说实话我最早想做这个“去AI味 Skills 合集”纯粹是被自己写出来的东西烦到了。我每天有一半时间泡在 Claude Code 和 Cursor 里AI 写初稿确实快但交出来的段落总有一种说不出的“圆润感”连接词工整、句子对称、段段落点题一眼就能识别出不是人直接写的。后来我干脆把整个处理流程固化成了一个 Skills 包你说一句“去AI味”它自己完成 AI 痕迹扫描、分块改写、质检打分、差异报告这一整条流水线。这个合集比较适合长期用 AI 写稿的博主、经常写技术文档的开发者也适合那些刚开始接触 Skills、想找一个能直接抄作业的实战范例的人。1. 从“看着怪”到“能落地”先把 AI 味说清楚很多人以为去 AI 味就是换几个词比如把“首先”删掉、把“值得注意的是”改成“这里有个点要注意”。但实际做下来你会发现真正的 AI 味藏在结构里不是靠同义词替换能解决的。所以这个项目的第一步不是写改写指令而是先定一套可以量化的“AI 味特征表”。1.1 不只是连接词太多而是结构上“没有呼吸感”给你看一段很典型的 AI 生成文字“首先我们需要明确问题的背景。其次分析当前的核心矛盾。最后提出一套可行的解决方案。”单看每句话都对但整段读下来没有任何停顿没有插入语没有一点点“走着走着偏一下又绕回来”的真人感。人写东西是非常不规整的经常一句话是另一个句子的补充说明甚至会先抛出结论再回头解释原因。AI 变成这样本质上不是它笨而是它的训练目标里有很强的“信息完整”和“逻辑顺畅”倾向模型会倾向于把话说得很满把转折铺得很平。这个倾向反映在文本上就是我说的“无呼吸感”。所以我的流水线在做改写时第一个动作永远不是替换关键词而是把对称句拆开把整齐的排比打散重新安排段落内部的节奏。1.2 高频模板词与抽象词密度才是重灾区如果你把 AI 生成的一万字文档拉出来统计词频你会发现“赋能、抓手、闭环、提升、高效、显著、一定、必须”这类词的密度远高于人类手写文本。我这套项目里内置了一个 AI 味词表默认收录了 200 多个高频词支持用户自行增删。比高频词更隐蔽的是抽象词密度。AI 的默认写作路线是“说抽象的话不容易出错”。比如同样是描述一次流程优化AI 会写“通过全面梳理业务流程有效提升整体运行效率”而一个亲自做过这件事的人会写“我把审批从三级砍成一级原来要等两天的流程现在十分钟走完”。后者有具体动作、有数字、有前后的对比AI 不是为了偷懒而是它在没有足够上下文时抽象表达是概率上更安全的选项。因此去 AI 味必须在改写阶段强制补充“可验证的细节”哪怕是用占位符标记也要让文本保留具体感。1.3 机器怎么给 AI 味打分五维评分卡为了让“去 AI 味”这件事不变成纯感觉我在项目里写了一个简易的评分脚本按五个维度对文本做量化评估维度检测方式说明模板连接词密度统计“首先、其次、最后、综上所述、总而言之”等AI 味最明显的信号句式对称占比检测连续两个以上相同结构句子排比过度是 AI 写作的标志段落首句模式统计“随着、通过、在……下”开头的段首模板化开头一眼就能识别信息密度统计具体名词、数字、动词的出现频率抽象词太多会拉低这个值文本重复率用 n-gram 检测近义句复述AI 常会把同一意思换句话再说一遍每个维度给 1 到 10 分总分超过 35 就标记为“高 AI 味”需要进入改写流程低于 25 基本可以交付。这个评分卡不是拿来定罪的它解决的是另一个问题让改写有明确的结束条件。没有这个门槛AI 改写经常陷入“来回改但不知道改够了没”的循环。2. 为什么做成 Skills而不是复制粘贴提示词我最早试过用提示词控制 GPT 和 Claude 去 AI 味效果不能说没有但稳定度很看运气。今天问一次能给你改好明天上下文稍微长一点它就忘了规则又开始“首先……其次……最后”。这也是我想把它做成 Skills 的最直接原因。2.1 提示词是“一次性菜谱”Skills 是“完整工作台”提示词本质上是一段一次性指令每次都要重新粘贴、重新解释、重新要求。而一个 Skill 包把流程固定成了目录结构里面有说明文件、参考策略、评分脚本和示例文本。模型需要调用某个技能时会主动去读取对应的 SKILL.md按文件里定义的步骤执行。对使用者来说安装完之后只需要输入一句“去AI味”剩下的扫描、改写、质检都是自动的。这两年社区里冒出了不少 Skills 合集比如 superpower skills、awesome-claude-skills 这种索引仓库。我这个项目跟它们的定位不同它们更多是通用能力库我这就做一件事专注去 AI 味这个垂直场景。好处是学习成本极低你不需要理解别人那套复杂的技能调用体系装完就能用。2.2 SKILL.md 长什么样一个最简单的示例一个 Skill 的核心是 SKILL.md 文件它通过 frontmatter 声明技能名称和触发描述正文则是具体的执行步骤。我开源这个项目时SKILL.md 写得非常直白--- name: de-ai-flavor description: 输入一段文本后自动识别AI痕迹并改写随后完成质量检测。 --- # 流程 1. 使用 scripts/scan.py 扫描输入文本输出AI味评分。 2. 根据评分报告执行改写策略见 reference/rewrite-strategy.md。 3. 对改写后的文本再跑一次 scan.py对比前后评分。 4. 输出一份简短报告包含改写前后差异与仍存在的问题。很多人第一次看 SKILL.md会觉得“就这么点内容能有什么用”。但你要理解它就是给模型的一本工作手册真正的逻辑在它引用的脚本和参考文件里。把规则拆到不同文件而不是堆在一个长提示词里是为了让模型在每一步都知道去哪里找依据也方便你自己维护。2.3 开源目录设计规则和执行的分离我发布到这个合集时目录结构是这样的de-ai-flavor-skill/ ├── SKILL.md ├── config/ │ └── ai-flavor-words.json ├── reference/ │ ├── rewrite-strategy.md │ └── qa-rules.md ├── scripts/ │ ├── scan.py │ └── report.py └── samples/ └── before-after.mdconfig 用来放词表、阈值等可调参数reference 用来放改写的策略原则和质检规则scripts 则是真正会执行的代码。这样设计是刻意的普通人不需要懂正则和 Python他只要打开 config 里的 JSON把“赋能”删掉把“咱们”加进去就能定制自己的去 AI 味风格。高级用户则可以深入 scripts 里改评分逻辑。2.4 安装方式Claude Code、Cursor 与通用 Skills 目录我实测过的安装方式有两种。一种是手动安装把整个项目目录复制到对应工具的 Skills 目录比如 Claude Code 通常是~/.claude/skillsCursor 的目录会随版本变化建议以官方文档为准。另一种是通过软链接来同步多个工具的目录这样改一版代码所有环境都能生效。我知道很多人卡在“怎么手动装 GitHub 上的 Skills”其实本质就是复制文件夹没别的玄学。要注意的是权限有些工具只读自己应用目录下的 skills软链接到系统目录可能不认。遇到这种情况老老实实复制一份就行别在权限上纠结。3. 整条流水线的核心实现一句话触发全自动流程现在聊重点也就是“说一句‘去AI味’”背后的执行链。这套流水线我把拆成五个阶段每个阶段做一件明确的事互不干扰。它的设计意图是让整个流程可观测、有退出条件而不是让 AI 蒙着头改完就交差。3.1 五段式流水线从吸入到输出阶段动作产物吸入清理输入文本去掉多余 Markdown 和空白干净的纯文本扫描运行 scan.py输出各维度评分一份 AI 味体检报告改写按参考策略打散结构、补充细节、调整语气第一版改写稿质检对改写稿再次扫描比较前后分数达标或退回改写报告输出原文、改写文、差异说明对比报告第五阶段的输出不会直接替换掉你的原始文件而是先问一句“是否替换原稿”。之所以保留这个确认窗口是因为我在实际使用中发现AI 的改写虽然通常更好但偶尔会把一些只有原作者才知道的信息改丢。保留对比稿能让人快速发现问题而不是被静默替换坑掉。3.2 改写策略里的五个关键选择设计 rewrite-strategy.md 的时候我写了很多条规则但最核心的其实是五个选择每个选择背后都有原因。第一优先删连接词。人类阅读时能从语义里自行补齐逻辑关系删掉“首先、其次、最后”不会造成理解障碍反而让行文更接近口语。第二不做“全短句化”。我试过把每一句都改成短句结果文本变成了一种机械的“嗒嗒嗒”节奏比 AI 味还难受。正确做法是长短句交替让文气有起伏。第三加入不确定性表达。AI 倾向于说“一定、必然、所有”但真人说话经常带“我猜、大概、据我观察”。加这种模糊词不是降低严谨度而是让语气松弛下来。第四补充具体细节。把抽象名词替换成可感知的信息是降分效率最高的操作。第五允许保留少量 AI 味。目标不是把分数打成 0而是从 35 降到 25 以下。追求完全消除很容易导致过度改写反而损失内容和结构的完整性。3.3 质检脚本 scan.py 的核心逻辑质检模块不是一个玄学提示词而是规则与统计的混合体。我把它拆成三块正则表用来匹配连接词、排比句、“随着/通过”开头的段首。统计函数计算句子长度标准差、抽象词密度、n-gram 重复率。加权汇总把各维度分数按权重相加输出总分和各维度子分。为了让你理解它的工作方式我给一个极简示意TEMPLATE_WORDS [首先, 其次, 最后, 综上所述, 总的来说, 不仅仅] ABSTRACT_WORDS [赋能, 抓手, 闭环, 协同, 高效, 显著] def ai_flavor_score(text): concat_score count_words(text, TEMPLATE_WORDS) abstract_score count_words(text, ABSTRACT_WORDS) symmetry_score detect_symmetric_sentences(text) repeat_score detect_repeated_phrases(text) return weighted_sum(concat_score, abstract_score, symmetry_score, repeat_score)实际脚本里还会加入句长变异系数和段落首句模式识别正则表也需要配置词边界否则会把“显著”误伤成“不显著”。