lovstudio 文稿润色师 · Text Editor
先确认文章里哪些判断、取舍和不确定性真正属于作者，再审篇章结构，最后才用 可计算指标处理套话与节奏。产出是一份作者性账本、一份带原文证据的篇章报告、 改好的稿子和改前改后的表层指标对照。
Triggers
Activate when
- 「这篇稿子 AI 味太重，帮我改一下」「润色得像人写的」「加点人味」
- 「公众号发之前查一下」，但不承诺通过平台检测，也不输出 AI 概率
- 「量一下这篇有多像 AI」「哪几句最像机器写的」
- "humanize this Chinese draft" / "de-AI my article"
- "help me make this read like a human wrote it"
- "use the metrics to check how AI this draft sounds"
Do not activate when
- 只要写新稿、不涉及去 AI 味 → 用
lov-writing-style等文风类能力。 - 只要一份检测报告、不要改写 → 仍用本 Skill，但在 Step 3 停下。
- 要模仿某个具体作者的文风 →
lov-style-clone。 - 英文稿件 → 本引擎的指标（「的」字率、四字格、句读切分）只对中文成立。
Internal workflows
本仓库只暴露 lov-human-writing 一个 Skill。四个阶段是按需读取的内部工作流，
没有独立名称、触发器或安装入口：
references/workflows/authorship-ledger.md— 作者性账本；references/workflows/discourse-audit.md— 篇章审计；references/workflows/editorial-rewrite.md— 证据约束改写；references/workflows/surface-audit.md— 30 项表层度量与复测。
完整任务依次执行四阶段；只审计时跳过改写；只要确定性指标时读取 surface workflow。
User Profile (cross-session)
Every generated Skill is connected to the shared user-profile/v1 contract in
skill.yaml. Read the shared user, brand, workspace, preferences, and this
Skill's skills.<skill_id> namespace at the start of every run. Keep the source
portable: resolved personal values belong in the shared profile, never here.
本 Skill 会持久化两类值：
records.default_profile— 常用的度量档位（wechat/zhuque/neutral/thesis）。records.baseline_path— 个人基线 JSON 的路径。这是本 Skill 最重要的 持久化项：默认阈值来自一批公开中文长文，个人基线才是对用户自己文风的 准确刻画。
When the user directly states a durable preference or brand fact, persist it
through scripts/profile_store.py and report the saved profile path. Put
Skill-specific values under records.<field>; use brand.<field> or
user.<field> for shared values. Do not persist inferred secrets or credentials.
See references/user-profile.md for the complete contract.
Skill Group Composition
Read references/skill-composition.md before deciding whether to invoke or
extend any adjacent capability. The record distinguishes optional upstream and
downstream handoffs from embedded Kit modules. Do not silently depend on a
sibling Skill that is not shipped with this source.
这个 Kit 做什么、不做什么
做：先追溯文章命题和结构选择，再检查过度解释、单线因果、反例消失、强行 闭合等篇章问题；最后把 30 项文本统计量与 351 篇真人中文长文的实测分布比较。
不做：判断一篇文章是否由 AI 生成。fail 的准确含义是「越界密度超过
90% 的真人长文」。向用户汇报时不要把它说成「检测出 AI」或「AI 概率 X%」。
判别侧（对 AI 稿的召回）尚无带标签语料验证，局限记录在
references/benchmark.md 第 5 节——被问到准确率时照此回答，不要编数字。
Workflow (MANDATORY)
You MUST follow these steps in order.
Step 0: Resolve skill root, dependencies, and runtime context
- Use
SKILL_DIRif the environment provides it. - Otherwise infer the installed skill directory from the current skill context.
- Verify every required local module, reference, script, and asset before work.
- If a required resource is missing, name its expected relative path and stop before producing a partial result.
export SKILL_DIR="/path/to/lov-human-writing"
Resolve context.profile on every invocation. The precedence is current request,
project context, Skill-specific profile records, shared preferences, shared
brand/user profile, then safe defaults. A direct user statement about a durable
preference or brand fact should be saved with scripts/profile_store.py record
using --confirm, followed by a concise saved-path report.
