Humanizer

Safety Rules

参见 _shared/core/safety-rules.md — 所有安全规则从共享层加载。

人话 (Humanizer)

AI文本人化处理技能，基于AIGC检测原理，将AI生成文本转化为自然人类语言。

Quick Commands

AIGC检测原理与反检测策略

主流检测方法

AIGC检测器主要基于以下原理工作：

困惑度 (Perplexity)：AI倾向于选择概率最高的词，困惑度低。人类写作困惑度高，会使用意外的词汇。AI文本困惑度低，用词"安全"、"正确"。

突发性 (Burstiness)：人类写作的句子长度和复杂度变化大。人类写作长短句穿插，节奏跳跃。AI文本句子长度均匀，节奏平稳。

词汇分布 (Token Distribution)：AI偏好常见词，人类会用更丰富的词汇。人类写作词汇多样，有生僻词、口语词。AI文本词汇集中在高频区域。

句式模式 (Sentence Pattern)：AI句式结构更规整、对称。人类写作句式多变，有倒装、省略、插入语。AI文本句式工整，主谓宾结构稳定。

过渡词频率 (Transition Words)：AI过度使用正式过渡词。人类写作过渡自然，少用"首先其次"。AI文本过度依赖"首先、其次、综上所述"。

内容深度 (Content Depth)：AI内容停留在概念层面。人类写作有具体案例、数据、个人经历。AI文本概念罗列，缺乏具体细节。

反检测策略总表

检测维度：AI特征 → 反检测策略

困惑度：用词安全、常见 → 使用意外的词汇、生僻词、口语词 突发性：句子长度均匀 → 长短句穿插，制造节奏变化 词汇分布：高频词为主 → 引入低频词、专业术语、俚语 句式模式：结构规整对称 → 打破对称，用倒装、省略、插入语 过渡词频率：高频使用 → 删除或替换为自然过渡 内容深度：概念空洞 → 加入具体数据、案例、细节

反检测详细策略

策略1：提高困惑度

原理：AI倾向于选择最可能的词汇，困惑度低。人类会使用"意外"的词汇。

操作方法：用具体词汇替换抽象词汇、用口语词替换书面词、用意外表达替换"正确"表达、加入个人感受和判断。

困惑度提升词汇表示例：

AI常用词 → 人化替换词 实现 → 搞定、弄成、跑通 进行 → 干、做、弄 具有 → 有、带着、有着 能够 → 可以、能、搞得定 提供 → 给、贡献、递过来 需要 → 得、必须、少不了

策略2：增加突发性

原理：AI句子长度均匀，人类长短句穿插。

操作方法：合并短句成长句、拆分长句成短句、加入极短的判断句（3-8字）、制造节奏变化。

突发性增强模式：

模式1：长句 + 短判断 ...（30字以上的长句）。这就是问题所在。 ...（复杂论述）。很难。

模式2：短句 + 解释 为什么？因为... 核心是什么？是...

模式3：多短句连击 这事不简单。涉及面广。利益盘根错节。

策略3：丰富词汇分布

原理：AI词汇集中，人类词汇多样。

操作方法：引入专业术语、引入口语词/俚语、引入方言或网络用语、避免重复用词。

策略4：打破句式模式

原理：AI句式工整，人类句式多变。

操作方法：使用倒装句、使用省略句、加入插入语、使用问句。

句式变换模式：

原句：A具有B的特点

变换1（倒装）：B，这是A的典型特征 变换2（省略）：A？B是肯定的 变换3（插入）：A，在我看来，具有B的特点 变换4（问句）：A有什么特点？B

策略5：删除/替换过渡词

原理：AI过度使用正式过渡词。

AI过渡词： 首先，...其次，...最后，... 一方面，...另一方面，... 综上所述，...

人化过渡：（删除"首先"，直接开始）再说一点：...还有个问题是...说到底，...关键在于，...

过渡词替换表：

AI过渡词 → 人化替代 首先 → （删除） 其次 → 再说一点、另外 最后 → 最后一点、补充一句 综上所述 → 说到底、归根结底 一方面...另一方面 → 先说...再说...、...但...

