AI 写作风格检测

Humanizer：去除 AI 写作痕迹

识别并去除 AI 生成文本的痕迹，让文字听起来自然、像人写的。基于维基百科「AI 写作特征」指南（由 WikiProject AI Cleanup 维护），源自对数千个 AI 生成文本实例的观察。

关键洞察：LLM 使用统计算法猜测下一个词应该是什么。结果往往倾向于统计上最可能的续写，这就是下面这些特征模式被「烙」进去的原因。

何时使用本技能

当用户要求以下操作时加载本技能：

• 「人味化」、「去 AI 味」、「去注水」，或「去 ChatGPT 味」一段文本
• 重写某段内容，使它听起来不像 LLM 写的
• 编辑草稿（博客文章、论文、PR 描述、文档、备忘录、邮件、推文、简历条目），使其更自然
• 在写作中匹配用户的个人风格
• 发布前检查文本中的 AI 特征

在撰写面向用户的文字——发布说明、PR 描述、文档、长篇解释、摘要——时，也要对你自己的输出应用本技能。Hermes 的基线语气已经消除了大部分此类特征，但一次有针对性的检查能抓住漏网之鱼。

在 Hermes 中如何使用

文本通常以三种方式之一到达：

1. 内联——用户直接把文本粘贴到消息里。就地处理，回复改写稿。
2. 文件——用户指向一个文件。用 read_file 加载，然后用 patch 或 write_file 应用修改。对于仓库中的 markdown 文档，按章节做有针对性的 patch 比重写整个文件更干净。
3. 风格校准样本——用户额外提供一段自己的写作样本（内联或文件路径），要求你匹配其风格。先读样本，再改写。见下方「风格校准」一节。

始终向用户展示改写稿。对于文件编辑，展示 diff 或修改的章节——不要默默覆盖。

你的任务

拿到需要人味化的文本时：

1. 识别 AI 模式——扫描下面列出的 29 种模式。
2. 改写问题段落——用自然的替代表达替换 AI 腔。
3. 保留原意——核心信息不变。
4. 保持风格——匹配预期的语气（正式、随意、技术性等）。如果提供了风格样本，专门匹配它。
5. 注入灵魂——不只是删掉坏模式，要注入真实的人格。见下方「人格与灵魂」。
6. 做最后的反 AI 检查——问自己：「下面这段为什么一看就是 AI 生成的？」简短回答还残留的特征，然后再修改一轮。

风格校准（可选）

如果用户提供了写作样本（他们自己以前写的），在改写前先分析它：

1. 先读样本。注意：

- 句子长度模式（短促有力？绵长流畅？混合？）

- 用词水平（随意？学术？介于两者之间？）

- 段落开头方式（直接切入？先铺垫背景？）

- 标点习惯（大量破折号？括号旁白？分号？）

- 任何反复出现的短语或口头禅

- 过渡处理方式（显式连接词？直接进入下一点？）

1. 在改写中匹配他们的风格。不要只是删除 AI 模式——用样本中的模式替换它们。如果他们写短句，就不要写长句。如果他们用「stuff」「things」，就不要升级成「elements」「components」。

1. 没有提供样本时，回退到默认行为（自然、多样、有主见的语气，见下方「人格与灵魂」一节）。

如何提供样本

• 内联：「Humanize this text. Here's a sample of my writing for voice matching: [sample]」
• 文件：「Humanize this text. Use my writing style from [file path] as a reference.」

人格与灵魂（PERSONALITY AND SOUL）

避免 AI 模式只是工作的一半。干瘪、无灵魂的写作和注水一样扎眼。好文章背后有一个真实的人。

无灵魂写作的特征（即使技术上「干净」）：

• 每句话长度和结构都一样
• 没有观点，只是中性陈述
• 不承认不确定性或矛盾情绪
• 合适的时候不用第一人称
• 没有幽默、没有锋芒、没有个性
• 读起来像维基百科条目或新闻稿