Step 1: 确定输入、任务边界与档位
输入：文件路径优先；用户直接粘贴则存临时文件再传 --input，避免
--text 在长稿上撞 shell 参数长度限制。
档位按发布目标选，不要问用户「要哪个 profile」，从场景推断：
| profile | 适用 | 特点 |
|---|---|---|
wechat |
公众号长文（默认） | 适配长段落、第一人称与移动端阅读节奏 |
zhuque |
高强度表层审计 | 收紧结构工整与套话，只作编辑诊断 |
neutral |
通用非虚构 | 不预设口语风格 |
thesis |
学术/正式 | 允许书面语长句，禁 emoji，收紧加粗 |
若 records.baseline_path 存在，一并传 -b。
Step 2: 建立作者性账本
完整执行 references/workflows/authorship-ledger.md。内部记录：
- 原始问题从哪里来，哪些结论是用户明确给出的；
- 可写成第一人称的真实经历、决定、失败和情绪；
- 作者选择保留、删除或暂不解释的内容；
- 反例、替代解释、利益关系和未解决问题；
- 禁止新增的经历、数字、引语、动机与因果。
输入没有作者判断时，不替作者制造一套“更像人”的立场。用户只要表层报告时，
可走 surface-only 管线并明确没有完成作者性验收。
Step 3: 审计篇章结构
完整执行 references/workflows/discourse-audit.md 与
references/authorship-integrity.md。逐项给出原文证据，不输出单一 AI 分数：
thesis_provenance：命题是否可追溯到输入或作者；causal_compression：复杂问题是否被压成唯一原因；counterevidence_survival：反例是否真正改变论证；closure_pressure：结尾是否重复总结、升华或强行行动号召；reader_inference_budget：是否把每层意义都替读者解释完；structural_asymmetry：章节是否被强行配平；author_decision_trace：关键删留与结构选择是否有材料依据。
这些维度是编辑问题，不是身份特征。不要为了“像人”增加无关支线、时间跳跃、 开放结尾或故意不完整；材料本来简单时，清楚和线性可以是正确选择。
Step 4: 度量表层特征
python3 "$SKILL_DIR/scripts/measure.py" -i draft.md -p wechat
可选参数：-b baseline.json 用个人基线覆盖默认区间；-f json 取结构化结果；
--no-locate 只要指标不要靶点。
Step 5: 解读并汇报
按结论先行汇报，三件事，不要贴原始表格：
- 总判定与压力分（例：
fail，压力分 11，真人基准 p75=7 / p90=9）。 - 越界的指标，按可改性排序——套话和结构类立刻可改，节奏类要重写句子。
- 篇章问题与引擎靶点句。二者分别是结构改写和局部改写的直接输入。
用户只要报告就在此停下。要改写则继续。
Step 6: 结构优先、表层在后的定向改写
完整执行 references/workflows/editorial-rewrite.md。先修作者性或篇章问题，再处理表层
越界项。默认局部编辑；只有因果顺序、章节组织或结尾收束确实有证据问题时才重组
相关段落，不做无依据的全文重写。
指标到改法的映射：
| 越界指标 | 改法 |
|---|---|
sent_len_cv / max_uniform_run 偏低 |
拆长句、并短句，制造长短交替；不要均匀化 |
short_sent_ratio 偏低 |
把关键判断单独成句 |
para_len_cv / solo_para_ratio 偏低 |
转折处、强调处用一句成段 |
hard_phrase_per_1k / soft_phrase_per_1k |
删套话，换成具体的事（「随着 AI 发展」→「ChatGPT 发布那周」） |
transition_density 偏高 |
删「首先/其次/此外/综上所述」，靠内容自身接续 |
idiom4_per_1k / tail_nominal_per_1k |
删四字格与「体现了/彰显了」式结尾 |
neg_parallel_per_1k |
拆「不是…而是…」排比 |
rule_of_three_per_1k 偏高 |
三项并列改成两项或四项，或直接叙述 |
