larashero3-dotcom/lieflat-less-ai-tone

中文 | English 一个基于两轮实测语料（共 1,169 篇、约 520 万汉字、100+ 项指标、约 50 万次模型语义判断）的去 AI 味 skill：先交付有指标、研究参照、原文例句和改法的检测报告，用户回复后再改写和复测。 这个 skill 用两轮对照研究筛选值得处理的写作特征，再对成稿做有依据的检测和最小改写。 LLM 在 Coding 和推理能力渐入佳境的同时，写作的体感好像并没有同步变好，生成的文字依然很容易让人读着犯困。 比如不少主力模型智商极高，但写出来的长文我往往要读好几遍，很大的原因是它满篇都在用「不是技术问题，而是认知问题」的对举、段首固定的「这也解释了为什么……」、密集的破折号，以及「残酷的现实是：」这类宣告式开头。 为了处理这些问题，常见的做法是给模型列一张禁用词表，或者塞一段「去 AI 味 Prompt」。我也试过很长一段时间，但实操下来有两个明显痛点： 第一是禁用词表管不住真正的 AI 味。很多文章完全避开了「赋能」「闭环」「抓手」，标点也很克制，但读完三段依然一眼就能看出是 AI 写的。 第二是容易乱改、误伤正常表达。把十几条经验规则攒在一起喂给模型直接改稿，模型会非常激进地把文章里原本自然的设问句、「一、二、三」小标题一并删掉，甚至为了迎合「长短句参差」的指令，把顺畅的句子硬生生拆碎。 衡量和改写文风要比 Coding 场景更难构建可验证的标准。 市面上流传的「AI 味清单」基本来自个案观察和个人语感，从未经过系统检验。我的思路是，从「读着像 AI」这个很难直接验证的主观体验里，找到若干个能客观反映模型写作特征的 Signal，先量化评测，再顺藤摸瓜地从工程和规则上把问题解决掉。 从源头看，把「去 AI 味」做成一套可靠的 Skill，核心只涉及三个问题： 第一，怎么把脚本数不出来的「AI 味」真正测准？这决定了能不能抓到藏在句子意思和上下文里的深层习惯。 第二，哪些语言特征是真正影响阅读体验的 Signal？这决定了改写规则往哪里发力。 第三，拿到这些 Signal 后，如何管住模型的手？这决定了改写过程能否在清理套路的同时，不误伤作者原本的正常表达。 这些工作在构建思路上有两个相同的原则： 首先是有效，让每个 Signal 能简洁直接地对应一个可定位的句法或篇章问题，通过指标高低，顺藤摸瓜地在规则上准确动刀。 其次是可靠，让评测与改写前后的变化尽量可以量化，避免凭感觉盲改。 语料生成方法：同一批话题，五个模型各写 60 篇，与 329 篇人类作者文章对照。 语料统计： 模型：claude-opus-4-6、deepseek-v4-pro、gemini-3.1-pro、gpt-5.6-sol、kimi-k3。人类侧分组独立统计，检验组间一致性。 判定标准： 倍率 R = 生成侧频率 ÷ 人类侧频率。R≥2.0 纳入；1.25–2.0 条件纳入（需人类侧组间一致且绝对量足）；0.8–1.25 排除；<0.8 人类更多，反向也不可作为删改依据。另有三项附加条件：组间一致性（极差≤5 倍）、算子可定位性（能指出改哪一句）、改写可操作性（"补虚词"无法验收，整项弃用）。 第一轮实验的根本缺陷是语料不配对，第二轮收紧了这一点，选择将人类文章里的数字、事件提炼成任务卡发给 AI，让它在同样的事实约束下写同题文章。 三层测量标准：脚本层，语义层和人工层。脚本层用正则数标点个数、句长、小节数等完全可被量化计算的部分。语义层补充脚本层无法判断的语义理解部分，脚本先抽候选片段，模型对每条做封闭式判断（这是不是密集并列/结论宣告/结构复用），在这里使用 Jev 进行判断，总共判断50 万次。最后是人工测评层面。 一个特征在某一层测量中显著即可成立，不需要三层全通过。…