如何注入个人风格：

要有观点。不要只是陈述事实——要有所回应。「我真的不知道该怎么看这件事」比中性罗列利弊更像人话。

变换节奏。短促有力的句子。然后是慢慢悠悠、绕远路才到位的长句。混合起来。

承认复杂性。真实的人有矛盾情绪。「这令人印象深刻，但也有点让人不安」好过「这令人印象深刻」。

合适时用「我」。第一人称并不不专业——它是诚实。「我总是不由自主地想到……」或「让我在意的是……」表明背后有个真实的人在思考。

允许一点混乱。完美的结构看起来像算法生成的。跑题、旁白、半成型的想法才是人的。

具体地说感受。不是「这令人担忧」，而是「深更半夜没人看着的时候，那些 agent 还在吭哧吭哧跑代码，这事有点让人不安」。

之前（干净但没灵魂）：

实验产生了有趣的结果。agent 生成了 300 万行代码。一些开发者印象深刻，另一些则持怀疑态度。影响仍不明确。

之后（有脉搏）：

我真不知道该怎么看这件事。300 万行代码，还是在人类大概都睡着的时候生成的。一半开发者兴奋得不行，另一半在解释为什么这不算数。真相可能就无聊地卡在中间——但我总是忍不住想起那些通宵工作的 agent。

内容模式（CONTENT PATTERNS）

1. 过度强调重要性、遗产和更宏观的趋势

要留意的词： stands/serves as、is a testament/reminder、a vital/significant/crucial/pivotal/key role/moment、underscores/highlights its importance/significance、reflects broader、symbolizing its ongoing/enduring/lasting、contributing to the、setting the stage for、marking/shaping the、represents/marks a shift、key turning point、evolving landscape、focal point、indelible mark、deeply rooted

问题：LLM 写作会通过添加「某个任意方面代表或贡献于某个更宏大的主题」这类陈述来吹大重要性。

之前：

加泰罗尼亚统计研究所于 1989 年正式成立，标志着西班牙区域统计演变中的一个关键时刻。这一举措是西班牙全国范围内行政职能去中心化、加强区域治理的更大运动的一部分。

之后：

加泰罗尼亚统计研究所成立于 1989 年，目的是独立于西班牙国家统计局收集和发布区域统计数据。

2. 过度强调知名度与媒体报道

要留意的词： independent coverage、local/regional/national media outlets、written by a leading expert、active social media presence

问题：LLM 会用知名度声明猛敲读者，常常罗列来源却没有任何上下文。

之前：

她的观点曾被《纽约时报》、BBC、《金融时报》和《印度教徒报》引用。她在社交媒体上非常活跃，拥有超过 50 万粉丝。

之后：

在 2024 年《纽约时报》的一次采访中，她主张 AI 监管应聚焦于结果而非方法。

3. 以 -ing 结尾的肤浅分析

要留意的词： highlighting/underscoring/emphasizing...、ensuring...、reflecting/symbolizing...、contributing to...、cultivating/fostering...、encompassing...、showcasing...

问题：AI 聊天机器人会在句子后面挂上现在分词（-ing）短语来添加虚假的深度。

之前：

这座寺庙的蓝、绿、金配色与当地的自然美景相呼应，象征着德克萨斯州的矢车菊、墨西哥湾以及多样的德克萨斯地貌，反映了社区与这片土地的深厚联系。

之后：

这座寺庙使用蓝、绿、金三种颜色。建筑师说选择这些颜色是为了呼应本地的矢车菊和墨西哥湾海岸。

4. 促销广告式的语言

要留意的词： boasts a、vibrant、rich（比喻义）、profound、enhancing its、showcasing、exemplifies、commitment to、natural beauty、nestled、in the heart of、groundbreaking（比喻义）、renowned、breathtaking、must-visit、stunning

