Claude GitHub Copilot Skill

通用-去AI味重写

用于对章节正文做去 AI 味重写。适合主编式多轮去味、先诊断再定强度、整章去模板腔、局部拆解释腔、打散均匀句群、保信息重写与人物声音去同腔化。关键词:去AI味、主编式去味、多轮改稿、模板腔、解释腔、均匀句群、太像AI、重写这段。

LLM Mart · 0 points · 4 views 0 listing impressions 0 install-command copies
Download lornshrimp-lorn.novelwriteskills-CommonSkills_通用-去AI味重写-f36540b.zip · 3409 KB

Install

skills CLI npx skills add https://github.com/lornshrimp/Lorn.NovelWriteSkills/tree/main/CommonSkills/通用-去AI味重写
Claude Code claude plugin marketplace add https://llmmart.ai/marketplace.json && claude plugin install lornshrimp-lorn-novelwriteskills@llmmart
Git git clone https://github.com/lornshrimp/Lorn.NovelWriteSkills.git

The skills CLI installs just this skill, for any of its supported agents. Claude Code installs the whole lornshrimp/lorn.novelwriteskills collection as a plugin from our marketplace. Git is the plain clone.

Skill manifest

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

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
Character(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"
Role 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"
Expertise(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"
Audience(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"
Task 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"
Expectation(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

模型递给我的是矿石。任何值得阅读的内容都源于我后续的提炼。人们想象的是敲击键盘和一杯咖啡的功夫,而真正的工作发生在接下来的一个小时里。

这个认知直接影响去味时的战略判断——不要期望 AI 一次生成就是成品。去味的对象不是"写得不好的 AI 文本",而是"未经提炼的矿石"。心态决定你愿意花多少轮、多少精力去打磨。

工作流总览

以下流程基于实战验证,适用于需要将 AI 生成稿提升到"看不出破绽"级别的精炼场景:

第1轮:精确提示 → AI产出初稿(矿石)
第2轮:增补缺失 → AI加入模型遗漏的组件/线索
第3轮:事实核查 ← 必须独立进行(见下方警告)
第4轮:剥离惯用痕迹 → AI去掉三点列举/跷跷板句式/宠词
第5轮:自批评重写 → 新对话·批判性评分·按评分重写
第6轮:三位读者框架 → 写作教师/领域专家/怀疑论者
第7轮:人工终审 → 读出声,找死点,换活词(不可由AI代劳)

第5轮详解:自批评技术(核心增量)

这是投入最少、回报最高的操作:

  1. 新建对话:不要在当前创作上下文内继续。打开一个新对话,仅传入当前清理过的草稿。
  2. 批判性评分:要求 AI 对草稿做严格的批评——列出 10-15 个问题。AI 对自己刚写过的文章(在新上下文中)反而能做出更好的评判。
  3. 按评分重写:切换指令,让 AI 基于它自己刚发现的问题列表重写整篇。返回的结果通常比输入时更好。

为什么有效:AI 在同一对话中会持续维护对已生成内容的"自信"。新对话切断这种惯性,让它能以更客观的批评者视角审视同一份文本。

与事实核查的关系(关键):自批评重写轮捕捉的是清晰度和写作技巧问题,它无法可靠地捕捉到错误日期或站不住脚的论点。所以事实核查必须是独立的一轮——而且在前。把这两步混在一起做,你得到的只会是对一个原本就错误的句子进行自信而精炼的改写。

第6轮详解:三位读者框架

精炼的最后阶段,想象三位特定读者:

读者角色 关注的缺陷 问法
写作教师 死板的句子、没有脉搏的段落、节奏僵硬 "这段读起来有呼吸吗?有没有一句话可以删掉而不影响任何东西?"
领域专家 事实错误、逻辑跳跃、不合理的专业细节 "这个说法经得起推敲吗?一个真正懂行的人会在这里皱眉吗?"
怀疑论者 论证是否说服人、是否有预设立场 "凭什么相信你?这段有没有在偷换概念或回避真正的问题?"

