项目权重越高，不要只修最低优先级的"文笔漂亮"）：

1. **主线逻辑一致性**（最优先）——前后情节是否自洽、线索是否断裂。AI经常在长篇幅中丢失线索。
2. **人设稳定性**——角色言行前后是否一致。AI写的人容易"今天知性明天泼辣"，随场景切换而漂移。
3. **对话自然度**——台词是否符合角色身份和情绪状态。"所有人说同一口标准中文"是高危信号。
4. **过渡自然度**——场景切换是否生硬。AI喜欢用"转眼间""片刻后"来跳时间，缺乏润滑。
5. **描写效率**——描写是否服务于情节推进。AI扩写常填大量"漂亮但不推动剧情"的细节。
6. **文笔精细度**（最低优先级）——"写得太好"反而不是AI的证据。人类可以有粗糙、啰嗦、信息密度低的段落。

> **反直觉提醒**：第6项（文笔精细度）是去味中最容易被误判的方向——不要削足适履地把好句子改差来"显得不像AI"。好文笔不是问题，均匀性和模板化才是。

### 原则八：AI检测的理性认知——去味的正确战略姿态（新增）

> **来源**：知乎专栏文章《AI 写的小说会被检测出来吗？讲讲原理，别被焦虑带偏》Majx，2026-07-07。

以下原则帮助建立对AI检测的正确认知，避免在去味过程中被焦虑带偏方向。

#### 认知一："会不会被检测"和"读者爱不爱看"是同一个问题

AI检测的四大信号——高频套话、用词太平滑、风格过度一致、结构模板化——恰好也是读者弃文的四大原因。一套好的去味流程，既降低了被检测的概率，也提升了读者的阅读体验。这不是两件需要分别做的事，而是同一件事的两面。如果某个去味操作让文本"更不容易被检测"但"更难看了"，说明方向错了。

> **决策指南**：当在去味中遇到"改还是不改"的犹豫时，优先问"改完读者读着更舒服吗"，而不是"改完AI率更低吗"。两者的方向在好的去味中应当一致，若不一致，以读者体验为准。

#### 认知二：检测是概率倾向，不是判决书

主流AI检测工具输出的不是"是/否"二值结果，而是AI率或概率评分。处理过的文稿风险是可控的——没有哪个正规平台仅凭工具评分就直接判定。去味的目的是把"被高置信判定"的概率降到合理区间，不是追求检测率归零。相比纠结检测分数，更值得关注的是章节正文的逻辑一致性、人设稳定性和对话自然度——这些才是编辑审稿的真正重心。

#### 认知三：工具是放大器，不是遮羞布

去味工具和疲劳词表能压制可量化的破绽——高频套话、均匀句长、模板化结构——能把"像人写"做到八九成。但"有没有灵魂、像不像这个作者"这最后一道判断，必须由人来完成。工具可以辅助诊断和局部改写，但不能替代作者的判断力、风格选择和对故事的理解。指望工具把粗糙的生成稿洗成精品，是不现实的。

#### 认知四：合规第一——去味是为了质量和过审

去AI味的技术服务于两个合法目标：提升作品质量和通过平台审读。它不是用来造假、抄袭、或绕过原创审核的工具。所有去味操作都必须建立在"这是我自己创作的内容"的前提下。

> **底线**：保留创作过程记录（见原则五），在被误判时有据可查。既不要因为焦虑而放弃使用工具，也不要因为工具方便而逾越创作伦理。

### 原则九：AI是催化剂，不是替代者——个人印记是终极护城河

> **来源**：知乎答主"铷洱"《网文的下一个突破点会是什么？》（2026-07-03）；本仓库整理。
> **证据充分性**：一般（行业趋势判断，单篇观点）
> **置信度**：中
> **适用层**：去味的上游动机层——在执行具体去味技术前，先建立对"为什么要去味"以及"AI时代作者应该拼什么"的正确认知。