inline_heading_ratio / bullet_ratio / bold_per_1k 偏高 |
列表改回段落散文，删装饰性加粗 |
heading_per_1k 偏高 |
合并碎标题 |
digit_per_1k / concrete_anchor_count 偏低 |
补具体时间、金额、版本、数量 |
first_person_per_1k 偏低 |
补第一人称经历与判断（neutral/thesis 档不适用） |
hedge_per_1k 偏高 |
删「可能/或许/一定程度上」，把话说定 |
de_ratio 偏高 |
拆「的」字长定语 |
lone_dash_per_1k |
单破折号 — 改中文双破折号 —— |
quote_style_mixed |
统一到一套引号 |
emoji_per_1k |
删 emoji |
改写时守住三条：
- 不动事实。 不新增日期、数字、人名、引语。缺具体细节就问用户，不要编。
- 不动立场和专业术语。 口语化是手段，不是把专业稿改成闲聊。
- 不为凑指标写废话。 指标是稿子好的副产品，不是目标；把「补第一人称」 做成硬塞「我觉得」只会更难读。
- 不制造人类噪声。 不故意加错别字、口头禅、无关支线、矛盾、情绪或开放结尾。
- 不给文章统一收束。 结尾由材料决定，可以行动、判断、事实、疑问或停在未解处； 不强制回到价值、未来、自由或“人的意义”。
Step 7: 双层复测验收
python3 "$SKILL_DIR/scripts/measure.py" -i draft-v2.md -p wechat \
--compare draft.md
先重跑篇章审计，确认问题被修复且没有丢失作者判断、反例和不确定性；再运行
--compare 输出逐项的旧值 → 新值与状态迁移。表层验收标准：目标指标状态改善，
且没有把别的指标推出界——去套话时压过头会让 hedge_per_1k 或
short_sent_ratio 反向越界。压力分没降就说明改写没生效，重来 Step 4，不要
把未改善的结果当成完成。
Step 8: 交付
- 先调用
lov-branding-consistency，但只检查目标媒介、受众、品牌角色与读者可见 字段；不得借品牌审校改写作者立场、正文事实、引语或已验收的个人声音。没有品牌 或组件问题时允许零修改。 - 改写稿写到
./output/，命名为「原文件名 +-human-v0.x.md」。 - 汇报作者性和篇章结构的关键变化、压力分变化、修掉的指标，以及仍然保留的项 和材料依据。
- 不要声称「已通过 AI 检测」。能说的是指标已回到真人分布区间内。
Step 9: 建个人基线（强烈建议）
默认阈值来自一批公开中文长文，不是用户本人的文风。有 ≥ 30 篇本人历史稿件时：
python3 "$SKILL_DIR/scripts/measure.py" --calibrate ~/writing/ --out baseline.json
把路径存进 records.baseline_path。语料必须是本人手写的稿件——混入 AI
生成物或口语转写会污染基线，反而让引擎失效（references/benchmark.md
第 1 节记录了一次真实的污染事故与清洗规则）。
Validate the deliverable
- 作者性账本中的命题、判断和删留决定都有输入依据。
- 篇章报告逐项引用原文证据，没有 AI 概率或平台通过承诺。
- 复测确实跑过，指标改善有
--compare输出支撑，不是凭感觉。 - 事实、立场、术语、反例和有意保留的不确定性未被改动。
- 汇报里没有把分布定位说成 AI 身份判定。
- 输出路径与文件名符合约定。
Dependencies
lov-branding-consistency 只负责最终可见文案的受众与品牌语境。核心编辑与度量使用
Python 3.8+ 标准库，无第三方 Python 依赖。
References
references/benchmark.md— 阈值与判定标尺的全部来源、复现方法、已知局限。references/authorship-integrity.md— 作者性账本、七维篇章审计与非虚构边界。references/workflows/— 四个内部阶段；不作为独立 Skills 分发。references/skill-composition.md— 与相邻 Skill 的分工与交接。references/user-profile.md— Profile 契约。