李白·中文文本去AI味润色专家:把生硬的机器腔调,改回有呼吸的人话
- 它是什么:一款名为 libai-skill 的中文文本「去 AI 味」润色技能,核心任务是把机器生成的生硬文字,改写成自然、有细节、像人写的中文表达。
- 它不是「换个同义词」那么简单:技能内置「检测诊断 → 执行改写 → 自检验收 → 交付结果」四步闭环,每一步都有门禁、证据要求和止损上限。
- 有真检测,不靠感觉改:通过脚本统计 16 类 AI 痕迹词/句式、4 项标点特征,再叠加 D1–D7 七维人工定论,改哪里、为什么改都能逐条回标。
- 文体决定「人味浓度」:保守 / 标准 / 激进三档,学术政务只砍模板套话,自媒体、创意写作可注入强个人语气。
- 底线很硬:不改事实、不编造细节、不砍掉口语与场景描写,篇幅波动控制在 10% 以内。
该技能叫什么?如何下载安装 AI 技能提升开发效率?
基本信息
| 项目 | 内容 |
|---|---|
| 技能中文名 | 李白·中文文本去AI味润色专家 |
| 技能英文名 | libai-skill(slug:libai) |
| 技能 ID | 2123237485985837058 |
| 版本 | 2.2.0 |
| 许可 | MIT |
| 作者 | 智慧&半岛(www.ebandao.com.cn) |
| 声明可用工具 | Read、Grep、Glob、Shell、Edit、Write |
| 内置触发词 | 去AI味、去AI痕迹、AI润色、降AI、人味、人味注入、去机器味、deai、humanize、文章润色、文本润色、AI改写 |
它解决什么问题
中文写作里常见的「AI 味」有几个典型症状:满篇「赋能、闭环、底层逻辑、深刻交织、总而言之」;长定语一层套一层,一句话读不到主语;段落工整得可疑,起承转合像套模板;没有任何具体的人、物、动作和不确定性。人工改这类文字很慢,改一轮还容易越改越像另一种模板。这个技能要做的,就是用一套可复核的流程,把这些痕迹找出来、改掉,并且能证明自己改了什么、没动什么。
安装思路与步骤(一键式技能装配)
- 确认前提:运行环境需支持该技能声明的 Read / Grep / Glob / Shell / Edit / Write 工具;本地如需使用脚本检测能力,需要有 Python 3.8 及以上。没有 Python 也能用,技能会降级为纯模型模式(详见下文)。
- 找到技能:在你的 AI 技能市场、技能库或工作台插件列表中,按技能 ID
2123237485985837058或名称「李白·中文文本去AI味润色专家 / libai-skill」检索。具体入口路径与安装按钮位置以官方说明为准。 - 一键安装:点击安装/添加,等待技能文件与依赖资源(
resources/规则语料、scripts/脚本)就位。若你的平台需要手动放入目录,请按官方给出的目录规范放置,此处不臆造路径。 - 验证是否生效:安装后,在对话里用内置触发词发起一次测试,例如直接说「帮我给这篇文章去AI味」。若技能正常工作,首次回复中应当出现运行模式声明(说明了是否走纯 LLM 降级模式)以及诊断结论;若毫无反应,先检查技能是否被启用、触发词是否被正确识别。
- 依赖自检:技能会在起步阶段自动做两件事——Python 前置检测(Windows 依次试
py -3→python→python3,macOS/Linux 依次试python3→python,并识别「应用商店假别名」),以及资源可读性预检(P0/P1/P2 分级)。缺少核心规则库resources/zh_rules.json时,会声明「规则库不可用」并切纯 LLM 模式;缺少细则文件时会显式声明「本步按骨架执行」。 - 关于费用:技能本体采用 MIT 许可,属于开源许可协议;平台侧的调用计费、额度与订阅政策不在本技能文件中说明,请以官方说明为准。
该技能的主要功能和特点
1. 四步闭环流水线,每步都有门禁
