lieflat-less-ai-tone 去AI味三大改写约束深度解析：从统计显著到可执行规则（白名单、信息守恒、语义排除）

lieflat-less-ai-tone 去AI味三大改写约束深度解析：从统计显著到可执行规则（白名单、信息守恒、语义排除）

【免费下载链接】lieflat-less-ai-tone一个基于 283 万字语料统计的去 AI 味 skill · An AI-tone removal skill grounded in a 2.83-million-character corpus study项目地址: https://gitcode.com/gh_mirrors/li/lieflat-less-ai-tone

lieflat-less-ai-tone 是一个基于 283 万字语料统计的去 AI 味 skill：它先用语言学方法量化「什么是 AI 味」，再把 11 项统计显著的特征转写成可执行的改写规则。但统计显著不等于能直接拿去改文章——本文深度解析它从数据到规则之间的三重约束：白名单、信息守恒与语义排除，帮新手看懂这套去 AI 味规则集的设计逻辑。

项目速览：283 万字对照语料，筛出 11 条「真 AI 味」特征

这个 skill 的研究设计很直白：300 篇由五个主流模型（Claude、DeepSeek、Gemini、GPT、Kimi）在受控条件下生成，329 篇人类作者的公开文章作对照，合计 629 篇、282.7 万汉字。对公共讨论中常见的 26 项「AI 文风」候选特征逐项计算频率比，只有倍率 R = AI 侧 ÷ 人类侧 ≥ 2.0 的特征才被立为规则，最终 11 项通过、15 项淘汰。

更关键的是那些没通过的检验：正文设问句人类用得多 17 倍、比喻人类多 2.4 倍、句内同构排比人类反而更高。也就是说，流行清单里不少「AI 味」条目要么站不住，方向甚至是反的。完整结果表见 RESEARCH.md。

为什么统计显著还不够？

倍率 ≥ 2.0 只是收录门槛，把统计结果直接变成改写规则还会踩三个坑：

1. 方向反了或无法验收。单字虚词 AI 侧确实偏低，但正确方向是「补虚词」，补完没法验收、还容易把正式文章改出口语味——整项弃用。材料密度一项人类侧是 AI 的 2.8 倍，「补充数据」会违反信息守恒，只保留可执行的一半（原文已有数据时不许用概括词盖掉）。
2. 特征落不到具体词句。「比喻贴不贴切」「案例是否堆砌」这类判断依赖语义理解，无法转写成可执行算子，写了也没法验收。
3. 无界改写会破坏原文。若凭印象对全文「润色」，信息会被悄悄加进来或删掉，去 AI 味反而变成了改写内容。

为此，项目把 11 项特征转写为规则时附加了三重约束，原文见 README.md 第 4 节。

约束一：白名单原则，只改清单内的 11 项 ✅

白名单原则是这套去 AI 味规则的「硬边界」，核心只有一条：未命中任何规则的句子逐字保留。

• 只处理清单内 11 项，不增加清单外的判断标准；
• 标题层级、章节顺序、段落数量与顺序、列表、表格、代码块位置一律不动；
• 一句话即使命中规则，也只改解决该问题所必需的最小部分，不顺便润色、不调语气；
• 对某处是否命中没有把握时，保持原文。

与之配套的是「不作为改写理由」表：句长不够参差、虚词偏少、被动句、正文问句、比喻本身等，看着像 AI 味但实测站不住，不能据此改字。这张表和规则一样是硬约束——比如按流行建议「删设问」，会让文本进一步偏离人类写作特征。相关边界与免改清单见 SKILL.md、SKILL.md。

约束二：信息守恒，不许新增也不许删减 🚫

信息守恒回答的是「改写时能不能动内容」：不能。

不许新增——哪怕只是为了让句子更具体、更像人写的，以下一律不得凭改写添加：姓名与机构、数字与金额、日期与顺序、引语与对话、来源与出处、因果与心理活动、任何原文没写的细节或案例。

不许删减——原文的观点、结论和限定词（“可能”“通常”“据说”“在某些情况下”）必须完整保留。把「可能提升」改成「提升」属于篡改判断强度，不是去 AI 味。

验收方法很朴素：改写后每个实词，都要能在原文里指出出处，指不出来就是新增，必须撤销。这条直接写进了文末的最终验收清单。也因此，「把抽象写具体」明确不属于这个 skill 的职责——原文抽象就让它抽象，第 8 条只允许把原文已有的具体数据提到概括词的位置，绝不自己造数字。完整条款见 SKILL.md。

约束三：语义排除，语感不立为规则 🧪

第三重约束处理的是最隐蔽的坑：把「感觉像 AI」写进规则。

有三类判断被明确排除在规则之外：比喻是否贴切、设问是否解决了读者的真实疑问、并列案例是否属堆砌。它们的共同点是依赖语义理解，无法转写成可执行算子；若写入规则，只会诱导执行者依主观语感改写，改多少都说不清对错。项目原文的表述是：「不因主观上『接近 AI 文风』而破例。」

这条约束有方法论上的工程保障：每个特征以正则算子实现，而本项目如实记录了六次算子设计缺陷导致的测量失误（例如把正常并列误判为嵌套定语、分母选错得出 32 倍的假差异），并确立操作规程——任何算子在采信频率前，须先抽样检视 20 条命中实例。失误记录见 README.md 第 5 节。

一个典型对照：「比喻是否贴切」被排除，因为实测人类用比喻是 AI 的 2.4 倍；但其中的形态化子项「拟人化喻体」（像一位智慧的导师、永不疲倦的审查员）倍率达 7.3，触发行定位明确，于是只收这一项。规则的依据是触发标记可定位，而不是频率高低或印象分。

三条约束如何配合：一次改写的完整流程

把三重约束串起来，就是 SKILL.md 中规定的标准用法：

1. 锁定框架：标题、章节、段落、列表、表格、代码块的位置先固定，白名单边界生效；
2. 逐项检查：只按 11 条规则逐项过，不引入清单外的标准；
3. 最小改写：命中处只改必需部分，信息不增不减（信息守恒生效）；
4. 验收复查：每一处改动都能对应某条编号规则、每个实词都能在原文指出出处，指不出就撤销。

语义排除则贯穿全程：遇到「比喻贴不贴切」这类问题，规则明确不处理，交还给人。

新手上手：规则集、结果表与复算脚本

三个脚本的算子定义都写在文件首部，换成自己的语料即可复算全部指标——这也是这个开源去 AI 味 skill 最值得学习的一点：规则不只给结论，方法链（切分规程、分母选择、判定阈值、算子定义）全部可复核。

一句话总结：lieflat-less-ai-tone 用 283 万字语料证明了一件事——好的去 AI 味工具不靠「语感」，而靠可定位的触发标记、守恒的信息和一份明确的白名单。

【免费下载链接】lieflat-less-ai-tone一个基于 283 万字语料统计的去 AI 味 skill · An AI-tone removal skill grounded in a 2.83-million-character corpus study项目地址: https://gitcode.com/gh_mirrors/li/lieflat-less-ai-tone