什么是 AI 味，怎么去 AI 味

AI 写作痕迹识别与去除完全指南

可能很多人对 AI 写的文章有意见。读几句就能感觉不对劲，但又说不上具体哪里有问题。

这种味道不是凭空而来的。它背后有一套严格的数学机制在运作，而理解这套机制，是去除 AI 味的起点。

AI 味（AI Writing Tropes）：大型语言模型（LLM）在生成文本时表现出的可识别模式。这些模式源于模型的统计预测本质，表现为过度使用某些词汇、句式和结构，使文本读起来机械化、模板化。

图 1：AI 生成文本的词汇选择分布与人工写作的差异。横轴为词汇的"AI 倾向指数"，纵轴为出现频率。可以看到 AI 文本在某些特定词汇上出现明显的峰值。

第一章：AI 味的本质

要理解 AI 味，我们需要暂时离开文字本身，去看看那些生成文字的模型是如何工作的。

想象你在玩一个猜词游戏。朋友给你看一句话的前半部分，让你猜下一个词是什么。比如：“我今天早上吃了一碗______"。你可能会猜"面条”、“粥”、“麦片”。这三个答案都不错，但直觉告诉你，“面条"和"粥"比"麦片"更符合中文语境。

大型语言模型（LLM, Large Language Model）：基于 Transformer 架构的神经网络，通过预测序列中下一个词的概率分布来生成文本。可以把它想象成一个超级猜词游戏玩家，它见过数以亿计的句子，对每个词出现在特定位置的可能性都有精细的估计。

LLM 本质上就是这样一个猜词机器。它接收一段文字，计算每个可能的后续词的概率，然后选择其中一个作为输出。这个过程循环往复，直到生成完整的段落。

这里有一个关键问题：当模型面对多个"都不错"的选择时，它会怎么决定？

答案藏在它的训练目标里。LLM 被训练来最大化训练数据的似然概率，也就是说，它倾向于选择"在训练数据中最常见"的表达。这就好比一个人在陌生的城市里，总是本能地走向人最多的那条街。

但这里有个微妙的扭曲。模型还有一个"重复惩罚"机制。如果它刚刚用过某个词，这个词在下一步的概率会被刻意压低。这就像是一个试图展现词汇量的考生，刻意避免连续使用同一个词。结果呢？模型开始寻找同义词、近义词，甚至是更"花哨"的替代方案。

重复惩罚（Repetition Penalty）：LLM 生成过程中施加的一种约束，用于降低近期已出现词汇的采样概率。原本是为了避免单调重复，却导致模型过度追求词汇变化，产生不自然的同义词替换。

再加上 RLHF（基于人类反馈的强化学习）训练，模型被进一步引导去生成"看起来不错"的文本。它学会了人类的某些偏好，比如喜欢有结构的开头、平衡的正反面论述、以及乐观向上的结尾。这些偏好本身没有错，但当它们被机械地执行时，就产生了那种 unmistakable 的 AI 感。

RLHF（Reinforcement Learning from Human Feedback）：一种训练技术，通过人类评分者的偏好反馈来微调模型。可以想象成让模型参加一场持续的考试，每次生成后都由人类老师打分，模型逐渐学会什么样的答案能得高分。

所以，AI 味的本质是什么？它是统计学最可能结果的堆砌，是避免重复的强迫症的产物，是 RLHF 训练留下的指纹。当你读到"此外”、“值得注意的是”、“深入探讨"这些词时，你听到的其实是模型在低声说：“根据我的计算，这是最安全的下一个词。”

第二章：AI 味的六大类别

现在让我们进入实战环节。社区已经识别出几十个典型的 AI 写作模式。我将其归纳为六大类别，每一类都有其独特的"症状"和"治疗方案”。

图 2：AI 写作模式的六大类别及其相互关系。这些模式相互交织，形成复杂的"AI 味"网络。

2.1 词汇选择：那些"过于正确"的词

AI 有一种奇特的能力，总能选出"最符合场合"的词汇。但问题恰恰在这里。人类写作会犯错，会有偏好的词，会有突然的词不达意。AI 不会。它的词汇选择像是一个永远穿着正装的人，在任何场合都无可挑剔，也因此显得格格不入。

