high-fidelity-de-ai-skill

高保真去除 AI 味 Skill

贡献者：majiabin2020

这是一个给 Agent 和大模型使用的高保真去 AI 味 Skill。

它不是普通的“润色一下”“更像人写”“少一点 AI 味”的提示词。它的目标也不是把文章改得更华丽、更顺滑、更像公众号模板。

它真正做的是一件事：

把大模型写出来的文本，重新拉回到指定语料的真实表达分布里。

换句话说，它不是“通用去 AI 味”，而是“基于语料库的高保真文风回写”。

最大区别

市面上很多去 AI 味 Skill 或提示词，本质上是列一堆规则：

少用首先其次最后
少用总的来说
多一点口语
多一点短句
不要太像 AI

这类方法的上限很低。它最多只能删掉一些常见 AI 模板，最后经常会变成另一种 AI 味：

全是短句。
看起来很有力。
但还是很假。

这个 Skill 的路线完全不同。

它强制要求用户提供语料。没有语料，就不执行高保真改写。

因为真正的“没有 AI 味”，不是变成某种泛泛的真人腔，而是回到某个具体人的表达习惯：

他的句子长短
他的停顿方式
他的判断力度
他的标点习惯
他的转折方式
他的开头方式
他的结尾方式
他的口头表达残留
他的结构节奏
他的常用词和禁用词

没有这些，就没有所谓“高保真”。

核心卖点

1. 强制语料，不做假去 AI 味

这个 Skill 不提供无语料的通用去 AI 味服务。

最低需要满足任意一个条件：

5 篇长文本，每篇至少 600 个有效字/词
或 3000 个有效字/词
或 20 条短帖/评论/笔记，合计至少 3000 个有效字/词

中文、日文、韩文按有效 CJK 字符统计。英文等空格分词语言按有效词数统计。中英混写按“有效 CJK 字符 + 非 CJK 词/数字/code-switch token”相加。

无语料时，输出状态是：

NEED CORPUS

不会硬改，不会假装能改。

2. 不是一次生成，而是 Harness 驱动的循环回写

普通提示词通常是：

输入文本
一次改写
输出

这个 Skill 使用的是 harness 工程：

语料证据
→ 文风指纹
→ 候选稿
→ 模型腔判别
→ 用户证据回写
→ 保真评分
→ 达标输出 / 不达标继续迭代

第一版不是成品。

第一版只是原料。

真正去 AI 味发生在后面的循环里：不断找出模型腔，不断对照语料，不断回写，直到通过认证。

3. 使用 Loop Engineering 思路

这个 Skill 的核心不是“写一句神奇 prompt”，而是搭了一个循环系统。

它让 Agent 反复做几件事：

生成
检查
判别
回写
再检查
再回写
直到满足停止条件

这就是它跟普通 Skill 的根本差异。

普通 Skill 靠提示词压模型。

这个 Skill 靠循环系统压模型。

它不是指望大模型一次写对，而是默认大模型第一版一定带有自己的参数习惯，然后用 harness 一轮一轮压下去。

4. 有 PASS / NOT CERTIFIED 认证机制

普通去 AI 味工具会直接给结果。

这个 Skill 会给状态：

NEED CORPUS
PASS
NOT CERTIFIED

含义：

NEED CORPUS：语料不够，不能执行高保真回写
PASS：通过保真检查，可以作为最终稿
NOT CERTIFIED：没有通过，不要当最终稿

它不会因为跑满循环次数就强行输出最终稿。

如果没过，就是没过。

5. 有完整评分器，不靠“感觉像”

这个 Skill 不问：

像不像真人？

它会拆成很多检查项：

AI 腔风险
文风贴合度
语义保真
信息完整度
表达自然度
结构真人感
场景适配
长文一致性
过度模仿风险
通用改写相似度
语料证据覆盖
句长分布匹配
短句滥用风险

特别重要的是，它专门防止一种常见假成功：

不像 AI 了，但也不像用户。

以及另一种假成功：

为了去 AI 味，把所有句子都改成短句。

短句不是人味。
短句滥用也是 AI 味。

6. 支持中文语境

这个 Skill 专门补了中文场景：

去 AI 味
不像 AI
改成我的语气
像我自己写的
小红书口吻
公众号口吻
朋友圈口吻
知乎回答
B 站口播
微信群消息
私信
评论区

也内置了中文常见 AI 腔检查：

在当今时代
随着……不断发展
值得注意的是
不可否认的是
从某种意义上说
这不仅是……更是……
赋能
闭环
底层逻辑
抓手
认知升级
价值沉淀

但它也不会机械删除这些词。如果用户语料里本来就自然使用这些表达，它会以语料为准。

工作原理

完整流程大概是这样：

1. 检查语料是否存在
2. 检查语料是否达标
3. 检查语料是否脱敏
4. 检查是否有第三方风格责任确认
5. 检索相关样本
6. 提取文风指纹
7. 生成候选稿
8. 标注 MODEL-LIKE / USER-LIKE / MIXED / SEMANTIC-RISK
9. 对照语料回写
10. 用评分器检查
11. 通过则 PASS
12. 不通过则继续循环或 NOT CERTIFIED