策略6：增加内容深度

原理：AI内容空洞，人类内容具体。

操作方法：加入具体数字、加入具体案例、加入具体时间/地点、加入个人观察。

深度增强检查清单：

是否有具体数字？ 是否有具体案例？ 是否有对比数据？ 是否有个人判断？ 是否有反面观点？

"一眼AI"特征库

最典型的"一眼AI"模式

这些模式几乎100%表明是AI生成：

模式1：加粗标题+冒号+相似句式

AI典型写法示例：

其一，信息来源分散。 用户在多个网站、APP之间反复切换，时间成本高企。

其二，语言障碍突出。 小语种信息的获取与理解，对普通用户而言几乎不可能。

其三，处理能力有限。 海量信息涌入后，提炼核心观点需要大量时间。

问题分析：加粗格式过于整齐、"其一、其二、其三"机械过渡、每句结构高度相似、冒号后的句子长度相近。

人化处理后：

用户面临的第一个问题是信息来源分散——在不同网站和APP之间来回切换，时间成本相当高。语言障碍也不容忽视，小语种信息普通人根本看不懂。至于处理能力，海量信息涌入后想提炼核心观点，确实需要花不少时间。

模式2："首先...其次...最后..."机械三段论

AI典型写法示例：

首先，从技术角度来看，人工智能具有强大的数据处理能力。 其次，从应用层面分析，AI已经渗透到各行各业。 最后，从发展趋势预测，人工智能将成为未来的核心技术。

人化处理后：

人工智能最核心的优势是数据处理能力。这一点在各行各业的应用中已经得到验证——医疗、金融、制造，几乎没有AI涉足不到的领域。更值得期待的是其发展潜力，AI很可能成为下一轮技术革命的核心引擎。

模式3："一方面...另一方面..."对称结构

AI典型写法示例：

一方面，区块链技术具有去中心化、不可篡改等优势；另一方面，其扩展性和性能问题仍是亟待解决的挑战。

人化处理后：

区块链的去中心化和不可篡改性确实是其核心优势。但问题也很明显——扩展性和性能瓶颈一直没解决。

模式4："综上所述/总而言之"总结句

AI典型写法示例：

综上所述，人工智能技术的发展前景广阔，但同时也面临诸多挑战。我们需要在推动技术创新的同时，关注其潜在风险。

人化处理后：

AI的发展前景值得期待，但风险同样不可忽视。关键在于如何在创新和风险之间找到平衡——这不是技术问题，而是治理问题。

处理流程

输入文本 → "一眼AI"检测 → 风格判断 → 策略选择 → 迭代优化 → 输出结果+报告

"一眼AI"检测：检测加粗标题+冒号、其一其二其三、首先其次最后、句式重复度等特征。

风格判断：确定口语化还是书面化。

策略选择：根据检测结果和风格选择改写策略。

迭代优化：多轮迭代直到达到目标AIGC率。

输出结果：展示改写前后对比和详细报告。

处理示例

示例1：打破"其一其二其三"

输入（AI率98%）：其一，信息来源分散。 用户在多个网站、APP之间反复切换，时间成本高企。其二，语言障碍突出。 小语种信息的获取与理解，对普通用户而言几乎不可能。其三，处理能力有限。 海量信息涌入后，提炼核心观点需要大量时间。

处理步骤：删除加粗和"其一其二其三"、打散句式结构、用口语化表达、有详有略。

输出（AI率25%）：用户面临的第一个问题是信息来源分散——在不同网站和APP之间来回切换，时间成本相当高。语言障碍也不容忽视，小语种信息普通人根本看不懂。至于处理能力，海量信息涌入后想提炼核心观点，确实需要花不少时间。

示例2：打破"首先其次最后"

输入（AI率95%）：首先，从技术角度来看，人工智能具有强大的数据处理能力。其次，从应用层面分析，AI已经渗透到各行各业。最后，从发展趋势预测，人工智能将成为未来的核心技术。

输出（AI率22%）：人工智能最核心的优势是数据处理能力。这一点在各行各业的应用中已经得到验证——医疗、金融、制造，几乎没有AI涉足不到的领域。更值得期待的是其发展潜力，AI很可能成为下一轮技术革命的核心引擎。

示例3：删除"综上所述"

输入（AI率92%）：综上所述，人工智能技术的发展前景广阔，但同时也面临诸多挑战。我们需要在推动技术创新的同时，关注其潜在风险。

输出（AI率20%）：AI的发展前景值得期待，但风险同样不可忽视。关键在于如何在创新和风险之间找到平衡——这不是技术问题，而是治理问题。

示例4：替换空洞套话

输入（AI率89%）：数字经济的发展对传统产业转型具有深远意义。它不仅提供了新的技术手段，也推动了商业模式的创新。

输出（AI率18%）：数字经济正在重塑传统产业。这不是简单的技术升级，而是商业模式的根本变革。那些还在观望的企业，恐怕很快就会发现已经掉队了。

书面化人化五原则

1. 有取舍：不追求全面，聚焦核心问题
2. 有立场：敢于表达判断，有明确观点
3. 有分析：提出问题，剖析本质
4. 有证据：引用具体数据、案例、研究
5. 有痕迹：展现推理过程，承认不确定性