魔法副词家族

“Quietly”（悄悄地）是一个典型的例子。在 AI 生成的文本中，这个词的出现频率远高于普通英语写作。

改写前：这个系统正在 quietly 编排工作流程，在后台 quietly 运行。 改写后：这个系统在后台管理工作流程。

“Quietly”、“deeply”、“fundamentally”、“remarkably”、“arguably”——这些副词被 AI 用来给平凡的描述增加重要感。它们就像调味料，偶尔使用能提鲜，但 AI 似乎每道菜都要撒一把。

Delve 家族

如果说有一个词能瞬间暴露 AI 身份，那可能就是"delve"（深入探讨）。这个词在 2023 年前的英语写作中并不常见，但在 AI 生成文本中却泛滥成灾。

改写前：让我们 delve into 这个主题。Delving deeper，我们会发现…… 改写后：让我们看看这个主题。进一步分析，我们会发现……

同样的还有 leverage（利用，作为动词）、robust（强大的）、streamline（精简）、harness（驾驭）。这些词本身没有错，但它们的组合出现往往是 AI 的签名。

织锦与格局（Tapestry and Landscape）

AI 喜欢用"tapestry"（织锦）来描述任何相互关联的事物，用"landscape"（格局/图景）来描述任何领域。

改写前：人类经验的丰富 tapestry。驾驭现代 AI 的复杂 landscape。 改写后：人类经验。现代 AI 领域。

这些华丽的抽象名词就像是模型的"安全词"——当它们不确定具体该说什么时，就会诉诸这些听起来很学术的概念。

“作为"回避（The “Serves As” Dodge）

AI 有一种奇怪的抵触，不愿意直接使用简单的"is"或"are”。它更倾向于说"serves as"（作为……发挥作用）、“stands as”（代表着）、“marks”（标志着）。

改写前：这座建筑 serves as 城市遗产的见证。 改写后：这座建筑见证了城市的遗产。

这种回避源于模型的重复惩罚机制。“Is"是一个高频词，模型担心重复，于是刻意寻找替代方案。但结果往往是让简单的话变得复杂。

2.2 句子结构：那些精心设计的套路

如果说词汇是 AI 味的调料，那么句式结构就是它的骨架。AI 似乎对某种特定的句法节奏情有独钟。

否定式排比（Negative Parallelism）

这可能是 AI 写作中最具辨识度的模式。“It’s not X — it’s Y”（这不是 X，而是 Y）。这个句式在 AI 文本中的出现频率，远超人类自然写作。

改写前：这不是大胆，而是倒退。喂养不是营养，而是透析。 改写后：这种做法实际上是倒退。喂养和营养是两回事。

AI 喜欢这种句式，因为它创造了一种"重新定义"的效果，给人一种洞察感。但当这种"洞察"被批量生产时，它就失去了力量。

“不是 X。不是 Y。只是 Z。”

这是否定式排比的变体，通过连续否定来制造戏剧性的紧张感。

改写前：不是一个 bug。不是一个功能。只是一个根本性的设计缺陷。 改写后：这是一个根本性的设计缺陷。

人类偶尔也这样写，但 AI 把它变成了默认设置。

自问自答（“The X? A Y."）

AI 喜欢提出一个修辞性问题，然后立即回答。这种问题往往是读者没想过的，回答也往往平淡无奇。

改写前：**结果？**毁灭性的。**最糟糕的部分？**没人预料到。 改写后：结果是毁灭性的。没人预料到最糟糕的部分。

这种句式制造了一种虚假的节奏感，就像是预先设计好的笑点，但往往并不好笑。

首语重复（Anaphora Abuse）

在连续的句子中重复相同的开头，形成一种排比效果。

改写前：他们假设用户会付费……他们假设开发者会构建……他们假设…… 改写后：他们对用户付费、开发者构建都做了假设。

适当的首语重复是修辞技巧，但 AI 倾向于过度使用，让它变成机械的重复。

三项式滥用（Tricolon Abuse）

人类喜欢三项列举，因为它们有节奏感。AI 也学会了这一点，但它做得太过分了。

改写前：产品打动人；平台赋能人。产品解决问题；平台创造世界。产品线性扩展；平台指数扩展。 改写后：平台比产品更能赋能用户、创造价值并实现指数级扩展。

一个三项式是优雅的，三个连续的三项式就是 AI 味。

2.3 段落结构：那些刻意的节奏

段落层面的 AI 味往往更隐蔽，因为它涉及更大尺度的文本组织。

短促有力片段（Short Punchy Fragments）

AI 喜欢使用非常短的句子或句子片段作为独立段落，制造人为的强调效果。

改写前：他发表了这篇文章。公开地。在一本书里。作为一名牧师。 改写后：他作为一名牧师，公开在一本书里发表了这篇文章。

这种写法源自"为可读性而写"的训练目标，模型试图通过减少每句话的信息密度来"帮助"读者。但结果是文本失去了自然的流动感。

伪装列表（Listicle in a Trench Coat）

当 AI 被要求不要生成列表时，它往往会把列表伪装成散文。

改写前：第一道墙是缺乏免费的限定范围 API……第二道墙是缺乏委托访问……第三道墙…… 改写后：存在几个障碍：缺乏免费的限定范围 API、委托访问和限定范围权限。

