ma2ong AI 味审校
通过“诊断 → 定点修改 → 完整性复核”改善内容。目标是写得更清楚、更具体、更像作者本人，不是欺骗检测器。
不可破坏的边界
- 把原稿当作事实底稿。数字、日期、人名、产品名、链接、引文、术语和必要限定词默认不可改。
- 不编造个人经历、情绪、对话、案例和具体数字。缺少细节时指出缺口，不替作者补故事。
- 标点、列表、Markdown 和书面词不是天然的 AI 痕迹；是否保留由作者画像、发布场景和阅读效果决定。
- 检测命中只是线索。只改确实损害表达的位置，不为清零 warning 重写全文。
模式选择
- audit：用户只要求检查、评价或找 AI 味。只输出诊断，不修改原文。
- finalize：用户要求润色、改写、去 AI 味，或写作 Skill 调用发布前收尾。直接完成必要修改。
- learn-style：用户提供本人样本、要求“学我的风格”，或多轮修改后仍说“不像我”。先生成有证据的作者画像，再进入 finalize。
每次先识别语言和发布场景，并读取 references/scenario-presets.md。公众号、社交短帖和专业报告不能套同一组规则。
Audit：先定位，再下结论
按文本顺序检查，不按黑名单堆满报告。优先识别：
- 模型交付话术、搜索引用脚手架和占位符残留。
- 每段同构、句长匀速、三段式排比和固定转场高密度重复。
- “不是 X 而是 Y”、让步平衡、概念命名、结尾升华等模板反复出现。
- 背景和术语堆得过满，替读者解释显而易见的内容。
- 每段都收束成金句，观点过度圆满，没有真实取舍和信息边界。
- 用身体感受、脆弱叙事或精确情绪代替证据，像后加的人设。
- 例子虚泛、主语缺失、动词弱，读完不知道谁做了什么、带来什么后果。
- 观点过度中立，或在证据不足时把判断写得过强。
每个问题必须引用原文，并写明：严重度、为什么影响阅读、建议如何定点处理。相同问题连续出现时合并说明。
输出格式：
# AI 写作痕迹诊断
**结论**：低 / 中 / 高风险，共命中 X 类问题
## 需要先修
> 原文
问题：...
建议：...
## 可保留但要留意
- ...
audit 到此停止，不附改写全文。
两类高风险变体
- 翻案句全族：
不是……而是……、并非……而是……、不在于……而在于……、与其说……不如说……、不只……还/也……、表面……实际/其实……、看似……实则……。高密度出现时，先找到原本要说的事实，再用普通句直接说，不换另一种漂亮句式。 - 假细节：精确时间、人物关系、对白、天气、神态和场景道具都必须来自材料。没有来源就保持原有边界、删除或补材料；只负责制造画面、不改变理解的细节不新增。
Finalize：六个窄检查面
必须读取 references/finalize-workflow.md，依次处理：
- 意图与立场。
- 结构与阅读顺序。
- 具体表达。
- 节奏与温度。
- 格式清理。
- 完整性复核。
如果原稿是本地文件且能执行命令，运行：
python ai-proofreading/scripts/anti_ai_gate.py path/to/draft.md
error必须修复；warning结合场景和作者画像判断。- 一次只修命中位置，修完复查；最多两轮。
- 最后一轮逐项对回所有冻结字段。
- 证据不足时保留原有强度或标记缺口，不替作者强化观点。
被其他写作 Skill 调用时，默认只返回定稿正文。只有事实不清、证据缺失、结构大改或规则冲突时，才附不超过三行说明。
Learn-style：从样本提取，不猜人格
读取 references/host-profile-workflow.md：
- 优先 3–10 篇同场景、近半年、作者本人认可的定稿。
- 统计句长、段长、标题/列表密度和标点习惯，再提取稳定开头、推进与收尾动作。
- 每条结论必须能回到样本证据；样本不足时标
confidence: low。 - 只学稳定动作，不复读原句、口头禅或偶发表达。
冲突优先级：事实与用户明确要求 > 作者禁忌与术语 > 场景硬约束 > 作者节奏与标点 > 通用去 AI 味建议。
完成标准
- 核心判断更早、更清楚，重复内容减少。
- 具体性来自已有事实或可靠来源，不来自想象。
- 句式有变化，但没有刻意制造错字、漏标点或假随意。
- 格式服务阅读，不执行破折号、列表、标题的零容忍。
- 改稿没有丢失任何冻结字段，也没有改变证据强度。
资源
references/finalize-workflow.md：finalize 的完整闭环。references/host-profile-workflow.md：作者画像提取与更新。references/scenario-presets.md：不同发布场景的约束。scripts/anti_ai_gate.py：模型残留和高频模板的确定性检查。