实操方法:在 AI 精炼对话中,明确说出三位读者的身份特征和各自等待发现的缺陷,要求 AI 以"他们各自的语气"给出诚实反馈。然后收集全部反馈,要求基于此做一次全面重写。

第7轮详解:人工终审——任何提示词都无法完成的部分

最后 25% 的工作必须由人类手动完成:

  1. 默读找死点:在脑海中默读全文,寻找那些"语法正确但毫无生气"的句子。指标不是逻辑错误,而是"读到这里不再想读下去"的本能反应。
  2. 替换僵词:用鲜活的词语替换僵硬的表达。"一个词让句子活过来"比"整句换一种写法"更重要。
  3. 删惯性从句:那些"仅靠惯性支撑"的从句——删掉后主句意思不变的——不留。
  4. 持续直到读出人声:修改目标不是"AI 率降低",而是"读起来像一个人在说话"。这两者不是同一个东西。

事实核查的独立地位——常见失败原因

大多数 AI 辅助写作正是在事实核查这一步功亏一篑。

不单独做事实核查的后果:

  • AI 会带着自信陈述虚假信息——它对真话和假话报以同样平静的自信
  • 把事实核查并入润色轮 → 你得到的只是对错误句子做了漂亮改写
  • 事实核查必须要求 AI 回溯每一个名字、日期、数字和引文,并坦白那些它无法证实的内容

实操规则:在剥离惯用痕迹之后、自批评之前安排独立的事实核查轮。要求 AI 逐一标注每项事实的置信度(可验证/推测/不可验证),并对不可验证项给出替代方案。

与本 Skill 既有流程的关系

本工作流不替代本 Skill 现有的十大结构指纹诊断、四维病灶检测、三档手术强度决策等核心技术方法。它是在技术诊断之上的执行流程——告诉你什么时候做什么检测、什么阶段用什么工具:

  • 第1-2轮(初稿+增补)→ 使用本 Skill 的常规创作辅助
  • 第4轮(剥离痕迹)→ 使用本 Skill 的十大结构指纹扫描 + 四维病灶规则 + AI句式替换清单
  • 第5轮(自批评)→ 本工作流新增
  • 第6轮(三位读者)→ 本工作流新增
  • 第7轮(人工终审)→ 结合本 Skill 的"原则六·理解检测原理"做最终统计特征确认 + 红线保护复检

第8轮:统计对抗 + 人味终审(新增——对应于本 Skill 第九、十步)

在完成第7轮人工终审后,执行统计模式对抗(统计模式对抗与人味编辑终审方案.md §二)+ 人类指纹注入(§三)+ 三视角终审模拟(§四)。这三步共同构成"人味编辑终审 + 统计模式对抗"的完整闭环。

  • 统计对抗确保检测工具的评分维度上不存在明显破绽
  • 人类指纹注入确保文本有"不可伪造的人的特征"
  • 三视角终审模拟确保文本在编辑、读者和检测器三个视角下都能通过

如果这三步后仍有问题 → 标记为"当前技术条件下最优版本",记录未解决维度。

外部共享规则吸收口径

本 Skill 已吸收外部共享 deai-rules 的通用识别框架,但已按本仓库的中文网文场景改写落地:

  • 把“写得像机器”细分为内容抬升、句法公式、版式/PPT 化、交流残留、小说专项同腔五大扫描面。
  • 去味不只删套话,还要同时执行五条共性原则:删填充、拆公式、变节奏、信任读者、删金句。
  • 小说正文尤其要严查“情绪直接盖章、角色共用声带、段落齐步走、隐喻堆砌、结尾说教收圆”。
  • 去味完成后必须补回真实个性:立场、矛盾、毛边、偏见与选择性观察。
  • 深度诊断层(见下文 ## AI味深度诊断):当常规去味后文本仍然"读着像AI但挑不出具体毛病"时,进入九大结构指纹扫描——前六项覆盖文本结构层(感官均匀轰炸、比喻公式套娃、节奏全程匀速、内心独白过度条理、元叙事总结口吻、职业设定教科书执行),后三项覆盖创作逻辑层(模板机械复现、术语历史嫁接、过度合理缺失盲区),辅以四项量化检测指标(破折号异常率、句长标准差、感官词密度、转折扣密度)。这些是高级AI润色/扩写后的深层痕迹,常规模板腔检查无法覆盖。
  • 情绪表达层级叠加诊断(新增):在上述指纹诊断之外,追加一层"情绪表达层级"扫描——统计正文中情绪表达所处层级。当一段文本大量使用"直接写情绪词"(最低级)或"用思想表达情绪"(次低级)而缺乏动作/行为层表达时,即使没有触发其他AI指纹,也应视为AI味高风险。分层标准见 ../通用-执行场景单元/references/知乎精华_文笔四维与交互框架.md 第三节。
  • OS叙事拐杖专项检测(适用于所有含有穿书OS/内心OS的网文正文):在完成通用去AI味后,对正文中的穿书OS/冷幽默OS/内心OS做专项检测——去掉OS后读者是否还能理解情节推进。若不能,OS是叙事拐杖而非风格工具。检测方法与修复三法则详见 references/OS叙事拐杖检测增补.md。