这种伪装往往比直接的列表更难阅读，因为读者需要额外的工作来识别列表结构。

2.4 语调模式：那些过于热情的姿态

AI 在语调上有一种奇特的属性：它总是显得过于积极、过于 helpful、过于 eager to please。

“Here’s the kicker”（关键是）

这类短语承诺一个揭示，但往往只是引出一个平淡无奇的观察。

改写前：Here’s the kicker（你猜怎么着）。Here’s where it gets interesting（这里开始变得有趣）。 改写后：（直接陈述观点）

“Imagine a world…"（想象一个世界……）

AI 特别喜欢这种邀请式的开头，尤其是在讨论未来或技术时。

改写前：想象一个世界，你使用的每个工具——日历、收件箱、文档——背后都有一个安静的智能…… 改写后：AI 正在被集成到各种工具中，包括日历、收件箱和文档。

这种写法试图通过唤起画面来建立情感连接，但往往显得陈词滥调。

虚假脆弱性（False Vulnerability）

AI 偶尔会尝试"坦诚"或"自我反思”，但这种脆弱性往往是表演性的。

改写前：是的，我公开热爱平台模式。是的，既然我们坦诚相待：我在看着你，OpenAI、Google、Anthropic、Meta。 改写后：我支持平台模式。大型科技公司在这个领域占据主导地位。

真正的脆弱性是具体的、有风险的；AI 的脆弱性是抛光的、安全的。

编造概念标签（Invented Concept Labels）

AI 喜欢创造听起来分析性但实际上没有明确定义的复合标签。

改写前：监督悖论（supervision paradox）。加速陷阱（acceleration trap）。工作负载蔓延（workload creep）。 改写后：监督中的矛盾。加速带来的问题。工作负载的增长。

这些标签听起来像是学术术语，但往往是模型的即兴发挥，缺乏严谨的定义。

2.5 格式问题：那些视觉上的痕迹

AI 味的视觉痕迹往往比文字内容更容易识别。

破折号成瘾（Em-Dash Addiction）

人类作家可能在一篇文章中使用 2-3 个破折号，AI 会使用 20+。

改写前：问题 —— 这是没人谈论的部分 —— 是系统性的。 改写后：问题是系统性的，尤其是没人谈论的那些方面。

破折号在 AI 文本中被用来制造戏剧性的停顿、括号式的旁白和转折。

粗体开头项目符号（Bold-First Bullets）

在 Claude 和 ChatGPT 的输出中极为常见：每个项目符号都以粗体短语开头。

改写前：安全性：基于环境的配置……性能：延迟加载…… 改写后：安全性：基于环境的配置……性能：延迟加载……

这种格式在人类手写文档中几乎看不到。

Unicode 装饰（Unicode Decoration）

AI 喜欢使用特殊字符，如 unicode 箭头（→）、智能引号（""），这些在标准键盘上不易输入。

改写前：输入 → 处理 → 输出。 改写后：输入 -> 处理 -> 输出。

2.6 写作结构：那些大尺度的套路

在文章和章节的尺度上，AI 也表现出可识别的模式。

分形摘要（Fractal Summaries）

“我要告诉你什么；我正在告诉你什么；我刚告诉了你什么”——这种结构被应用到文档的每一个层级。

改写前：在本节中，我们将探索……[3000 字后]……正如我们在本节中看到的。 改写后：（删除重复总结，保留核心内容）

死隐喻（The Dead Metaphor）

AI 会抓住一个隐喻，然后在整篇文章中反复使用，直到它失去所有活力。

改写前：生态系统需要生态系统来构建生态系统价值。墙和门在同一篇文章中使用了 30+ 次。 改写后：（引入隐喻后，使用一次然后继续前进）

历史类比堆砌（Historical Analogy Stacking）

快速连续列出历史公司或技术革命来建立虚假权威。

改写前：Apple 没有构建 Uber。Facebook 没有构建 Spotify。Stripe 没有构建 Shopify。AWS 没有构建 Airbnb。 改写后：大型科技公司通常不会构建在其平台上成长起来的成功产品。

