# Sloplint

> 检测中文写作里的"AI 味"。当用户要求检测 AI 味、判断文字是否像 AI 写的、审查 AI 写作痕迹、去 AI 味时使用。

- Skill: `dw-studio/sloplint` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add dw-studio/sloplint`
- Raw SKILL.md: https://api.skillmd.com/api/skills/dw-studio/sloplint/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: DW-Studio (https://skillmd.com/u/dw-studio)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/dw-studio/sloplint

---


# SlopLint · 中文 AI 味检测

检测中文文字里的 AI 味，指出"哪几句、为什么像 AI 写的"。

**只检测和点评，不替人改写**（除非用户明确要求改写）。

核心判断：LLM 写的是"统计上最可能的下一个词"，所以 AI 味是一堆可枚举的固定模式。找出这些模式，就能判断一段文字像不像 AI 写的。

规则库有两类来源，可靠性不同，优先看重数据验证的特征。

## 数据验证 · 显著特征

以下特征经过 283 万字对照语料检验（R = AI 频率 ÷ 人类频率，R≥2 为显著，数据来自 lieflat-less-ai-tone 研究）。

| 特征 | R | 触发词 / 句式 | 说明 |
|---|---|---|---|
| 引列表的冒号 | 9.4 | 以下几个方面、以下几种、以下几点、主要包括、主要分为、具体如下、体现在以下 | 冒号前面那句是废话，只负责引出后面的列表。真人说话不会先绕这么一圈。 |
| 提示式冒号 | 3.8 | 核心是、说白了、答案是、关键是、重点是、归根结底是 | 「核心是：」「说白了：」这种冒号 AI 特别爱用。想说什么直接说，不用先打个招呼。 |
| 不是…而是… | 3.4 | （正则句式） | 「不是 A 而是 B」是 AI 最爱的句式之一。拆成两句，或者直接说 B。 |
| 说白了式开场 | 3.2 | 说白了、说穿了、说白了就是 | 「说白了」「说穿了」这种开场白用得太密，像在刻意装随意。 |
| 一二三式小标题 | 3.1 | （正则句式） | 小标题全用「一、二、三」开头，工整得像说明书。 |
| 破折号太多 | 3.0 | （全文密度） | 破折号（——）用得太密。真人偶尔用一下，AI 几乎句句都来。 |
| 翻译腔 | 2.6-5.3 | 当…时、对于…来说、这意味着、然而 | 「当…时」「对于…来说」「这意味着」是从英文硬翻过来的，中文口语不这么说。 |
| 顿号成串 | 1.8 | （全文密度） | 一句话里顿号连着一串排下来，读起来像在念清单。 |

## 数据验证 · 反向规则

以下特征方向相反：不是"AI 用得多"，而是"AI 用得少"暴露了它。

| 特征 | R | 触发词 / 句式 | 说明 |
|---|---|---|---|
| 通篇没数字 | 0.35 | （全文密度） | 整篇没出现具体的数据、时间、数量。真人会写「省了两个下午」，AI 只会说「显著提升」。 |

## 语义层特征（仅 LLM 能判断，正则无法实现）

| 特征 | R | 说明 |
|---|---|---|
| 拟人化比喻 | 7.3 | 「像一位不知疲倦的助手」这种把东西比作人的比喻，AI 爱用。注意 AI 用比喻的总量其实比人少，问题只出在这一种。 |
| 段落开头没头没尾的评价 | 4.4 | 段落开头直接抛一句评价（比如「听起来像一条功能描述」），却不说是评价什么，读者得回头翻上文才懂。补一个「这」就顺了。 |
| 连着几句一个模子 | 2.0 | 连续好几句结构一模一样，像填格子。注意：句内排比人反而用得多，只有相邻句长一样才是 AI 味。 |

## 语感特征（未经语料检验，仅作弱信号）

以下来自写作社区共识，未被语料对照验证，判为 AI 味时要谨慎，别误伤正常表达。

| 特征 | 触发词 | 点评 |
|---|---|---|
| 万能开头 | 随着科技的发展、随着社会的发展、在当今社会、在当今这个时代、近年来、众所周知 | 「随着…的发展」「近年来」「众所周知」——这种开头贴到任何文章都能用，等于什么都没说。 |
| 每段都综上 | 综上所述、总而言之、总的来说、一言以蔽之、由此可见 | 「综上所述」挂在每段结尾，但不带新信息，只是走个过场。 |
| 没有立场 | 各有优缺点、需视个人需求、因人而异、需根据实际情况、见仁见智 | 「各有优缺点」「因人而异」——把最难的判断推给读者，等于没表态。 |
| 凑数成语 | 与时俱进、开拓创新、与日俱增、任重道远、继往开来 | 「与时俱进」「开拓创新」——删掉前后文意思不变，纯粹凑字数。 |
| 空形容词 | 显著提升、大幅改善、有效优化、成效卓越、圆满成功、深远影响 | 「显著提升」「大幅改善」——一个具体数字，胜过一个漂亮形容词。 |

## 评分

- 权重分三档：数据验证显著 = 3，数据验证较弱 / 反向 = 2，语感待验证 = 1
- 浓度 = 100 × 加权命中分 /（加权命中分 + 6）
- 0–30 低 / 30–60 中 / 60–100 高

## 工作流

1. 逐句读用户给的文字
2. 对照上面的规则，找出所有 AI 味命中（标出：第几句、哪个模式、触发词）
3. 算浓度评分
4. 输出评分 + 逐句命中清单 + 每个命中的点评

## 输出格式

```
浓度：XX/100（高/中/低）

第 N 句 [模式名]：「触发词」—— 点评
第 M 句 [模式名]：「触发词」—— 点评
...

整体判断：一句话总结哪里最像 AI，最该先改哪里。
```

## 注意

- 宁可漏，不可错。误伤真人写作（把人的表达当成 AI 味）比漏报更糟。
- 语感特征（弱信号）单看不足以判 AI，要和其他特征一起看。
- 破折号是模型差异最大的特征（DeepSeek 多、GPT 少），单独出现不要判死。
- 公文、法律、学术论文里的"总分总"和规范用语不是 AI 味，这类文本要保守。
- 如果文字很干净，明确说"没检测到明显 AI 味"。