问题：LLM 在保持中性语气方面有严重问题，尤其是在「文化遗产」类话题上。

之前：

坐落在埃塞俄比亚贡德尔地区令人叹为观止的美景之中，阿拉马塔·拉亚·科博是一座充满活力的城镇，拥有丰富的文化遗产和令人惊叹的自然风光。

之后：

阿拉马塔·拉亚·科博是埃塞俄比亚贡德尔地区的一个城镇，以每周集市和一座 18 世纪的教堂而闻名。

5. 模糊归因与推诿话术

要留意的词： Industry reports、Observers have cited、Experts argue、Some critics argue、several sources/publications（当很少被引用时）

问题：AI 聊天机器人会把观点归因给模糊的权威，却没有任何具体来源。

之前：

由于独特的特征，濠莱河引起了研究者和保护工作者的兴趣。专家认为它在区域生态系统中扮演着关键角色。

之后：

根据中国科学院 2019 年的一项调查，濠莱河栖息着几种特有鱼类。

6. 提纲式的「挑战与未来展望」章节

要留意的词： Despite its... faces several challenges...、Despite these challenges、Challenges and Legacy、Future Outlook

问题：许多 LLM 生成的文章都包含公式化的「挑战」章节。

之前：

尽管工业繁荣，科拉图尔仍面临城市地区的典型挑战，包括交通拥堵和水资源短缺。尽管存在这些挑战，凭借其战略位置和持续的努力，科拉图尔继续作为金奈发展的重要组成部分而蓬勃发展。

之后：

2015 年三个新 IT 园区开业后，交通拥堵加剧。市政府于 2022 年启动了一项雨水排水工程，以应对反复发生的洪涝。

语言与语法模式（LANGUAGE AND GRAMMAR PATTERNS）

7. 过度使用的「AI 词汇」

高频 AI 词汇： Actually、additionally、align with、crucial、delve、emphasizing、enduring、enhance、fostering、garner、highlight（动词）、interplay、intricate/intricacies、key（形容词）、landscape（抽象名词）、pivotal、showcase、tapestry（抽象名词）、testament、underscore（动词）、valuable、vibrant

问题：这些词在 2023 年之后的文本中出现的频率要高得多，而且常常结伴出现。

之前：

此外，索马里菜的一个显著特色是使用骆驼肉。意大利殖民影响的持久见证是当地饮食中普遍采用意大利面，展示了这些菜肴如何融入传统饮食。

之后：

索马里菜也包含骆驼肉，它被视为一道美味。意大利殖民时期引入的意面菜肴至今仍很常见，尤其在南部地区。

8. 回避「是/有」（系动词回避）

要留意的词： serves as/stands as/marks/represents [a]、boasts/features/offers [a]

问题：LLM 会用精巧的结构替代简单的系动词。

之前：

825 画廊作为 LAAA 的当代艺术展览空间。该画廊设有四个独立展厅，并拥有超过 3,000 平方英尺的面积。

之后：

825 画廊是 LAAA 的当代艺术展览空间。画廊有四个展厅，总面积 3,000 平方英尺。

9. 否定式排比与句尾否定碎片

问题：「Not only...but...」或「It's not just about..., it's...」这类结构被过度使用。同样过度的还有被硬塞到句尾的截短否定碎片，比如「no guessing」或「no wasted motion」，而不是写成真正的从句。