单点稀释（One-Point Dilution）

提出一个论点，然后以 10 种不同的方式在数千字中重述它。

改写前：相同的观点，在 4000 字中以八种方式重述。 改写后：（压缩为一个清晰的论点陈述）

标志性的结论（The Signposted Conclusion）

用"In conclusion”、“To sum up”、“In summary"明确地宣布结论。

改写前：总之，AI 的未来取决于……总结一下，我们探讨了三个关键主题…… 改写后：（直接陈述结论，不需要标记）

第三章：去除 AI 味的核心原则

识别 AI 味只是第一步。真正难的是去除它。五条原则：

3.1 删除填充短语

AI 喜欢在进入正题之前进行"预热”。这些预热短语包括：

• “值得注意的是……”
• “重要的是……”
• “有趣的是……”
• “在这个时间点上……”
• “为了实现这一目标……”

改写前：值得注意的是，数据显示性能有了显著提升。 改写后：数据显示性能显著提升。

这些短语就像是演讲者在台上清嗓子。偶尔一次可以容忍，反复出现就会让人厌烦。

3.2 打破公式结构

AI 喜欢对称、平衡、成对出现。但现实世界的思想很少如此整齐。

改写前：我们不仅需要考虑技术可行性，还需要考虑伦理影响，同时兼顾用户体验和长期维护成本。 改写后：技术可行性、伦理影响、用户体验——这三者经常打架。你需要在不同的情况下做不同的取舍。

人类可以接受不平衡。事实上，不平衡往往更有趣。

3.3 变化节奏

AI 生成的文本往往有一种机械的节拍感。句子长度相似，结构相似，结尾方式相似。

打破这种节奏的方法很简单：刻意制造变化。

• 一个短句。然后是一个需要好几行才能说完的长句，带着各种从句和插入语，就像一个话痨在酒吧里跟你聊天。
• 再然后又是一个词。

这种变化让读者保持警觉。它模拟了人类思维的跳跃性。

3.4 信任读者

AI 有一种低估读者的倾向。它会解释隐喻，会铺垫背景，会手把手引导。

改写前：这就像在暴风雨中驾驶一艘船——换句话说，你需要时刻保持警觉并做出快速调整。 改写后：这就像在暴风雨中驾驶一艘船。

相信读者能理解隐喻，能跟上思路，不需要你牵着走。

3.5 删除金句

如果一句话听起来像是可以在 Twitter 上被疯狂转发的"金句”，删掉它，重写。

改写前：在这个快速变化的世界里，唯一不变的就是变化本身。 改写后：技术变化的速度让人难以跟上。去年的最佳实践今年可能就过时了。

真正的洞察很少以格言的形式出现。它们通常是具体的、有瑕疵的、难以提炼的。

第四章：注入灵魂的具体方法

去除 AI 味不只是删除不良模式。 sterile, voiceless writing 和机器生成的内容一样糟糕。好的写作背后有一个人。六个方法：

4.1 有观点

不要只是报告事实。要对它们做出反应。

改写前：实验产生了有趣的结果。智能体生成了 300 万行代码。一些开发者印象深刻，另一些则持怀疑态度。 改写后：我真的不知道该怎么看待这件事。300 万行代码，在人类大概睡觉的时候生成的。开发社区有一半人疯了，另一半人在解释为什么这不算数。

“我真的不知道该怎么看待这件事”——这句话没有任何信息价值，但它告诉你：这里有一个真实的人在思考。

4.2 变化节奏

短促有力的句子。然后是需要时间慢慢展开的长句，带着各种修饰和插入，就像一个话痨在酒吧里跟你聊天。

改写前：系统性能良好。它处理请求速度快。内存使用在可接受范围内。响应延迟低。 改写后：系统跑得不错。平均响应时间 23 毫秒——足够快，让用户感觉不到等待。内存占用？稳定在 4GB 左右，不会突然飙升把你半夜叫起来救火。

4.3 承认复杂性

真实的人有复杂的感受。

改写前：这个新技术令人印象深刻，代表了行业的重大突破。 改写后：这个新技术令人印象深刻，但也让人有点不安。我不知道我们是否真的准备好了。

“但是"后面的内容，往往比前面的更有价值。

4.4 使用"我”