这里我有一个踩坑经验评分规则必须分场景。如果扫到的文档带参考文献这些连接词很可能属于学术写作要去 AI 味但别把这些正常语法也删了。所以我加了一个“学术豁免”参数检测到特定特征时自动降低连接词权重。3.4 改写前后对比一个真实的样例我这里放一个跑过一遍流水线的真实对比你能直观感受到这套东西在做什么。改前“首先我们需要提升团队的协作效率。其次建立标准化流程至关重要。最后通过数据驱动决策可以显著降低运营成本。”改后“团队现在的协作方式有点散早会、文档和审批各走一套光找人就得花半天。我建议先把流程统一再引入一个数据看板每条决策都有数字盯着运营成本自然能压下来。”改后明显更接近人写的但仍然有一句“我建议”这也是 AI 常用的表达模板。流水线在质检阶段会把这个残留识别出来提示“仍有中等级 AI 味建议执行第二轮改写”。这种逐步逼近的方式比我最初用的“一句话让文章更像人”靠谱得多。4. 开源这个合集时我额外做的几件关键事开源一个技能包表面上是放代码、写 README但真正让一个仓库好用的是那些其他人容易忽略的小决策。我这次的合集发布有几个点是特意做过的。4.1 README 不写废话先给效果对比很多 Skills 项目打开 README全是“特性列表”“快速安装”但用户看不到这东西到底能干什么。我这个仓库的 README 第一部分就直接放改写前后对比让用户十秒内判断值不值得装。对比素材不是网上抄的全部来自我实际跑过的文档。4.2 License 和贡献方式开源不是把文件夹丢出来就完事了。我选了 MIT License但在 CONTRIBUTING 里明确写了一句话所有新增检测规则必须附带至少 10 条真实负样本否则不进主线。加这句话是因为工具类项目非常容易被人随手往词表里塞词导致误伤率高得没法用。没有样本验证的规则等于在评分卡里埋雷。4.3 分清项目边界我最初也想往里面加“润色”“扩写”“压缩”等功能后来发现这是典型的“加功能陷阱”。一个去 AI 味工具如果同时又做润色又做改写又做摘要最后每个功能都平庸。所以这个合集目前只做两件事检测 AI 味、改写降 AI 味。其他的交给用户自己的主流程去处理。5. 实操避坑指南跑这套流水线时我踩过的坑最后这部分我写得比较细因为这些东西都是文档里不会告诉你的属于是跑了几十次以后才慢慢搞明白的教训。5.1 误伤学术写作规则必须有豁免机制第一次把一篇论文草稿丢进流水线评分报告把“然而”“首先”全部标记出来要求改写。这是典型的规则不考虑语境。后来我在 config 里加了两个开关academic_mode和conversational_mode。学术场景下连接词的权重会下调一半口语场景下则完全反向。默认配置是“通用模式”新手不要一上来就改这个参数先用默认跑一段时间再调。5.2 越改越像翻译腔这个问题很奇葩但也确实会发生。某些模型在收到“去 AI 味”指令后为了显得口语化会把长句硬拆成很多小短句结果读起来像从英文翻译过来的。我的解决办法是在改写指令的第一行就写明“口语优先但不要为口语牺牲准确性”。文字风格不是金句越多越好准确、自然、有原作者语音感才是目标。5.3 多工具环境下的同步问题Claude Code 和 Cursor 虽然都支持 Skills但它们的目录路径和读取规则不完全一样。我同时在两个工具里用所以写了一个小脚本一键同步整个技能包到多个目录。如果你只用其中一个工具可以忽略这个问题。但如果你像我一样切换频繁建议直接做个软链接提高效率。5.4 质检分数不稳定同一段文本连续跑两次检测分数有波动因为模型调用本身的温度设置不一样。我自己处理方法是检测阶段把温度固定到 0.2评分时跑两次取较低分作为结果。这样才能保证“去 AI 味”是稳定的流水线不是碰运气。5.5 一句真心话别让它全程无脑自动跑这套技能包最省心的用法是“一句‘去AI味’全自动跑完”但我个人实际最喜欢用的是“只扫描不改写”。先说一句“去AI味”然后让流水线只跑第一步输出体检报告我再手动改。AI 负责找问题我负责做决策效率和效果都比全自动更好。你拿到这套 Skills 后不妨也试试这个“半自动”模式大部分人都能从中找到自己的节奏。最后再分享一个小经验去 AI 味不是把“AI 痕迹”抹掉就可以了更重要的是搞清楚你自己想要什么文风。我给这套技能包留了自定义词表和策略接口就是希望它变成一个可以被你塑造成个人风格的“半成品工具”而不是一个固定的黑盒。装上之后先跑两周默认配置再一点一点调成适合自己的形状那才是这套合集真正开始发挥作用的时候。