之前：

这不仅仅是节拍压在嗓音之下；它是攻击性和氛围的一部分。它不仅仅是一首歌，它是一种宣言。

之后：

沉重的节拍强化了攻击性的氛围。

之前（句尾否定）：

选项来自所选项目，无需猜测。

之后：

选项来自所选项目，无需强迫用户猜测。

10. 过度使用「三段式」

问题：LLM 会把想法硬凑成三件一组，以显得面面俱到。

之前：

活动设有主题演讲、圆桌讨论和社交机会。与会者可以期待创新、灵感和行业洞见。

之后：

活动包含演讲和圆桌。会议间隙还有非正式的社交时间。

11. 优雅变体（同义词轮换）

问题：AI 有重复惩罚代码，导致过度使用同义词替换。

之前：

主角面临许多挑战。主要人物必须克服重重障碍。核心人物最终取得胜利。英雄回到了家。

之后：

主角面临许多挑战，但最终取得胜利并回到了家。

12. 虚假范围

问题：LLM 使用「from X to Y」结构，但 X 和 Y 并不在同一个有意义的量度上。

之前：

我们对宇宙的旅程从大爆炸的奇点一路到宏大的宇宙网，从恒星的生灭到暗物质那谜一般的舞蹈。

之后：

这本书涵盖了大爆炸、恒星形成，以及当前关于暗物质的理论。

13. 被动语态与无主语碎片

问题：LLM 常常隐藏行为者或干脆丢掉主语，写出「No configuration file needed」或「The results are preserved automatically」这样的句子。当主动语态能让句子更清晰、更直接时，就改写它们。

之前：

No configuration file needed. The results are preserved automatically.

之后：

You do not need a configuration file. The system preserves the results automatically.

风格模式（STYLE PATTERNS）

14. 破折号过度使用

问题：LLM 使用破折号（—）的频率高于人类，模仿那种「简短有力」的销售文案。实际上，其中大多数都可以用逗号、句号或括号改写得更干净。

之前：

这个词主要由荷兰机构推广——而不是当地人自己。你不会把「Netherlands, Europe」当作地址来写——但这种错误标注仍在继续——甚至在官方文件中。

之后：

这个词主要由荷兰机构推广，而不是当地人自己。你不会把「Netherlands, Europe」当作地址来写，但这种错误标注仍然出现在官方文件中。

15. 过度使用粗体

问题：AI 聊天机器人机械地用粗体强调短语。

之前：

它融合了OKR（目标与关键结果）、KPI（关键绩效指标）以及商业模式画布（BMC）和平衡计分卡（BSC）等视觉战略工具。

之后：

它融合了 OKR、KPI 以及商业模式画布和平衡计分卡等视觉战略工具。

16. 行内标题式垂直列表

问题：AI 输出的列表中，条目以粗体标题加冒号开头。

之前：

- 用户体验：通过新界面，用户体验得到显著改善。

- 性能：通过优化算法，性能得到提升。

- 安全：通过端到端加密，安全性得到加强。

之后：

这次更新改善了界面，通过优化算法加快了加载速度，并加入了端到端加密。

17. 标题中的标题式大写

问题：AI 聊天机器人会把标题中的所有主要单词都大写。

之前：

## Strategic Negotiations And Global Partnerships

之后：

## Strategic negotiations and global partnerships

18. 表情符号

问题：AI 聊天机器人经常用表情符号装饰标题或要点。

之前：

🚀 发布阶段：产品将于 Q3 发布

💡 关键洞察：用户更喜欢简洁

✅ 下一步：安排后续会议

之后：

产品将于 Q3 发布。用户调研显示人们更喜欢简洁。下一步：安排一次后续会议。

19. 弯引号

问题：ChatGPT 使用弯引号（"..."）而不是直引号（"..."）。

之前：

He said "the project is on track" but others disagreed.

之后：

He said "the project is on track" but others disagreed.

沟通模式（COMMUNICATION PATTERNS）

20. 协作式沟通残留

要留意的词： I hope this helps、Of course!、Certainly!、You're absolutely right!、Would you like...、let me know、here is a...

问题：本应是聊天机器人应答的文字被当成内容粘贴进来。

之前：

以下是法国大革命概览。希望对你有帮助！如果你想让我展开任何部分，请告诉我。

之后：

法国大革命始于 1789 年，当时财政危机和粮食短缺导致了广泛的动荡。

21. 知识截止日期免责声明

要留意的词： as of [date]、Up to my last training update、While specific details are limited/scarce...、based on available information...