「检测诊断 → 执行改写 → 自检验收 → 交付结果」。关键在于门禁:没拿到检测证据,不许动手改。第 2 步(改写)没有入场券就进入,会被判定为「凭感觉改」,退回重来。这一点和「把文章丢给模型说一句『改得像人写的』」有本质区别。
2. 脚本取证 + 七维定论的双层诊断
先用 python scripts/detect.py <文件路径> --json 拿到可量化证据:16 类词/句式计数、4 项标点特征、字数、ai_probability、ai_level;再逐项对 D1–D7 七个维度下结论,输出格式为 D{n}: [x]/[!] — 证据:xxx,并给出风险定级(低/中/高)与改写方向。禁止只给一个综合评分糊弄过去。
3. 三档润色强度,人味浓度可调
| 强度 | 匹配场景 | 人味浓度 |
|---|---|---|
| 保守 | 学术论文、技术文档、法律文书、政务文件 | 30–50% |
| 标准(默认) | 自媒体、职场汇报、日常沟通、公关稿件 | 50–70% |
| 激进 | 创意写作、小说、散文、社交帖子 | 100% |
4. 改写入口的「四步排雷法」
搜黑话(赋能、闭环、画卷、综上所述等,搜到零命中才算完)→ 切长句(3 个以上「的」字长定语从「的」处切断,删「在……的过程中」这类翻译腔框架)→ 加泥土(每 500 字至少 1 处具体物品或微小动作)→ 保血肉(口语、孩子气口吻、动作描写、语气词一个不丢)。
5. 四层 17 项质检,每条都要给证据
用词层、句式层、内容层、可量化终审共 17 项,逐条执行,勾选必须附命中词清单、原句或数值(例如「连接词密度 1.8 次/千字」),裸打勾不算通过。阈值是判据不是建议,不许为了过关放宽。
6. 四条铁律与 10% 篇幅容差
立场守恒(不改事实、判断、情感极性)、不编造(原文没有的时间地点人物数据一个字不加)、血肉不丢、篇幅 ±10%。这让它区别于「改嗨了自由发挥」的改写方式。
7. 规模自适应与三种交付模式
1000 字以内完整四步、诊断显式输出;1000–3000 字合并诊断与改写;3000 字以上分段处理并先定基线(人称/语气/术语)再统一。交付支持 A 完整专业版、B 轻量润色版(默认)、C 仅诊断(只诊断,严禁改写)。
8. 可降级、不脆弱
缺少 Python 时切纯 LLM 七维诊断 + 手工改写;缺细则文件时按骨架门禁执行;缺同义词库时用内置词表。核心流程不因资源缺失而崩掉。
如何使用该技能?
第 1 步:交代任务上下文
一次性把四件事说清楚,技能会据此定档:文体与目标(去味到什么程度)、输入情况(体裁/字数/读者)、输出形式(不说则默认 B 轻量润色版)、限制条件(不可改的术语、数据、品牌名)。
示例输入:
「帮我把下面这篇 1200 字的公众号推文去AI味,读者是都市上班族,语气可以口语一点,但品牌名『星野咖啡』和门店数量数据不许动。默认输出就行。」
第 2 步:读诊断结果
技能会先声明「本步要读的文件已读」,然后给出脚本统计数值与 D1–D7 逐维结论。你要留意的是:命中维度([!])分别是哪几条、证据是什么、风险等级如何。如果它只丢给你一个「AI 味 78 分」,那是不合格的,可以要求它按维度逐项回标。
第 3 步:让它执行改写
改写只动命中的那几处,未命中的维度一处不动。你可以追问「第 3 段为什么这么改」,它应当能给出对应的诊断依据。
第 4 步:看自检结论
交付前应附上四层 17 项的判定结果与数值证据。如果某项「不适用/无法判定」,会写明原因,而不是留空或硬凑合格。
第 5 步:接收交付物
默认 B 模式下会给一张摘要表,含诊断数值与「未改断言」——哪些维度动了、哪些一字未改。终稿不会残留 [!]、D1:、{n} 这类过程标记。
第 6 步(可选):命令行侧调用
如果你要在本地批量处理,可直接用脚本做首轮草稿加速:
- 检测:
python scripts/detect.py 文章.txt --json - 改写草稿:
scripts/rewrite.py(8 步流水线)、scripts/transform.py - 对照:
scripts/compare.py(用于 A 模式生成修改对照)
需要特别注意:脚本产出仍然必须走完质检流程,脚本不能替代人工判断。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| libai-skill(李白·中文文本去AI味润色专家) | 中文文本去 AI 味专用技能,带检测—改写—质检闭环 | 16 类痕迹脚本检测、D1–D7 七维诊断、三档人味浓度、四层 17 项质检、三种交付模式 | 需在技能平台安装并启用;脚本能力需 Python ≥3.8,无则降级纯模型模式 | 自媒体推文、公关稿、职场汇报、学术随笔、技术文档轻度去味 | 优势:流程可复核、有证据链与止损上限、专为中文 AI 痕迹设计。不足:需要按流程走,不能「一句话出稿」;专业领域内容仍需人工复核 |
| 人工润色 / 真人编辑 | 人工改写与审校 | 语感判断、事实核对、风格把控 | 需沟通排期与成本预算,具体以服务方说明为准 | 品牌稿、对外发布稿、高敏感内容 | 优势:语感最稳、可担责。不足:周期长、单价高、批量处理不经济,且不同编辑水平波动大 |
| 通用对话模型直接改写 | 通用大模型改写 | 一句话指令即可重写全文 | 门槛最低,打开就用 | 随手改一段、找灵感 | 优势:快、免费或低成本。不足:常变成「另一种模板化」,易丢失原意或编造细节,缺检测证据与可复核结论 |
| AI 文本检测工具 | 判别类工具 | 输出「AI 生成概率」 | 门槛低 | 发布前自查、投稿前预检 | 优势:判断快。不足:只判不改,且概率值本身不稳定,无法告诉你「哪句话像 AI、该怎么改」 |
| 中英文法/风格检查工具 | 语法与风格建议 | 语法纠错、用词建议、可读性评分 | 插件安装即可 | 英文写作、正式文档校对 | 优势:规则成熟、实时提示。不足:面向语法正确性,不针对中文「AI 味」这类语感问题,也不做整体改写 |
该技能的典型应用场景与实际体验情况
场景一:自媒体作者日更推文
痛点:一天一篇甚至两篇,用模型起稿后满篇「综上所述」「值得注意的是」,读者一眼看出是机器写的,互动率上不去。 使用方式:把初稿交给技能,说明「自媒体、读者是都市上班族、标准档」,让它按四步闭环处理,重点清理模板连接词与机械对称句式,并在干瘪段落加入具体物件与动作。 实际体验情况:上手成本低,一句「去AI味」就能触发。效果层面,因为它会先跑检测再改,你能明确看到「连接词密度」这类数值变化,而不是凭感觉。注意事项:加入了「一杯冷掉的咖啡」这类细节后要自己再读一遍,确保与文章情境吻合——技能只加感官与动作修饰,不加事实,但细节的语境贴合仍需人判断。
场景二:公关/品牌文案
痛点:对外稿件既要专业,又不能像通稿模板;品牌名、数据、口径一个都不能错。 使用方式:把品牌名、固定表述、数据列进「不可改动限制」,走标准档,输出用 B 轻量润色版便于内部评审。 实际体验情况:技能的四条铁律里第一条就是立场守恒、事实数据不改,这对公关场景很关键。注意事项:涉及医疗、法律、金融等专业内容,技能本身已声明只优化表达形式、不对事实准确性负责,必须人工复核后再发布。
场景三:学术随笔与技术文档
痛点:作者本人写得不差,只是被模型辅助后混进了翻译腔长句和空洞升华,但又不希望被改成「网文腔」。 使用方式:选「保守」档,人味浓度 30–50%,只删 AI 连接词与模板套话,不改句式结构、不注入口语。 实际体验情况:这一档的价值在于「克制」。技能明确规定达标即停——四层全过就收手,不许「再润一轮」,避免把严谨表述磨成口语。注意事项:如果你的诉求是「原文没毛病,只想换风格」,那属于另一类任务,技能会走「无病可证型例外」,以你给的目标风格样例为基线,此时你要主动提供样例。
场景四:批量处理长文与多篇稿件
痛点:几千字的长文一次改完容易前后人称、语气不统一,接缝处很生硬。
使用方式:3000 字以上由技能分段处理,先定基线(人称/语气/术语)逐段沿用,改完再扫接缝;批量场景可先用 scripts/rewrite.py 出草稿,再统一走质检。