#### 认知一：AI不会淘汰作者，只会淘汰只会写套路的作者

当AI能够把模板化爽文写到80分水准时，**套路赛道上的竞争已经没有意义了**——读者不再需要人类作者为他们提供"标准配置"的升级打脸恋爱文，因为AI能以更低成本、更高效率完成这类内容。这不是威胁，而是**信号**：它告诉人类作者，你应该彻底放弃和AI比套路。

核心推演：

- AI能把所有"可模板化"的内容做到80分——包括开头冲突公式、章末钩子套路、对话模板、场景框架。
- 人类作者在套路赛道上不可能比AI更快、更稳定、更便宜。
- 因此，人类作者的**唯一不可替代的赛道**，就是AI写不出来的东西。

#### 认知二：什么是AI写不出来的

AI写不出来的不是"更好的套路"，而是：

- **作者个人的偏见和执念**——你对某个话题有"不讲道理"的立场，而这种立场来自你的真实经历，不是训练数据。
- **创伤和软肋**——你在某些话题上的脆弱和不完美。AI没有创伤，所以写不出"带伤疤的视角"。
- **奇葩三观和走火入魔的热爱**——你真心相信一个99%的人都不信的怪道理，并且有能力把它写得让人信服。AI只能模仿共识，无法原创异见。
- **文笔上的个人缺陷**——你特有的啰嗦、偏执、跳跃、冷门引用——这些在标准化写作中是"缺点"，但在去AI味语境中正是"人类指纹"。
- **不可复制的个人表达**——读者猜不到剧情，不是因为作者设计了多么精妙的诡计，而是因为读者根本摸不透这个作者的脑回路。他可能写着写着就让主角放弃天下第一，去山里种树——只因为他年轻的时候真的动过这个念头。

#### 认知三：去味的战略目标不是"藏"，而是"亮"

很多作者把去AI味理解为"隐藏AI痕迹"——这是一种防守型、焦虑驱动的错误认知。

正确的战略认知是：**去味不是为了让你看起来不像AI，而是为了让你的个人印记更清晰地穿透文本**。你的目标是让读者读完一章后感叹"这肯定是XX写的"，而不是"这不知道是人还是AI写的"。

- 去味的评判标准不是"AI检测率下降了多少"，而是"这一章读完，读者能感觉到一个具体的人在说话吗？"
- 如果一段文字经过多次去味后变得"安全但平庸"，那它已经失去了被读者记住的价值。
- **个人印记越强，被AI替代的概率越低。** 这不是文学理想主义，而是AI时代的生存策略。

#### 认知四：让AI处理套路，人类专注不可替代部分

未来的高效写作流程不是"人类写全部→去味"，而是：

```
AI负责：开头框架 / 章末钩子候选 / 场景骨架 / 设定一致性检查
人类负责：核心情绪选择 / 角色声口 / 认知型爽设计 / 个人偏见注入 / 叙事节奏裁断
```

这套分工不是"人做一半AI做一半"，而是**各尽其能**——AI处理可模板化的结构性工作，人类专注那些AI无法复制的个人化表达。去味技术的真正价值在人类的"注入"环节之后：确保个人印记没有被AI的标准化表达冲淡。

**最终原则**：当AI把所有套路文写到80分的时候，剩下的赛道全是人类的——你只需把自己活成一个有血有肉、有偏见、有执念、有创伤、有热爱的人，然后把这些写进故事里。这不需要技巧，只需要勇气。

### 这一组原则的定位

这九条原则**不与本 Skill 的技术方法（十大结构指纹、量化指标、三档手术强度等）并列或竞争**。它们是去味的上游心态层——在动刀之前先确认"我写的这一段，首先是一段有人声、有来源、有立场的文本"。技术工具解决的是"洗掉假"，创作原则解决的是"长出真"。

"不要为了通过机器的检验，把自己变成一台机器。读者需要的，是真实的我们。"