第一人称不是不专业。它是诚实。

改写前：人们可能会认为这种方法存在局限性。 改写后：我觉得这种方法行不通。至少在我的经验里，它总是导致灾难。

“我觉得"比"人们可能会认为"更有力量，因为它来自一个具体的位置。

4.5 允许混乱

完美的结构感觉像算法。跑题、题外话、半成型的想法——这些是人性的体现。

改写前：本文将按照以下结构展开：第一节介绍背景，第二节讨论方法，第三节分析结果，第四节总结。 改写后：我本来只想讲讲方法，但写的时候发现背景也很重要。所以先啰嗦几句背景——如果你已经熟悉这块，直接跳到第二节也无妨。

这种"混乱"让读者感到放松。它说：这里有一个真实的人在组织这些想法，而不是一个机器在执行模板。

4.6 对感受要具体

不是"这令人担忧”，而是：

改写后：凌晨三点，你躺在床上，突然想到服务器还在那里自己跑着，没有人看着。那种感觉很奇怪。

具体的感受比抽象的形容词更有说服力。

第五章：实战改写示例

让我们来看几个完整的改写案例。

示例 1：技术文档

改写前（AI 味道）：

AI 辅助编程作为大型语言模型变革性潜力的持久证明，标志着软件发展演变史上的关键时刻。在当今快速发展的技术格局中，这些开创性的工具—— nestled 在研究与实践的交汇处——正在重塑工程师构思、迭代和交付的方式，凸显了它们在现代工作流中的重要作用。

其核心，价值主张是明确的：精简流程、增强协作、促进一致性。这不仅仅是关于自动补全；它是关于大规模释放创造力，确保组织能够保持敏捷，同时向用户交付无缝、直观和强大的体验。

行业观察者指出，采用已经从爱好者实验加速到企业级推广，从个人开发者到跨职能团队。该技术已被《纽约时报》、Wired 和 The Verge 报道。

改写后（人性化）：

AI 编程助手确实能加快一些任务的完成速度。Google 在 2024 年的一项研究中，使用 Codex 的开发者在简单函数上比对照组快 55%，但在调试或架构决策上没有改进。

这些工具擅长处理样板代码：配置文件、测试脚手架、重复的重构。它们不擅长的是知道自己什么时候错了。我曾经批量接受那些编译通过、通过了 lint、但仍然做错了的建议，因为我在使用它们的时候停止了思考。

Mira，一家金融科技创业公司的工程师，告诉我她把 Copilot “当成无聊代码的自动补全”，但每行都审查后才提交。Jake，一家大公司的资深开发者，在它不断建议一个已弃用的内部库的模式后关闭了它。

生产力声明很难验证。GitHub 说 Copilot 用户 “接受 30% 的建议”，但接受不等于正确，正确不等于有价值。2024 年 Uplevel 的研究发现，有和没有 AI 助手的团队，在 pull request 吞吐量上没有统计学显著差异。

改动分析：

• 删除了"作为……证明"、“标志着”、“格局”、“作用"等夸大性词汇
• 用具体的研究（Google 2024、Uplevel 2024）替代了"行业观察者指出”
• 用具体的人（Mira、Jake）替代了抽象的"用户"
• 删除了三段式列举（“无缝、直观和强大”）
• 删除了媒体名称的堆砌

示例 2：产品介绍

改写前（AI 味道）：

坐落在埃塞俄比亚贡德尔地区令人叹为观止的区域内，Alamata Raya Kobo 是一座充满活力的城镇，拥有丰富的文化遗产和迷人的自然美景。该镇拥有每周集市和 18 世纪教堂，见证了该地区的历史意义，为埃塞俄比亚文化多样性做出了重要贡献。

改写后（人性化）：

Alamata Raya Kobo 是埃塞俄比亚贡德尔地区的一座城镇。每周四有集市，主要卖 livestock 和谷物。镇上有一座 18 世纪的教堂，石墙上的壁画已经褪色斑驳，但 still recognizable 是圣乔治屠龙的场景。

改动分析：

• 删除了"坐落在……令人叹为观止的区域内"、“充满活力”、“丰富的文化遗产”、“迷人的自然美景"等宣传性语言
• 删除了"见证了”、“做出了……贡献"等夸大其词的表述
• 用具体的细节（周四集市、livestock 和谷物、褪色的壁画）替代了泛泛而谈

