AI 写作痕迹诊断规则
定义
AI 写作痕迹诊断规则,是一组把“读起来像 AI 写的”拆成可观察问题的文本审稿清单。它关注的不是检测模型概率分数,而是文稿中反复出现的内容拔高、语言套话、句式惯性、格式整齐、对话残留和模糊填充等信号。
在 Humanizer 的语境中,这套规则被写成给 AI 阅读的审稿手册:AI 先对照规则扫描全文,标记命中的写作模式,再诊断哪些段落仍有机器感,最后围绕具体问题做针对性改写。它的作用不是“同义词替换”或“打乱语序”,而是帮助 AI 像编辑一样说明问题在哪里、为什么违和、应该怎样修。
来源特别强调:这些规则只能作为诊断与改写参考。单一特征不等于 AI 生成文本;一篇文章只出现一个破折号、一处高级词汇,不能直接判定为机器产物。改写时也禁止一刀切删除所有正式书面表达。
在本文档中的语境
来源文章《68.5K+ Star!又一神级 Skill 开源,洗掉文字里的 AI 味 - 今日头条》介绍 Humanizer 时,将 AI 写作痕迹诊断规则描述为项目的核心知识部分。文章称 Humanizer 的理论根基来自维基百科 WikiProject AI Cleanup 维护的公开文档《Signs of AI writing》;该文档汇总数千份 AI 生成文本样本,归纳出数十条大模型高频写作特征。
Humanizer 将这些特征整理成一份“AI 写作病症手册”,放在 SKILL.md 中供 AI 自查使用。来源称,SKILL.md 将 AI 写作异常信号划分为五大分组,合计 35 种写作模式,并会逐条扫描文稿命中情况。
因此,AI 写作痕迹诊断规则在该来源中承担三层角色:
- 作为审稿手册:把模糊的“不像真人写的”转化为可检查条目。
- 作为自查清单:让 AI 在改写前后逐项寻找残留痕迹。
- 作为改写依据:把“写得自然一点”细化为删除空洞拔高修辞、减少万能过渡词、改变长短句节奏、加入第一人称视角等具体动作。
五大分组与典型问题
来源没有在正文逐条展开 35 种模式的完整清单,但明确说明 Humanizer 在 SKILL.md 中按五大分组组织这些异常信号,并挑选了日常写作中高频踩坑的类型加以说明。
1. 内容层面:意义膨胀与空洞修辞
内容层面的典型问题,是 AI 倾向于把普通事实写成宏大事件,把没有充分论据支撑的段落包装成“深刻分析”。来源列出的表现包括:
- 意义膨胀:把普通事件拔高成里程碑,例如频繁使用“标志着一个关键时刻”“作为不朽的见证”“行业全新格局”等表达。
- 空洞修辞:大量堆砌“突出了……”“象征了……”“展示了……”一类分析句,却没有给出实质论据。
- 普通事件史诗化:普通工作或产品更新被强行赋予历史性、革命性、划时代意义。
- 模糊归因:使用“专家认为”“观察者注意到”等说法,却没有标注专家姓名、资料来源或可核查出处。
- 套路化结尾:文章最后固定出现“挑战与展望”段落,但通篇没有新增信息,只是在形式上完成收束。
这些问题的共同点是:句子看起来正式,实际信息密度低;表面像总结,实质是在给普通内容套宏大叙事模板。
2. 语言语法层面:高频词与句式惯性
语言层面的诊断规则关注 AI 高频词、套话和语法偏好。来源列出的英文高频词包括:delve、tapestry、crucial、showcase、pivotal、seamless、transformative。
对应到中文写作,来源列出的高频套话包括:至关重要、充分彰显、值得注意的是、从某种层面来说、在 AI 浪潮之下、形成闭环、持续赋能。
除词汇外,来源还列出几类典型句式惯性:
- 系词回避:英文中偏爱 serves as、stands as 等绕弯表达,不肯直接使用简单的 is;中文中也常表现为不直接说“是”,而使用更绕、更正式的结构。
- 同义词轮换陷阱:反复更换词汇指代同一个主体。来源认为人类写作很少这样做,因为这容易造成读者混淆。
- 强制三件套:即使只有两个要点,也硬凑成三点并列句式或三段式列举。