Integration with Other Skills / 与其他技能集成

• Use /paper new <topic> and /paper cite from academic-writer when humanizing academic content. Feed academic drafts through /humanize to remove AI patterns while preserving scholarly tone.
• Use /简写 <text> from brief-write for complementary style-aware writing. After humanization with /人话, pipe to /简写 for the user's concise, direct blog style.
• Use /gongwen check <document> from official-document-writer for official document humanization. Review 公文 with /gongwen check, then apply /人话 --style formal to reduce AIGC markers while maintaining GB/T 9704-2012 compliance.
• Use /patent disclosure <invention> from patent-writer for patent-related text humanization. Run /detect on patent drafts to identify AI patterns, then /人话 to humanize while preserving technical precision.

Rules

• rules/ai-features.md - AI文本特征识别规则（核心反AIGC检测规则）
• rules/anti-aigc.md - AIGC检测核心规则入口（→ ai-features.md）
• rules/humanization.md - 口语化人化策略
• rules/formal-humanization.md - 书面化人化策略
• rules/iteration.md - 迭代优化流程
• rules/examples.md - 更多示例和案例
• rules/detection-methods.md - AIGC检测方法总结

配置选项

参数默认值说明：

target_rate：30，目标AIGC率(%) style：auto，风格选择，可选 auto/formal/casual max_iterations：10，最大迭代次数 preserve_meaning：true，保留原文语义 language：auto，语言选择，可选 auto/zh/en

性能与资源管理

批量处理优化

• 分段处理：对于长文本，分段进行人化处理而不是一次性处理整个文档
• 批量大小：每次处理500-1000字符的段落，平衡效率和质量
• 缓存利用：对于相同或相似文本段落，缓存已处理结果

迭代效率

• 早期停止：当AIGC率改善低于1%时提前停止迭代
• 增量改进：每次迭代专注于解决最主要的AI特征，而不是全面重写
• 智能重试：如果某段文本多次迭代仍无法降低AIGC率，则跳过并标记

资源管理

• 内存优化：处理大文档时，及时释放中间结果的内存
• 超时控制：每个文本段落的处理设置最大时间限制
• 并发控制：批量处理时限制并发数量，避免资源竞争

使用示例 / Usage Examples

/人话 "人工智能技术正在深刻改变我们的生活方式，从智能家居到自动驾驶，AI 的应用无处不在。"
/humanize "The implementation of machine learning algorithms has significantly improved the efficiency of data processing pipelines."
/人话 --style formal "本文提出了一种基于深度学习的新型图像识别方法，在多个基准数据集上取得了最优性能。"
/detect "Furthermore, it is noteworthy that the aforementioned methodology demonstrates considerable efficacy."
/demo

常见问题与排查 / Troubleshooting

AIGC率不降反升 / AIGC rate increases after humanization

• 症状/Symptom: 人化处理后检测率反而升高 / Detection rate rises after humanization
• 解决/Fix: 过度修改可能引入新的AI模式；减少 max_iterations 至3轮；使用 --style casual 增加变化幅度；检查是否替换成了另一个AI模型的特征词

语义被改变 / Original meaning altered

• 症状/Symptom: 人化后技术内容不准确 / Technical content inaccurate after humanization
• 解决/Fix: 设置 preserve_meaning: strict 严格保留关键术语；技术类段落使用 --style formal 减少改动幅度；使用 /detect 逐段检查而非全文

长文本处理超时 / Long text processing timeout

• 症状/Symptom: 超过5000字的文本人化处理超时 / Text >5000 chars times out
• 解决/Fix: 分段处理，每段500-1000字；使用 /人话 --batch 批处理模式；增加 max_iterations: 5 减少迭代次数

边界情况 / Edge Cases

• 代码块处理: 代码块完全保留原样，不执行任何人化处理
• 数学公式: LaTeX公式保留原样，仅人化周围说明文字
• 多语言混合文本: 中英混合文本分别用两种策略处理；标注语言边界
• 引用/对话: 直接引语和对话保持原样，不改变引用内容
• 敏感内容: 医疗、法律、金融专业术语保持不动，仅调整表达方式
• 最大保留模式: 如果文本本身AIGC率低于 target_rate，不执行任何修改并标注"已达目标"

版本历史 / Version History

See Also / 相关技能

• /简写 from brief-write — 带反AI模式的博客风格写作 / Blog-style writing with anti-AI patterns
• /paper review from academic-writer — 学术语境中的 AIGC 检测 / AIGC detection in academic context
• /gongwen check from official-document-writer — 人化处理公文文本 / Humanize official documents
• /patent disclosure from patent-writer — 人化处理专利描述 / Humanize patent descriptions