## 提示词源头防AI味——三步锁定人声（新增——吸收自知乎指令回声）

> **来源**：知乎·指令回声《AI写作：3步让AI味道从100%直降到0，朱雀都看不出是AI写的》（2026-07-17）。作者为AI内容生产系统设计者，实战案例：百家号民间故事专栏从朱雀AI检测率80%降至30%。
> **深度扩展**：本节三步法的学术基础（CREATE框架、Decomposed Prompting、L0-L4分层体系、人味注入六法）详见本章后续"深度扩展一~四"节及仓库研究报告 `写作研究/写作技法_AI写作去味深层方法论.md`。

上述九条原则讲的是**创作心态**——先写人声，再去AI味。本节补充的是**提示词工程设计**——如何在构造AI写作提示词时，从源头扼杀AI味。核心逻辑：**提示词设计得够精准，AI才能把故事写得像是一个人在讲故事，而不是机器在生成文本。**

### 第一步：人格锁定——给AI一个"说书人"身份

不是让AI"写民间故事"，而是让它扮演一个**坐在村口大榕树下、嗑着瓜子讲述故事的老说书人**。

**原理**：当人物身份被锁定后，语言风格自然跟随——口语化、停顿感、地方腔调全都会被自动带入，不用再反复强调"要口语化""要有人味"。AI的"万能故事腔"源于它默认的角色是"无面孔的内容生成器"；一旦给它戴上具体人格面具，它的语言选择会自动偏向那个人格的自然表达方式。

**操作规则**：
- 在构造写稿提示词时，第一步不是描述"写什么"，而是定义"谁来写"——一个具体、有场景感的说故事角色
- 人格描述越具体越好：年龄、口音、讲故事的场合、伴随动作（嗑瓜子、喝茶、摇扇子）、口头禅
- **反例**："请用口语化风格写一个民间故事" → AI仍然用它的默认故事腔生成
- **正例**："你是村口榕树下的老说书人，六十三岁，说话带点客家口音，喜欢在讲完一段后嘬一口茶。给围坐的孩子们讲一个关于镜湖的传说" → 口吻、节奏、语气词自然到位

### 第二步：分步交互——打破"万能故事结构"

不要一次性让AI生成完整故事，而是**分步骤交互式生成**：先出五个标题让用户选 → 选完展开背景 → 背景确认后写情节 → 写完再雕琢细节。

**原理**：一次性生成的内容，AI会自动套用它最熟悉的"万能故事结构"（起承转合模板），导致雷同率极高——平台一扫就会命中AI检测。分步生成让每一步都有人工介入确认，内容的"分叉点"变多，最终产出会与批量模板拉开距离。

> **交叉验证**：雪花写作法同样强调"切忌一次性把所有任务塞给AI"——每完成一个步骤都要进行人工审视与确认，不断补充充满情绪化与暖心细节的语句（知乎·芒果留了果，2026-07-29）。

**操作规则**：
- 每步只让AI输出一个维度的内容（标题/背景/情节/细节），每步之间等待人工确认或选择
- 步与步之间的"人工决策点"就是内容独特性的来源——AI的标准化模板在每次人工介入时被打破
- **适用场景**：写短篇/章节时，尤其是需要差异化表达的题材（民间故事、都市传说、志怪短篇）
- **不适用场景**：已经在控制卡中明确了章节施工方案的连续长篇章节创作——控制卡本身就是"人工决策点"

### 第三步：敏感词前置过滤——语义替换而非关键词删除

在提示词中**预先定义敏感词→民俗说法的映射表**，让AI在生成时自动完成语义包装，而不是生成后再去排查替换。

**原理**：表达同样的意思，但语义包装改变了，依靠平台审核的成功率就明显提升。这不是"规避审核"，而是用符合平台文化语境的表达方式传递同样的信息——就像"去世"和"走了"说的是同一件事，但后者在民俗语境中更自然。

**操作规则**：
- 在提示词中写明："凡是涉及X类词汇，必须用Y类民俗说法替代"
- 语义替换 ≠ 语义阉割——保留原意的完整性和情感分量，只改变表达的外壳
- **反例**：直接删除敏感词 → 信息缺失、故事断裂
- **正例**："冥界"→"去了另一个地方"，"死亡"→"阴阳两隔"，"诅咒"→"受了天罚" → 意思不变，包装变
- 此方法不仅适用于平台审核，也适用于降低AI检测率——语义替换后的表达天然更接近人类口语