- 被动语态泛滥:动作主体被隐藏,文字显得像报告或说明书。
- 缺少第一人称视角:通篇看不到“我觉得”“我实测”“我遇到”等作者位置,语气永远中立。
3. 风格格式层面:整齐到反常的排版痕迹
风格格式层面的规则关注文本外观是否过度规整。来源认为,AI 对排版有近乎偏执的整齐感,这也是容易被忽略的识别信号。
典型表现包括:
- 破折号或英文 em dash 过度使用。
- 无必要的粗体轰炸。
- 大量内嵌小标题,把普通段落切成过细区块。
- 标题强制大写。
- 滥用 emoji 图标做分区标记。
- 弯引号高频出现。
- 段落长度高度统一,长短句缺少节奏起伏。
这些格式问题不一定影响事实正确性,但会让文章呈现出模板化、自动生成、过度清洁的质感。
4. 聊天机器人残留痕迹
聊天机器人残留痕迹,是指对话场景中的客服式话术被误带入正式文章正文。来源举出的英文例子包括:“I hope this helps! Let me know if you have any questions.” 和 “Great question! You’re absolutely right!”
来源指出,真人撰写公众号、技术文档、产品文章时,几乎不会在正文中出现这类对话式客套话。因此,这类残留常被视为文本从聊天机器人回答直接迁移到正式稿件的信号。
5. 填充与模糊缓冲词
填充与模糊缓冲词,是 AI 为了让输出显得稳妥、不出错而叠加的冗余表达。来源列出的英文例子包括:用 in order to 代替 to,用 due to the fact that 代替 because,以及大量使用 could potentially possibly be argued 这类层层缓冲、没有明确立场的表达。
这类问题的核心不是“句子长”,而是长句没有增加信息,只是通过模糊限定、可能性措辞和过度铺垫降低判断力度。
诊断与改写机制
在 Humanizer 中,AI 写作痕迹诊断规则不是孤立清单,而是嵌入“初稿改写—自我审计—终稿修订”的 Two-Pass Audit 文稿自审机制。来源将完整流水线分成三步:
- 初稿改写(Draft Rewrite):AI 对照手册扫描全文,标记命中的 AI 写作模式,对问题段落做第一轮改写。第一轮主要清除肉眼可见的表层 AI 痕迹,例如高频高级词汇、“不仅……而且……”排比句式、强行凑齐三点的三段式列举、过度拔高意义的空洞修辞。
- AI 自我审计(AI Audit):AI 跳出创作者视角,切换成审稿人,反问自己“这段文字为什么依旧一眼能看出是 AI 生成”,并以清单形式列出残留可疑信号。
- 终稿修订(Final Version):基于审计发现的深层隐患进行第二轮改写,处理句子长度过于均匀、语气永远中立、缺少个人视角、行文节奏死板等问题。
来源给出一个产品文案案例:原始 AI 文稿写道,“本产品作为公司致力于创新的证明。此外,它提供了无缝、直观且强大的用户体验 —— 确保用户能够高效地完成目标。这不仅仅是一次更新,而是我们思考生产力方式的革命。”
第一轮改写后,文稿变为:“产品更新添加了批处理、键盘快捷键和离线模式,用户可以更快完成任务。”这一步去掉了“创新证明”“无缝体验”“革命”等空洞拔高表达,但仍像冰冷的产品说明书。
自我审计清单指出三个问题:句子长度过于均匀,缺乏节奏变化;语气像产品说明书,不带作者立场;完全删掉用户视角,沦为纯功能罗列。终稿修订后写成:“这次更新加了三个东西:批处理、键盘快捷键、离线模式。说实话,最重要的可能是离线模式 —— 终于不用在飞机上干瞪眼了。”
这个案例说明,诊断规则的目标不只是删掉 AI 腔,还要找回具体场景、作者态度和自然节奏。
与人性化写作准则的关系
来源引用 SKILL.md 中的核心理念:“Avoiding AI patterns is only half the job. Sterile, voiceless writing is just as obvious as slop.”文章将其解释为:清除 AI 模板痕迹只完成了一半工作;一篇干净却毫无立场、没有声音的“无菌文稿”,仍然容易被识别为 AI 产物。