网文叙事四则硬规则(新增)

来源:自知乎精华《如何写好一个优质的长篇小说?》(摘星,2026-06-17)。

以下四则硬规则是去AI味检查的上游前置约束——在诊断AI味之前,先确认正文是否遵守了网文叙事的基本纪律。这四则不是"写得更好"的建议,而是"不要踩的底线":

规则一:统一单视角,不乱切上帝视角

  • 每一章(或每一个场景单元)锁定一个主视角人物。读者通过这个角色的眼睛看、耳朵听、内心感受世界。
  • 禁止在同一场景内无过渡地切换到其他角色的内心独白或上帝视角的宏观描述("他不知道,此时远处的某个大楼里,另一个人正在……")。
  • 必须切换视角时,用明确的视角标记(章节标题标注POV、空行+视角人物标识等)。
  • 违禁示例:在同一段内先写"他感到一阵寒意",下一句写"实际上,她也在观察着他"——这是典型视角混乱。
  • 去AI检查视角一致性:随机抽取一章正文,标记每一段是从谁的视角出发的。如果同一章内出现了3个及以上不同人物的内部感受(内心独白/感官描写/情绪判断)而未用视角标记分隔,判为视角违例。

规则二:少堆风景环境,多写动作、心理、对话

  • 环境描写的存在理由只有一个——它参与了叙事的情绪或信息推进。纯风景描写("天空很蓝,云很白,风轻轻吹过树梢")除非有明确叙事功能,否则一律删。
  • 正文的推进力量优先级:动作/行为 > 对话/台词 > 内心独白/感受 > 环境/风景 > 旁白/说明。
  • 去AI味检查中,如果连续3段以上以环境描写或角色感受开头而非动作/对话开头,判为"叙述推进过慢"——不是AI独有的问题,但AI扩写容易在这点恶化。
  • 违禁示例:角色走进一个重要场景时,先写300字的环境描写再写角色的反应 → 正确写法:先写角色进入的动作和第一反应,环境信息在对白和行动中自然显影。

规则三:每个人的台词风格固定,一眼能区分

  • 核心角色的台词必须有可分辨的口吻特征:用词偏好、句式习惯、语气词、逻辑方式。不能所有角色说同一种"标准中文"。
  • 去AI味检查中的台词测试:删掉对话标签("XX说""XX问"),只看台词本身,是否能分辨出几句是谁说的?如果不行,判为同腔化风险。
  • 角色台词的风格设计必须在人物传记中显式标注(参见 通用-设计人物传记 的"人物对话参与度设计"与"表达DNA"),不能只在去味阶段临时改写。

规则四:情绪靠细节展示,不靠直白抒情

  • 核心原则:情绪是揭示出来的,不是讲述出来的。角色的愤怒不是"他很生气",而是"他握紧的拳头发白";角色的悲伤不是"她很伤心",而是"她把那杯茶端起来又放下,端起来又放下,始终没有喝"。
  • 禁止用"感到""觉得""意识到"等直接命名情绪的动词来替代场景中的情绪展示——除非该情绪本身就是悬念的一部分(角色在隐藏真实感受)。
  • 去AI味检查中的情绪展示测试:统计一章中直接使用情绪词(愤怒/悲伤/恐惧/开心/焦虑等)直接命名的次数。如果一章内超过3处直白抒情("他感到愤怒"级别,而非"他怒火中烧"这种描写级),判为情绪展示不足。

四则硬规则的优先级

四则规则的优先级按从上到下排列。规则一(视角统一)是底线中的底线——视角混乱对读者造成的阅读障碍 > 台词同腔化 > 情绪直白 > 环境过多。但如果四条同时出现问题,优先修复视角和台词风格(规则一和规则三),因为这两条直接影响读者的代入感和角色辨识度。

AI味三轴诊断框架——体感/节奏/取舍(新增——吸收自知乎Raymond"AI味,不是AI的味")