### 三步协同的实际效果

指令人回声实战案例——百家号民间故事专栏：
- **修改前**：AI味80%（朱雀检测），开头平板叙述："从前，有一条龙居住在了镜湖之中，它与人类立下了誓言，守护着这一片的土地......"
- **修改后**：AI味30%，开头鲜活口语："老人们都会说，镜湖里面住着个不一般的东西。那不是妖，也不是鬼，而是一条龙。这条龙啊，脾气非常的古怪，见不得人哭泣。要是谁就在湖边掉下了眼泪，那么它就准会在水底进行搅动，把浪头打上来，这就好像是在骂人：哭什么哭，如果有本事你就下来......"
- **关键变化**：停顿（"这条龙啊"）、反问（"哭什么哭"）、语气词（"这就好像是"）、口语化叙事（"老人们都会说"）——这些细节把"人味"拉满

> **与本 Skill 既有方法的协同**：三步法解决的是**生成前**的AI味源头控制（提示词设计），本 Skill 的诊断→拆洗→复检流程解决的是**生成后**的AI味修复。两步不是替代关系，而是上下游互补——好的提示词让后续去味工作量减半，好的去味流程让不够完美的初稿也能达到人写水准。

### 深度扩展一：提示词人格化——从"角色扮演"到 CREATE 框架

> **来源**：本仓库《写作技法_AI写作去味深层方法论》研究报告（2026-07-18），综合腾讯云社区 94%→0% 提示词框架、凤凰网 6 个最佳降 AI 提示词、有三思 U Sense 消除 AI 味不完全手册——三源交叉验证。

指令回声的"说书人人格锁定"是有效起点，社区实践已将其扩展为更系统的 **CREATE 框架**：

| 维度 | 说明 | 示例 |
|------|------|------|
| **C**haracter（角色身份） | 明确模型扮演的具体角色 | "你是村口榕树下六十三岁的老说书人" |
| **R**ole Experience（经验年限） | 量化专业积累，让语言深度与角色匹配 | "讲了四十年故事，从不下三十个村子收集过传说" |
| **E**xpertise（核心能力） | 限定输出风格与能力边界 | "擅长用客家话腔调把平淡的事讲出传奇味" |
| **A**udience（目标读者） | 明确听故事的对象 | "围坐的是一群七八岁到十二三岁的孩子，旁边还有几个纳凉的老人" |
| **T**ask Metrics（核心指标） | 量化输出要求 | "每个故事至少要有一次能让孩子们倒吸一口气的转折" |
| **E**xpectation（风格约束） | 限定表达方式与禁忌 | "不加'从前有一个'的套话开头；不用成语；每讲完一小段要停一停" |

**2025 年关键更新**（Sander Schulhoff, The Prompt Report）：简单的"角色提示"（"你是一个XX专家"）效果已下降。真正有效的是**"角色 + 限制条件 + 输出格式"三位一体**——必须同时明确"你不是什么"（负向约束）和"你必须按什么格式输出"（格式约束）。

### 深度扩展二：分步交互的学术基础——Decomposed Prompting

指令回声的"分步交互生成"并非孤立经验，而是 Prompt Engineering 领域已系统研究的 **Decomposed Prompting**（分解式提示）技术。其学术谱系：

```
Chain-of-Thought Prompting（2022，思维链）
    ↓ "Let's think step-by-step"
Decomposed Prompting（2024-2025，分解式提示）
    ↓ 将复杂任务显式拆为多个子任务，每个子任务独立提示
Plan-and-Solve Prompting（2025，计划-求解提示）
    ↓ 先生成计划，再逐步执行，每步结果反馈回下一步
```