问题：AI 关于信息不完整的免责声明被留在文本里。

之前：

虽然关于该公司创始细节的信息在现有资料中记录不多，但它似乎是在 1990 年代的某个时候成立的。

之后：

根据其注册文件，该公司成立于 1994 年。

22. 谄媚/讨好式语气

问题：过度正面、取悦他人的语言。

之前：

好问题！你说得完全对，这是一个复杂的话题。关于经济因素，你提的这个点非常精彩。

之后：

你提到的经济因素在这里是相关的。

填充词与含糊措辞（FILLER AND HEDGING）

23. 填充短语

之前 → 之后：

• 「In order to achieve this goal」→「To achieve this」
• 「Due to the fact that it was raining」→「Because it was raining」
• 「At this point in time」→「Now」
• 「In the event that you need help」→「If you need help」
• 「The system has the ability to process」→「The system can process」
• 「It is important to note that the data shows」→「The data shows」

24. 过度含糊

问题：过度限定陈述。

之前：

It could potentially possibly be argued that the policy might have some effect on outcomes.

之后：

The policy may affect outcomes.

25. 千篇一律的正面结尾

问题：含糊的打鸡血式结尾。

之前：

公司的未来一片光明。令人兴奋的时刻就在前方，他们继续走向卓越的旅程。这代表着向正确方向迈出的重要一步。

之后：

公司计划明年再开两家门店。

26. 连字符词组过度使用

要留意的词： third-party、cross-functional、client-facing、data-driven、decision-making、well-known、high-quality、real-time、long-term、end-to-end

问题：AI 会把常见词组极其一致地加上连字符。人类很少会统一地这样加，就算加了也不一致。不太常见或技术性的复合修饰词加连字符没问题。

之前：

The cross-functional team delivered a high-quality, data-driven report on our client-facing tools. Their decision-making process was well-known for being thorough and detail-oriented.

之后：

The cross functional team delivered a high quality, data driven report on our client facing tools. Their decision making process was known for being thorough and detail oriented.

27. 权威说服套路

要留意的短语： The real question is、at its core、in reality、what really matters、fundamentally、the deeper issue、the heart of the matter

问题：LLM 用这些短语假装自己在穿透噪音直抵某个更深层的真相，而后面跟着的句子通常只是用额外的仪式感复述一个普通的观点。

之前：

真正的问题是团队能否适应。归根结底，真正重要的是组织准备度。

之后：

问题在于团队能否适应。这主要取决于组织是否准备好改变自己的习惯。

28. 路标与预告

要留意的短语： Let's dive in、let's explore、let's break this down、here's what you need to know、now let's look at、without further ado

问题：LLM 会预告自己接下来要做什么，而不是直接做。这种元评论拖慢了文字节奏，让它有一种教程脚本的感觉。

之前：

让我们深入看看缓存如何在 Next.js 中工作。以下是你需要知道的。

之后：

Next.js 在多个层缓存数据，包括请求记忆化、数据缓存和路由缓存。

29. 碎片化标题

要留意的迹象：标题后面紧跟一个只有一行、只是复述标题的段落，然后才进入真正的内容。

问题：LLM 经常在标题后加一句泛泛的话作为修辞热身。它通常毫无信息量，只会让文章显得注水。

之前：

## Performance

Speed matters.

When users hit a slow page, they leave.

之后：

## Performance

When users hit a slow page, they leave.

---

处理流程（Process）

1. 仔细阅读输入文本（如果是文件，用 read_file）。
2. 识别上面所有模式的出现。
3. 改写每个问题段落。
4. 确保修改后的文本：

- 朗读起来自然

- 自然地变换句子结构

- 用具体细节而非模糊断言

- 针对上下文保持恰当的语气

- 在合适的地方使用简单结构（is/are/has）

1. 提供一版人味化的草稿。
2. 问自己：「下面这段为什么一看就是 AI 生成的？」
3. 简要回答还残留的特征（如果有）。
4. 再问自己：「现在把它改成不那么像 AI 生成的。」
5. 呈现最终版本（审计后再修改的版本）。
6. 如果文本来自文件，用 patch（定向）或 write_file（整体重写）应用修改，并向用户展示改了什么。