来源:知乎·Raymond《AI味,不是AI的味》(2026-07-02,149 赞同)。核心论点:AI味是一种文体特征(信息优先于体感、结构优先于节奏、�

Files (lorn.novelwriteskills)
  • humanizer-main
    • .claude-plugin
      • marketplace.json 622 B
        Loading…
      • plugin.json 578 B
        Loading…
    • AGENTS.md 2.3 KB
      Loading…
    • LICENSE 1 KB · in bundle
    • README.md 11.8 KB
      Loading…
    • SKILL.md 33.2 KB
      Loading…
  • Humanizer-zh-main
    • LICENSE 1 KB · in bundle
    • README.md 7.6 KB
      Loading…
    • SKILL.md 18.5 KB
      Loading…
  • references
    • AI句式替换与动作化替代清单.md 8.3 KB
      Loading…
    • AI味高发信号与拆洗策略补充.md 4.2 KB
      Loading…
    • OS叙事拐杖检测增补.md 3.9 KB
      Loading…
    • 七猫专栏OS叙事拐杖检测增补.md 3.8 KB
      Loading…
    • 去AI化报告模板.md 13.5 KB
      Loading…
    • 去AI味三档手术强度与风险卡.md 2.4 KB
      Loading…
    • 去AI味三级改造与工具包.md 6 KB
      Loading…
    • 去AI味共享裁判规则补编.md 14 KB
      Loading…
    • 去AI味句级改写工具.md 1.2 KB
      Loading…
    • 去AI味后供血与职责复检卡.md 3.8 KB
      Loading…
    • 去AI味四维病灶与45条规则.md 5.1 KB
      Loading…
    • 去AI味多轮诊断与回写模板.md 3.2 KB
      Loading…
    • 去AI味执行清单.md 4.4 KB
      Loading…
    • 去AI味红线保护.md 623 B
      Loading…
    • 去AI味识别雷达.md 14.6 KB
      Loading…
    • 去AI味风格与排版补充.md 1.7 KB
      Loading…
    • 去雕琢腔与透明人声校准卡.md 3.2 KB
      Loading…
    • 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 42 KB
      Loading…
    • 朱雀AI检测七维度操作详解.md 14.2 KB
      Loading…
    • 真实细节与反向挑刺补充.md 5.2 KB
      Loading…
    • 科幻类AI味典型问题.md 3.9 KB
      Loading…
    • 统计模式对抗与人味编辑终审方案.md 27.6 KB
      Loading…
    • 腾讯专栏直白与氛围保持增补.md 2.4 KB
      Loading…
    • 视角塌陷与五感替代诊断修复卡.md 8.6 KB
      Loading…
    • 风格注入锚点卡.md 6.3 KB
      Loading…
  • shuorenhua-main
    • .github
      • ISSUE_TEMPLATE
        • bad-case.md 995 B
          Loading…
    • assets
      • banner-dark.svg 48.1 KB · in bundle
      • banner-light.svg 48.1 KB · in bundle
      • icon-hd.png 1008.2 KB · in bundle
      • icon.png 297.5 KB · in bundle
      • readme-logo.png 171.6 KB · in bundle
      • social-card.png 83.2 KB · in bundle
    • automation
      • eval
        • judge-prompt.md 2.7 KB
          Loading…
        • README.md 6.1 KB
          Loading…
        • rewrite-prompt.md 3.5 KB
          Loading…
      • intake-prompt.md 2.9 KB
        Loading…
      • intake.md 4.3 KB
        Loading…
      • README.md 3.6 KB
        Loading…
    • evals
      • benchmark.md 48.7 KB
        Loading…
      • real-samples.md 34.4 KB
        Loading…
      • results-v1.3.0.md 3.5 KB
        Loading…
      • results-v1.4.3.md 4.2 KB
        Loading…
      • results-v1.5.0.md 5.4 KB
        Loading…
      • results-v1.7.1.md 6.8 KB
        Loading…
      • results-v1.7.4.md 10.2 KB
        Loading…
      • results-v1.8.0.md 3.5 KB
        Loading…
      • results-v1.8.3.md 3.3 KB
        Loading…
      • results-v1.8.5.md 4.1 KB
        Loading…
      • results-v1.8.6.md 3.9 KB
        Loading…
      • results-v1.9.0.md 6.8 KB
        Loading…
      • results-v1.9.1.md 4.1 KB
        Loading…
      • results-v1.9.2.md 3.5 KB
        Loading…
      • run-eval.md 8.1 KB
        Loading…
    • install
      • chatgpt-gpt-instructions.md 1.7 KB
        Loading…
      • chatgpt.md 4.3 KB
        Loading…
      • claude-code.md 3.6 KB
        Loading…
      • codex.md 3.6 KB
        Loading…
      • cursor.md 2.7 KB
        Loading…
      • openclaw.md 3 KB
        Loading…
    • references
      • boundary-cases.md 8.6 KB
        Loading…
      • examples.md 12.2 KB
        Loading…
      • operation-manual.md 16 KB
        Loading…
      • phrases-en.md 3.6 KB
        Loading…
      • phrases-zh.md 12.4 KB
        Loading…
      • positive-style.md 6.7 KB
        Loading…
      • protected-spans.md 4.3 KB
        Loading…
      • scene-guardrails.md 3.3 KB
        Loading…
      • scene-packs.md 5.7 KB
        Loading…
      • severity.md 4.3 KB
        Loading…
      • structures.md 8.5 KB
        Loading…
    • AGENTS.md 1.2 KB
      Loading…
    • CHANGELOG.md 43.3 KB
      Loading…
    • CLAUDE.md 9 B