**来源**：LearnPrompting.org Advanced Decomposition Techniques、Shadecoder Decomposed Prompting Guide 2025——双源交叉验证。

**分步交互为何能降低AI味——三层机制**：

| 层 | 机制 | 对AI味的抑制效果 |
|---|------|----------------|
| **统计层** | 每步输出被上一步人工选择"扰动"，打破直接概率映射 | 困惑度↑（人类低概率选择介入）、突发性↑（步间节奏不同） |
| **结构层** | 一步生成倾向套用"万能故事结构"模板；分步生成迫使每步重新定位上下文 | 模板化程度↓（每步上下文窗口不同，无法沿用同一模板骨架） |
| **内容层** | 步间的人工确认点（选标题、确认背景、确认情节）是真正的"人类指纹注入点" | 语义指纹的AI特征被稀释（每一步混入人类选择偏好） |

**分步粒度推荐**：4-6 步最佳——标题选择→背景展开→情节推进→细节雕琢→情感注入→终审定稿。太粗（2-3步）模板化改善不明显；太细（10+步）人工决策疲劳。

### 深度扩展三：去AI味的 L0-L4 分层体系

> **来源**：殷念写论文降AI红黑榜、凤凰网6提示词测评、优采云混合模式实测——三源交叉验证。

社区实践已形成明确的去味方法论分层：

| 层级 | 方法 | AI率降低幅度 | 保留原意 | 适用场景 |
|------|------|------------|---------|---------|
| **L0: 无效层** | 同义词替换、简单语序调整 | 0-5% | 高 | 已被检测系统全面免疫 |
| **L1: 表层** | 删连接词、改句式、加主观表达 | 20-40% | 中 | 短文、社交媒体文案 |
| **L2: 结构层** | 逻辑重组、段落重排、视角转换 | 40-60% | 中高 | 中等长度文章 |
| **L3: 源头层** | 提示词CREATE框架 + 分步交互 + 敏感词过滤 | 60-90% | 高 | 从头生成新内容 |
| **L4: 混合层** | AI生成骨架30% + 人类注入30% + AI扩充50% + 人类终审20% | 70-95% | 最高 | 长篇、论文、小说 |

> **使用规则**：L0 已被宣告失效，不要再浪费时间在同义词替换上。L3 是"防"，L1-L2 是"治"，L4 是"终极方案"。优先从 L3 入手——源头防控比事后修补效率高 3 倍以上。

### 深度扩展四：降AI味的"人味注入六法"

> **来源**：多源实测交叉验证，综合朱雀绕过分析、降AI红黑榜、6提示词测评、AtomGit朱雀实测。

| 方法 | 操作 | 对抗的检测维度 |
|------|------|-------------|
| **主观评价** | 每段插入1处第一人称评价（"说实话""在我看来""这事挺讽刺的"） | 情感分布（打破中性占主导） |
| **具体数字** | 用精确数字替代模糊描述（"从5秒降到2秒"而非"显著提升"） | 困惑度（精确数字是低概率Token） |
| **个人经历** | 插入只有真人经历过的场景碎片 | 语义指纹（AI无真实经历，最硬的防AI标记） |
| **逻辑跳跃** | 故意在一个段落结尾不给出完整结论 | 逻辑封闭度（打破因果闭环） |
| **长短句交替** | 强制2-5字短句与25-40字长句交替 | 突发性（提升句长方差） |
| **不完美表达** | 保留一个"不够好"的过渡段或偶尔的啰嗦 | 困惑度（降低文本的"过度优化"特征） |

> **与本 Skill 既有"七条原则"的协同**：六法与"先写人声"原则中的"原则三·主动打破节奏""原则四·表达鲜明立场""原则一·注入真实个人经历"高度一致——六法是这些原则在**生成后**的去味阶段更具体、更量化的操作落地。

## AI输出精炼的多轮工作流——从"矿石"到"成品"（新增——吸收自知乎穆双译 Jake Orlowitz）

> **来源**：Jake Orlowitz（穆双译）《人们总说我的 AI 作品是金子——提高AI作品可读性》（知乎专栏，2026-07-11）。原作者为《纽约时报》撰稿人，描述其将 AI 初稿提炼到"记者看不出破绽"的多轮流程。

### 核心认知：AI 给你矿石，提炼才是技艺