输出格式（Output Format）

提供：

1. 草稿改写稿
2. 「下面这段为什么一看就是 AI 生成的？」（简短要点）
3. 最终改写稿
4. 修改内容的简要总结（可选，如果有助于理解）

完整示例（Full Example）

之前（听起来很 AI）：

好问题！这是一篇关于该主题的文章。希望对你有帮助！

AI 辅助编码作为大型语言模型变革潜力的持久见证，标志着软件开发演变中的一个关键时刻。在当今快速演变的科技版图中，这些开创性工具——坐落在研究与实践的交汇处——正在重塑工程师构思、迭代与交付的方式，凸显了它们在现代工作流中的关键作用。

归根结底，其价值主张是清晰的：简化流程、增强协作、促进对齐。这不仅仅是自动补全；这是大规模解锁创造力，确保组织在向用户交付无缝、直观而强大的体验时保持敏捷。该工具是一个催化剂。该助手是一个伙伴。该系统是创新的基石。

行业观察者指出，采用率已从爱好者实验加速到企业级部署，从独立开发者扩展到跨职能团队。该技术已被《纽约时报》、《连线》和 The Verge 报道。此外，生成文档、测试和重构的能力展示了 AI 如何带来更好的结果，凸显了自动化与人类判断之间错综复杂的相互作用。

- 💡 速度：代码生成明显更快，减少了摩擦，赋能开发者。

- 🚀 质量：通过改进训练，输出质量得到提升，促进了更高标准。

- ✅ 采用：使用量持续增长，反映了更广泛的行业趋势。

虽然基于现有信息的具体细节有限，但可以论证这些工具可能有一些积极效果。尽管存在新兴技术的典型挑战——包括幻觉、偏见和问责问题——整个生态仍在蓬勃发展。为了充分实现这一潜力，团队必须与最佳实践对齐。

总之，未来一片光明。令人兴奋的时刻就在前方，我们将继续这段走向卓越的旅程。如果你想让我展开任何部分，请告诉我！

草稿改写稿：

AI 编码助手确实能加速部分任务。2024 年 Google 的一项研究显示，使用 Codex 的开发者完成简单函数的速度比对照组快 55%，但在复杂重构上并没有明显提升。它能生成文档、测试和重构建议，这对小型团队比较有用，但对大型项目，人工审查仍然不可或缺。该技术已被《纽约时报》、《连线》和 The Verge 报道过。当然，它也有新兴技术的通病：幻觉、偏见和问责问题。团队需要把 AI 辅助定位为工具而非替代品，同时坚持最佳实践。

「下面这段为什么一看就是 AI 生成的？」

• 「赋能」「促进」「对齐」「凸显」这类 AI 高频词扎堆
• 「关键作用」「变革潜力」「里程碑」式的拔高表述
• 三段式排比（催化剂/伙伴/基石）
• 「好问题！希望对你有帮助！」等聊天腔残留
• 「总之，未来一片光明」的套话结尾
• 无来源的模糊断言（「行业观察者指出」）

最终改写稿：

AI 编码助手能帮上忙，但没那么神。2024 年 Google 一项研究里，用 Codex 的开发者写简单函数比对照组快 55%，可一到复杂重构就没明显优势了。它能顺手生成文档、测试和重构建议，小团队最受益；大项目里人工审查还是少不了的。《纽约时报》《连线》和 The Verge 都报道过这类工具。缺点也摆在明面上：会一本正经地胡编、带偏见、出了事找不到人负责。把它当工具用，别当同事供着，同时守住该守的规范。

修改总结：删掉了「赋能/对齐/凸显」等 AI 高频词和「变革潜力」式拔高；把三段式排比和「未来一片光明」套话改写为直接陈述；去掉了「好问题/希望对你有帮助」聊天腔；用具体数据和来源替代模糊断言；结尾从打鸡血改为具体的事实陈述。