      Loading…
    • CONTRIBUTING.md 7.5 KB
      Loading…
    • LICENSE 1 KB · in bundle
    • README.md 12.7 KB
      Loading…
    • SKILL.md 20.2 KB
      Loading…
  • stop-slop-main
    • references
      • examples.md 1.6 KB
        Loading…
      • phrases.md 2.8 KB
        Loading…
      • structures.md 5.1 KB
        Loading…
    • CHANGELOG.md 895 B
      Loading…
    • LICENSE 1 KB · in bundle
    • README.md 1.8 KB
      Loading…
    • SKILL.md 2.6 KB
      Loading…
  • taste-skill-main
    • .claude-plugin
      • marketplace.json 501 B
        Loading…
      • plugin.json 447 B
        Loading…
    • .github
      • copilot-instructions.md 959 B
        Loading…
      • FUNDING.yml 17 B
        Loading…
    • assets
      • readme-buttons
        • btn-agent-skills.webp 16.7 KB · in bundle
        • btn-changelog.webp 15.1 KB · in bundle
        • btn-mit.webp 12.7 KB · in bundle
        • btn-site.webp 18.6 KB · in bundle
        • btn-tools.webp 19.2 KB · in bundle
      • sponsors
        • animations-dev.webp 15.6 KB · in bundle
        • emil-animations-dev.webp 38.3 KB · in bundle
        • vercel-logo.svg 242 B · in bundle
      • .gitkeep 0 B · in bundle
      • readme-banner.webp 97.6 KB · in bundle
      • readme-cta-tasteskill.svg 4.8 KB · in bundle
      • taste-skill-logo.png 16.9 KB · in bundle
      • taste-skill-logo.webp 3.2 KB · in bundle
      • vercel-oss-program-badge.svg 13 KB · in bundle
    • examples
      • floria-bottom.webp 166.1 KB · in bundle
      • floria-full.webp 554.9 KB · in bundle
      • floria-top.webp 295.9 KB · in bundle
    • research
      • laziness
        • findings
          • empirical-results.md 2.8 KB
            Loading…
          • references.md 1.5 KB
            Loading…
        • remediation
          • architectural-patterns.md 3.1 KB
            Loading…
          • parameter-tuning.md 2.8 KB
            Loading…
          • prompt-engineering.md 3.2 KB
            Loading…
          • reference-prompts.md 2.3 KB
            Loading…
        • root-causes
          • cognitive-shortcuts.md 2.1 KB
            Loading…
          • output-limits.md 2.5 KB
            Loading…
          • rlhf-and-compute.md 2.1 KB
            Loading…
          • training-data-bias.md 1.6 KB
            Loading…
        • README.md 1.8 KB
          Loading…
      • README.md 368 B
        Loading…
    • scripts
      • build-emil-sponsor-row.mjs 1.1 KB · in bundle
      • convert-readme-assets-webp.mjs 4.1 KB · in bundle
      • process-readme-buttons.mjs 2.9 KB · in bundle
      • process-sponsor-badge.mjs 2.3 KB · in bundle
    • skills
      • brandkit
        • SKILL.md 15.6 KB
          Loading…
      • brutalist-skill
        • SKILL.md 8.3 KB
          Loading…
      • gpt-tasteskill
        • SKILL.md 7.7 KB
          Loading…
      • image-to-code-skill
        • SKILL.md 35.6 KB
          Loading…
      • imagegen-frontend-mobile
        • SKILL.md 39.4 KB
          Loading…
      • imagegen-frontend-web
        • SKILL.md 36 KB
          Loading…
      • minimalist-skill
        • SKILL.md 7.7 KB
          Loading…
      • output-skill
        • SKILL.md 2.5 KB
          Loading…
      • redesign-skill
        • SKILL.md 14.7 KB
          Loading…
      • soft-skill
        • SKILL.md 10.3 KB
          Loading…
      • stitch-skill
        • DESIGN.md 11.8 KB
          Loading…
        • SKILL.md 11.6 KB
          Loading…
      • taste-skill
        • SKILL.md 85.2 KB
          Loading…
      • taste-skill-v1
        • SKILL.md 20.7 KB
          Loading…
      • llms.txt 1.8 KB
        Loading…
    • CHANGELOG.md 8.1 KB
      Loading…
    • LICENSE 1 KB · in bundle
    • README.md 13.5 KB
      Loading…
    • skill.sh 897 B
      Loading…
  • SKILL.md 154.2 KB
    ---
    name: 通用-去AI味重写
    description: '用于对章节正文做去 AI 味重写。适合主编式多轮去味、先诊断再定强度、整章去模板腔、局部拆解释腔、打散均匀句群、保信息重写与人物声音去同腔化。关键词:去AI味、主编式去味、多轮改稿、模板腔、解释腔、均匀句群、太像AI、重写这段。'
    argument-hint: '要处理哪一章或哪一段?默认先做一句病灶诊断,再在三档手术强度里定档,始终保信息、保结构、保钩子。'
    