这里最关键的是第 8 到第 10 步。

大模型自己的语言习惯不是靠一句“不要 AI 味”就能消掉的。它需要被识别、标注、回写、再检查。

适合什么场景

适合：

把 AI 草稿改成自己的表达
把文章回写成自己的文风
根据自己的历史文章改写公众号
根据自己的笔记改写小红书
根据自己的语料改写朋友圈
根据某个风格参考改写文本
把模型味很重的稿子压回真实表达

不适合：

不提供语料却要求高保真去 AI 味
只想随便润色一下
想让模型凭空猜你的风格
想把未认证结果当最终稿

关于模仿第三方风格

这个 Skill 支持第三方、公众人物、老板、朋友、品牌、虚构作者等风格参考。

但用户必须明确确认：

我理解并承担该风格参考在权利、同意、署名、合法性和下游使用上的全部责任。

Skill 不负责判断你的用途是否合法。
Skill 只负责要求你确认责任，并避免自动添加“某人亲自写了、批准了、签了、发送了”等身份声明。

一切法律责任由使用者自行承担。

隐私提醒

不要直接提交：

身份证
手机号
地址
邮箱
客户资料
公司机密
聊天对象隐私
未公开工作内容
医疗/法律/财务敏感信息

建议优先使用公开发布过的内容，或者已经脱敏的个人语料。

安装方式

npx 一键安装

默认安装到当前目录：

npx github:majiabin2020/high-fidelity-de-ai-skill

安装后路径是：

./skills/high-fidelity-de-ai-skill

指定安装目录：

npx github:majiabin2020/high-fidelity-de-ai-skill -- --dir ./my-skills

覆盖已有版本：

npx github:majiabin2020/high-fidelity-de-ai-skill -- --force

这个安装器不会默认写入 .codex。如果你的 Agent 有自己的 skills 目录，请用 --dir 明确指定。

Codex / OpenAI 风格 Skill

把安装后的这个目录交给 Agent 加载：

skills/high-fidelity-de-ai-skill

然后在 Agent 中调用：

high-fidelity-de-ai-skill

通用 Agent / ChatGPT / Claude / Gemini / 其他大模型

如果你的工具不支持 Skill 文件夹，直接复制：

skills/high-fidelity-de-ai-skill/dist/prompt.md

把里面的内容粘贴给大模型，然后再提供语料和目标文本。

使用方式

推荐让用户填写：

skills/high-fidelity-de-ai-skill/templates/corpus.md

这个模板会要求用户提供：

语料
目标文本
目标平台
目标读者
用途
长度
隐私脱敏确认
第三方风格责任确认

输出状态

NEED CORPUS

语料不够，或者没有语料。

NEED CORPUS
请补充至少 3000 个有效字/词……

PASS

通过 harness 和评分器。

PASS
最终文本……

NOT CERTIFIED

没有通过认证。

NOT CERTIFIED
失败项：Evidence_Coverage, Voice_Fit

NOT CERTIFIED 不是失败，而是诚实。

普通工具会把不合格结果也包装成成品。
这个 Skill 不会。

项目结构

README.md
LICENSE
package.json
bin/install.js
skills/high-fidelity-de-ai-skill/
  SKILL.md
  agents/openai.yaml
  dist/prompt.md
  templates/corpus.md
  references/
    anti-model-patterns.md
    corpus-requirements.md
    examples.md
    fidelity-evaluator.md
    rewrite-harness.md
    voice-extraction.md

为什么它可能是新一代去 AI 味方法

过去的去 AI 味，核心是：

提示词
规则
润色
模板替换

这个 Skill 的核心是：

语料库
检索
文风指纹
负向模型腔
循环回写
harness
保真评分
认证状态

它把“去 AI 味”从一句提示词，变成了一个工程系统。

这才是关键。

AI 味不是几个词的问题。
AI 味是模型默认语言分布的问题。

所以真正有效的去 AI 味，不应该只是删词，而应该是把文本从模型默认分布里拉出来，重新放回真实语料的表达分布。

这就是这个 Skill 的设计思想。

开源信息

GitHub 用户名：

majiabin2020

项目名称：

高保真去除AI味Skill

贡献者：

majiabin2020

License：MIT