因此,AI 写作痕迹诊断规则通常要与人性化写作准则配合使用。来源列出六条准则:
- 有明确立场:对事实给出个人反应,例如用“这个发现很重要”替代“这一发现具有重要性”。
- 变换行文节奏:长句短句交替,打破句子长度高度统一的问题。
- 承认问题复杂性:允许写出矛盾观点,例如“这项技术很强,但同时也带来了新风险”。
- 善用第一人称:在合适场景使用“我觉得、我实测、我遇到”,跳出被动隐身写作习惯。
- 允许适度凌乱:合理加入插入语、短暂离题、半成型想法,把真人思考痕迹保留下来。
- 落地具体情感:避免空泛的“这令人担忧”,改成具体场景化描述,例如“agent 凌晨三点还在运转,没人值守监控,有种说不出的不安”。
从这个角度看,诊断规则负责找出坏模式;人性化准则负责补回作者声音。二者结合,才构成完整的改写依据。
中文适配与适用范围
来源指出,原版 Humanizer 的诊断规则基于英文语境开发,部分特征不能直接照搬到中文写作。例如英文 em dash 高频问题,放到中文环境中更接近破折号滥用、段落整齐刻板和万能过渡词堆砌。
开源社区已有中文适配版本 Humanizer-zh。来源称,Humanizer-zh 将原版 29—35 条 AI 写作病症做了中文本土化翻译,重新整理出 24 条中文 AI 写作识别模式,分为四大类:内容模式、语言语法模式、风格模式、交流填充词模式。它还把英文高频 AI 词清单替换成中文公众号、技术文章中高频出现的套话黑名单,底层仍沿用“初稿—审计—终稿”的三轮流水线。
来源同时提醒,Humanizer-zh 属于原版规则的本土化移植,并非从零基于中文网文生态重新设计。如果用于公众号爆款长文,改写后仍建议人工额外检查时代背景空开头、短句过度堆叠、无效价值拔高等中文写作中常见的 AI 通病。
边界与误用风险
AI 写作痕迹诊断规则容易被误解为“AI 检测器绕过清单”,但来源明确澄清:Humanizer 项目本身不以骗过 AI 检测工具为目标。即便文字完成人性化改写,仍可能被检测工具识别;不应抱着“降检测率”的唯一目的使用它。
更合理的使用方式,是把它放在 AI 辅助写作流程的后段:先由 ChatGPT、Claude 等模型搜集素材并产出初稿,再由人工核对事实、数据、案例和文章框架,然后用 Humanizer 或 Humanizer-zh 清除模板化 AI 痕迹,接着通过 个人写作声音校准 匹配作者文风,最后由作者人工微调定稿。
诊断规则的边界包括:
- 它不能替代事实核查。内容是否准确、数据是否可靠,仍需人工或外部资料验证。
- 它不能证明作者身份。出现某个高频词、破折号或整齐段落,只能提示可疑,不能作为判定机器生成的证据。
- 它不能要求所有文字都口语化。正式文档、技术说明、学术表达仍然需要一定的书面性。
- 它不能保证通过 AI 检测。其核心价值是提升可读性、减少模板腔、重建作者声音。
相关条目
- Humanizer:来源文章介绍的开源 Agent Skill,使用 SKILL.md 和 README.md 组织诊断规则与工作流。
- Humanizer-zh:Humanizer 的中文适配版本,将规则本土化为中文写作识别模式。
- Signs of AI writing:来源称 Humanizer 理论根基所参考的公开文档,归纳大模型高频写作特征。
- Two-Pass Audit 文稿自审机制:Humanizer 中“初稿改写—AI 自我审计—终稿修订”的两轮审计流程。
- 个人写作声音校准:通过作者过往样本解析句子习惯、过渡词、口头禅、标点和换行节奏,用于把改写结果贴近个人文风。
- Humanizer 开源 Skill 介绍 - 今日头条文章摘要:本文事实来源对应的来源摘要条目。