    user-invocable: false
    ---
    
    
    
    
    <!-- ===== 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
    
    > 模型递给我的是矿石。任何值得阅读的内容都源于我后续的提炼。人们想象的是敲击键盘和一杯咖啡的功夫,而真正的工作发生在接下来的一个小时里。
    
    这个认知直接影响去味时的战略判断——不要期望 AI 一次生成就是成品。去味的对象不是"写得不好的 AI 文本",而是"未经提炼的矿石"。心态决定你愿意花多少轮、多少精力去打磨。
    
    ### 工作流总览
    
    以下流程基于实战验证,适用于需要将 AI 生成稿提升到"看不出破绽"级别的精炼场景:
    
    ```text
    第1轮:精确提示 → AI产出初稿(矿石)
    第2轮:增补缺失 → AI加入模型遗漏的组件/线索
    第3轮:事实核查 ← 必须独立进行(见下方警告)
    第4轮:剥离惯用痕迹 → AI去掉三点列举/跷跷板句式/宠词
    第5轮:自批评重写 → 新对话·批判性评分·按评分重写
    第6轮:三位读者框架 → 写作教师/领域专家/怀疑论者
    第7轮:人工终审 → 读出声,找死点,换活词(不可由AI代劳)
    ```
    
    ### 第5轮详解:自批评技术(核心增量)
    
    这是投入最少、回报最高的操作:
    
    1. **新建对话**:不要在当前创作上下文内继续。打开一个新对话,仅传入当前清理过的草稿。
    2. **批判性评分**:要求 AI 对草稿做严格的批评——列出 10-15 个问题。AI 对自己刚写过的文章(在新上下文中)反而能做出更好的评判。
    3. **按评分重写**:切换指令,让 AI 基于它自己刚发现的问题列表重写整篇。返回的结果通常比输入时更好。
    
    **为什么有效**:AI 在同一对话中会持续维护对已生成内容的"自信"。新对话切断这种惯性,让它能以更客观的批评者视角审视同一份文本。
    
    **与事实核查的关系**(关键):自批评重写轮捕捉的是清晰度和写作技巧问题,它无法可靠地捕捉到错误日期或站不住脚的论点。所以事实核查必须是独立的一轮——而且在前。把这两步混在一起做,你得到的只会是对一个原本就错误的句子进行自信而精炼的改写。
    
    ### 第6轮详解:三位读者框架
    
    精炼的最后阶段,想象三位特定读者:
    
    | 读者角色 | 关注的缺陷 | 问法 |
    |---------|-----------|------|
    | **写作教师** | 死板的句子、没有脉搏的段落、节奏僵硬 | "这段读起来有呼吸吗?有没有一句话可以删掉而不影响任何东西?" |
    | **领域专家** | 事实错误、逻辑跳跃、不合理的专业细节 | "这个说法经得起推敲吗?一个真正懂行的人会在这里皱眉吗?" |
    | **怀疑论者** | 论证是否说服人、是否有预设立场 | "凭什么相信你?这段有没有在偷换概念或回避真正的问题?" |
    
    **实操方法**:在 AI 精炼对话中,明确说出三位读者的身份特征和各自等待发现的缺陷,要求 AI 以"他们各自的语气"给出诚实反馈。然后收集全部反馈,要求基于此做一次全面重写。
    
    ### 第7轮详解:人工终审——任何提示词都无法完成的部分
    
    最后 25% 的工作必须由人类手动完成:
    