实际体验情况:分段纪律是这个技能比较实用的设计,长文改完读起来更连贯。注意事项:脚本只是加速草稿,不能跳过质检;另外同一处改两轮还不对时,技能会换改法而不是反复替换同义词,修复上限 2 次,超限会标记「人工复核」并逐段列名——遇到这种标记,不要忽略,那正是需要你自己下判断的地方。
该技能能为用户带来的价值
效率:把「反复追问」变成「一次闭环」
常规做法是让模型改一版、你不满意、再改一版,来回五六轮,最后也不知道到底改好了没有。这个技能把诊断、改写、质检、交付压在一条流水线上,并设置「修复上限 2 次」「达标即停」的止损机制,避免无止境的来回打磨——多改一轮常把口语和细节一起磨平,是负收益。
门槛:不懂「AI 味」术语也能用
你不需要知道什么是「破式五层法」、什么是「连接词密度」,只要说清文体和读者,技能会按三档强度自动匹配人味浓度。诊断结论用 D1: [x] — 证据:xxx 的形式输出,可读、可追问。
可量化:结论带数字,不带形容词
- 检测侧:16 类痕迹计数、4 项标点特征、字数、AI 概率与等级;
- 诊断侧:D1–D7 七个维度逐项定论,每项附证据与风险定级;
- 质检侧:四层 17 项,每条附命中词清单或数值;
- 约束侧:篇幅波动 ≤10%,修复 ≤2 次。
这套数值让「改好了没有」从主观感受变成可对照的清单。
风险可控:知道它不会做什么
不改事实、不加原文没有的时间地点人物数据引语、不丢口语和场景细节、不做「顺手把内容也优化下」的越界操作。规则冲突时按固定次序裁决:不可逆者优先 > 证据门槛 > 范围纪律 > 止损 > 原样验收 > 可读合并。对需要对外发布的团队来说,「边界清楚」比「改得花哨」更重要。
长期价值:沉淀一套可复用的写作流程
用久了你会发现,它其实在训练你的判断力——你开始能自己识别「空洞升华」「机械对称」「翻译腔框架」,并在写作阶段就避开。技能里的规则语料、清除清单和质检清单,本身就是一份可迁移的中文写作自查手册。
常见问题 FAQ
Q1:这个技能怎么安装?我不会配环境怎么办?
在技能平台按技能 ID 2123237485985837058 或名称「libai-skill / 李白·中文文本去AI味润色专家」检索并一键安装即可,具体入口与按钮位置以官方说明为准。环境方面只有脚本检测需要 Python ≥3.8;完全没装 Python 也能用,技能会切到纯 LLM 模式(七维诊断 + 手工改写),并在首次回复中明确声明运行模式。技能还会自动识别 Windows 上的「应用商店假别名」问题,避免出现「命令静默弹商店、脚本根本没执行」的坑。
Q2:收费吗?
技能本体标注为 MIT 许可、版本 2.2.0,属于开源许可协议。平台侧的调用计费、额度或订阅政策不在技能文件说明范围内,请以官方说明为准。
Q3:它和「直接让大模型改写一遍」到底差在哪?
差在三件事:一是先检测再动手,没拿到脚本数值或七维诊断结论,不允许进入改写环节;二是诊断与改写一一对应,诊断没报的维度不许乱动,出现「没报却改了」要退回或撤回;三是交付带证据,附诊断数值与未改断言,而不是给你一句「已优化,更自然了」。通用模型改写常常把一种模板换成另一种模板,且可能顺手改了事实。
Q4:会把我文章里的事实、数据改掉吗?
不会。四条铁律第一条就是立场守恒:时间、地点、事件、数据、价值判断、情感极性都不改。所谓「加泥土」加的是感官与动作修饰,不是事实——原文没有的人物、数据、引语一个字都不加。不过技能自身也声明:它只优化表达形式,不对原文事实准确性负责;医疗、法律、金融等专业内容请务必人工复核。
Q5:适合谁用?和竞品怎么选?
适合自媒体作者、公关与品牌文案、职场汇报撰写者、需要给学术随笔或技术文档做轻度去味的作者。选择逻辑可以简化成三句话:只要一个「AI 概率分」、不改稿,选检测类工具;只要语法和用词纠错,选语法检查工具;既要改、又要知道改了哪里、还得能复核,选这个技能。至于高敏感、需对外担责的定稿,人工编辑依然不可替代,二者可以组合使用——先用技能过一遍,再交人工终审。