示例 3：个人随笔

改写前（AI 味道）：

在这个快速变化的世界里，适应是成功的关键。值得注意的是，技术变革正在重塑我们生活的方方面面。然而，尽管存在这些挑战，人类精神继续蓬勃发展，寻找新的创新方式来应对不断演变的格局。

改写后（人性化）：

我上周把手机掉进了水里。不是掉进马桶那种——是掉进了河里，去捞的时候滑了一跤，整个人都湿了。手机当然报废了。但奇怪的是，那三天没有手机的日子，我居然睡得比之前几个月都好。

改动分析：

• 删除了"在这个快速变化的世界里”、“值得注意的是”、“然而”、“尽管存在这些挑战”、“蓬勃发展”、“不断演变的格局"等 AI 词汇和公式化表达
• 用一个具体的故事（掉手机）替代了抽象的观察
• 用个人的感受（睡得更好）替代了泛泛的结论

第六章：快速检查清单

在你交付任何文字之前，运行一下这个检查清单：

句子层面：

• 连续三个句子长度相同？打断其中一个
• 使用了"此外"“然而"“值得注意的是”？考虑删除
• 有"作为……“回避？改用"是”
• 有"不是……而是……"？考虑直接陈述
• 有自问答（“X？Y。"）？改为陈述句
• 使用了"想象"“关键是"“让我们分解”？删除这些设置语

段落层面：

• 段落以简洁的单行结尾？变换结尾方式
• 三段式列举？改为两项或四项
• 使用了粗体开头的项目符号？改为普通格式

结构层面：

• 有破折号？考虑减少到 2-3 个
• 使用了"In conclusion”？删除
• 相同的隐喻重复出现？保留一次，删除其余
• 有"从 X 到 Y"的虚假范围？检查 X 和 Y 是否真有尺度关系

灵魂检查：

• 我表达了观点吗？还是只是中立报道？
• 有"我"出现吗？
• 句子长度有变化吗？
• 有具体的细节吗？还是都是抽象概念？
• 读起来像是我会说的吗？还是像机器人说的？

结语：写作为人

去除 AI 味的过程，本质上是一场回归。回归到写作最原始的目的：一个人向另一个人传达思想。

AI 写作的问题不在于它"错了”。它太"对"了——太平均、太安全、太无懈可击。它像是在一个巨大的房间里，用最大的声音说着最稳妥的话。

但人类的交流不是这样的。我们说话时会犹豫、会跑题、会突然想到一个奇怪的例子、会承认"我不知道”。这些"不完美"让交流更有效，因为它们建立了信任。它们告诉听众：这里有一个真实的人，带着真实的局限，在尝试传达真实的想法。

所以，当你下次写作时，想象你对面坐着一个具体的人。比如你曾经的酒友，或者你尊重但不必讨好的同事。你会怎么跟他说话？你会用哪些词？你会怎么组织你的句子？

那个声音，就是你真正的声音。找到它，用它写作，AI 味自然就消失了。

参考资料

本文的完成离不开开源社区的贡献。以下是本文参考和引用的主要资源：

核心资源

Wikipedia: Signs of AI writing

• 链接：https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing
• 维护者：WikiProject AI Cleanup
• 贡献：这是 AI 写作痕迹识别领域最权威的参考文档之一，由数千名维基志愿者基于实际观察编纂而成。

tropes.fyi

• 链接：https://tropes.fyi
• 维护者：Ossama Ismail (ossama.is)
• 贡献：提供了详尽的 AI 写作模式分类和示例，是本文"六大类别"框架的主要来源。

Claude Code Skills

humanizer (英文版)

• 作者：Blader
• 功能：去除 AI 写作痕迹的 Claude Code Skill
• 特点：基于 Wikipedia 指南，提供了完整的英文 AI 模式识别与改写指南

humanizer-zh (中文版)

• 原作者：Blader
• 中文适配：基于 hardikpandya/stop-slop 和 tropes.fyi 进行了深度优化
• 特点：针对中文 AI 写作模式进行了本土化调整，包含 45 个具体模式

stop-slop

• 作者：Hardik Pandya
• 链接：https://github.com/hardikpandya/stop-slop
• 贡献：提供了"去除 AI 味"的核心原则框架

关键洞察

“LLM 使用统计算法来猜测接下来应该是什么。结果倾向于适用于最广泛情况的统计上最可能的结果。”

正是这个"最广泛适用"的倾向，产生了我们所说的 AI 味。