    1. **默读找死点**:在脑海中默读全文,寻找那些"语法正确但毫无生气"的句子。指标不是逻辑错误,而是"读到这里不再想读下去"的本能反应。
    2. **替换僵词**:用鲜活的词语替换僵硬的表达。"一个词让句子活过来"比"整句换一种写法"更重要。
    3. **删惯性从句**:那些"仅靠惯性支撑"的从句——删掉后主句意思不变的——不留。
    4. **持续直到读出人声**:修改目标不是"AI 率降低",而是"读起来像一个人在说话"。这两者不是同一个东西。
    
    ### 事实核查的独立地位——常见失败原因
    
    > 大多数 AI 辅助写作正是在事实核查这一步功亏一篑。
    
    不单独做事实核查的后果:
    - AI 会带着自信陈述虚假信息——它对真话和假话报以同样平静的自信
    - 把事实核查并入润色轮 → 你得到的只是对错误句子做了漂亮改写
    - 事实核查必须要求 AI **回溯每一个名字、日期、数字和引文,并坦白那些它无法证实的内容**
    
    **实操规则**:在剥离惯用痕迹之后、自批评之前安排独立的事实核查轮。要求 AI 逐一标注每项事实的置信度(可验证/推测/不可验证),并对不可验证项给出替代方案。
    
    ### 与本 Skill 既有流程的关系
    
    本工作流**不替代**本 Skill 现有的十大结构指纹诊断、四维病灶检测、三档手术强度决策等核心技术方法。它是在技术诊断之上的**执行流程**——告诉你什么时候做什么检测、什么阶段用什么工具:
    
    - 第1-2轮(初稿+增补)→ 使用本 Skill 的常规创作辅助
    - 第4轮(剥离痕迹)→ 使用本 Skill 的十大结构指纹扫描 + 四维病灶规则 + AI句式替换清单
    - 第5轮(自批评)→ 本工作流新增
    - 第6轮(三位读者)→ 本工作流新增
    - 第7轮(人工终审)→ 结合本 Skill 的"原则六·理解检测原理"做最终统计特征确认 + 红线保护复检
    
    ### 第8轮:统计对抗 + 人味终审(新增——对应于本 Skill 第九、十步)
    
    在完成第7轮人工终审后,执行统计模式对抗(`统计模式对抗与人味编辑终审方案.md` §二)+ 人类指纹注入(§三)+ 三视角终审模拟(§四)。这三步共同构成"人味编辑终审 + 统计模式对抗"的完整闭环。
    
    - **统计对抗**确保检测工具的评分维度上不存在明显破绽
    - **人类指纹注入**确保文本有"不可伪造的人的特征"
    - **三视角终审模拟**确保文本在编辑、读者和检测器三个视角下都能通过
    
    如果这三步后仍有问题 → 标记为"当前技术条件下最优版本",记录未解决维度。
    
    ## 外部共享规则吸收口径
    
    本 Skill 已吸收外部共享 `deai-rules` 的通用识别框架,但已按本仓库的中文网文场景改写落地:
    
    - 把“写得像机器”细分为内容抬升、句法公式、版式/PPT 化、交流残留、小说专项同腔五大扫描面。
    - 去味不只删套话,还要同时执行五条共性原则:删填充、拆公式、变节奏、信任读者、删金句。
    - 小说正文尤其要严查“情绪直接盖章、角色共用声带、段落齐步走、隐喻堆砌、结尾说教收圆”。
    - 去味完成后必须补回真实个性:立场、矛盾、毛边、偏见与选择性观察。
    - **深度诊断层**(见下文 `## AI味深度诊断`):当常规去味后文本仍然"读着像AI但挑不出具体毛病"时,进入九大结构指纹扫描——前六项覆盖文本结构层(感官均匀轰炸、比喻公式套娃、节奏全程匀速、内心独白过度条理、元叙事总结口吻、职业设定教科书执行),后三项覆盖创作逻辑层(模板机械复现、术语历史嫁接、过度合理缺失盲区),辅以四项量化检测指标(破折号异常率、句长标准差、感官词密度、转折扣密度)。这些是高级AI润色/扩写后的深层痕迹,常规模板腔检查无法覆盖。
    - **情绪表达层级叠加诊断(新增)**:在上述指纹诊断之外,追加一层"情绪表达层级"扫描——统计正文中情绪表达所处层级。当一段文本大量使用"直接写情绪词"(最低级)或"用思想表达情绪"(次低级)而缺乏动作/行为层表达时,即使没有触发其他AI指纹,也应视为AI味高风险。分层标准见 `../通用-执行场景单元/references/知乎精华_文笔四维与交互框架.md` 第三节。
    - **OS叙事拐杖专项检测(适用于所有含有穿书OS/内心OS的网文正文)**:在完成通用去AI味后,对正文中的穿书OS/冷幽默OS/内心OS做专项检测——去掉OS后读者是否还能理解情节推进。若不能,OS是叙事拐杖而非风格工具。检测方法与修复三法则详见 `references/OS叙事拐杖检测增补.md`。
    ## 网文叙事四则硬规则(新增)
    
    > **来源**:自知乎精华《如何写好一个优质的长篇小说?》(摘星,2026-06-17)。
    
    以下四则硬规则是去AI味检查的上游前置约束——在诊断AI味之前,先确认正文是否遵守了网文叙事的基本纪律。这四则不是"写得更好"的建议,而是"不要踩的底线":
    
    ### 规则一:统一单视角,不乱切上帝视角
    
    - 每一章(或每一个场景单元)锁定一个主视角人物。读者通过这个角色的眼睛看、耳朵听、内心感受世界。
    - 禁止在同一场景内无过渡地切换到其他角色的内心独白或上帝视角的宏观描述("他不知道,此时远处的某个大楼里,另一个人正在……")。
    - 必须切换视角时,用明确的视角标记(章节标题标注POV、空行+视角人物标识等)。
    - **违禁示例**:在同一段内先写"他感到一阵寒意",下一句写"实际上,她也在观察着他"——这是典型视角混乱。
    - **去AI检查视角一致性**:随机抽取一章正文,标记每一段是从谁的视角出发的。如果同一章内出现了3个及以上不同人物的内部感受(内心独白/感官描写/情绪判断)而未用视角标记分隔,判为视角违例。
    
    ### 规则二:少堆风景环境,多写动作、心理、对话
    
    - 环境描写的存在理由只有一个——它参与了叙事的情绪或信息推进。纯风景描写("天空很蓝,云很白,风轻轻吹过树梢")除非有明确叙事功能,否则一律删。
    - 正文的推进力量优先级:**动作/行为 > 对话/台词 > 内心独白/感受 > 环境/风景 > 旁白/说明**。
    - 去AI味检查中,如果连续3段以上以环境描写或角色感受开头而非动作/对话开头,判为"叙述推进过慢"——不是AI独有的问题,但AI扩写容易在这点恶化。
    - **违禁示例**:角色走进一个重要场景时,先写300字的环境描写再写角色的反应 → 正确写法:先写角色进入的动作和第一反应,环境信息在对白和行动中自然显影。
    
    ### 规则三:每个人的台词风格固定,一眼能区分
    
    - 核心角色的台词必须有可分辨的口吻特征:用词偏好、句式习惯、语气词、逻辑方式。不能所有角色说同一种"标准中文"。
    - 去AI味检查中的台词测试:删掉对话标签("XX说""XX问"),只看台词本身,是否能分辨出几句是谁说的?如果不行,判为同腔化风险。
    - 角色台词的风格设计必须在人物传记中显式标注(参见 `通用-设计人物传记` 的"人物对话参与度设计"与"表达DNA"),不能只在去味阶段临时改写。
    
    ### 规则四:情绪靠细节展示,不靠直白抒情
    
    - 核心原则:**情绪是揭示出来的,不是讲述出来的**。角色的愤怒不是"他很生气",而是"他握紧的拳头发白";角色的悲伤不是"她很伤心",而是"她把那杯茶端起来又放下,端起来又放下,始终没有喝"。
    - 禁止用"感到""觉得""意识到"等直接命名情绪的动词来替代场景中的情绪展示——除非该情绪本身就是悬念的一部分(角色在隐藏真实感受)。
    - 去AI味检查中的情绪展示测试:统计一章中直接使用情绪词(愤怒/悲伤/恐惧/开心/焦虑等)直接命名的次数。如果一章内超过3处直白抒情("他感到愤怒"级别,而非"他怒火中烧"这种描写级),判为情绪展示不足。
    
    ### 四则硬规则的优先级
    
    四则规则的优先级按从上到下排列。规则一(视角统一)是底线中的底线——视角混乱对读者造成的阅读障碍 > 台词同腔化 > 情绪直白 > 环境过多。但如果四条同时出现问题,优先修复视角和台词风格(规则一和规则三),因为这两条直接影响读者的代入感和角色辨识度。
    
    ## AI味三轴诊断框架——体感/节奏/取舍(新增——吸收自知乎Raymond"AI味,不是AI的味")
    
    > **来源**:知乎·Raymond《AI味,不是AI的味》(2026-07-02,149 赞同)。核心论点:AI味是一种文体特征(信息优先于体感、结构优先于节奏、�

Comments (0)

Sign in to join the conversation.

No comments yet.

Reviews (0)

No reviews yet.