ai-writing-voice

AI 写作语气检测器

对一段文字进行取证式审查，检测其是否带有 AI 生成的节奏和词汇指纹。输出一份分类清单，列出发现的每一处 AI 痕迹，并给出一个 AI 语气评分：1（毫无疑问出自人类）到 10（原始大模型输出）。

这不是风格点评，而是指纹审查。请出示证据。

输入

目标是用户提供的任何文本——一段话、一章、博客文章、一条推文、一份 README。如果用户指定了文件，就读取文件。如果用户粘贴了文本，就以粘贴内容为准。如果用户没有指定，请询问要审查什么。

工作流程

1. 完整阅读目标文本。 不要略读。判断节奏特征需要按顺序阅读。
2. 统计下方列出的每类 AI 痕迹。 保留计数。
3. 标注每一处实例。 引用有问题的文本，并附上类别标签（见标注格式）。不要跳过“轻微”问题，不要概述，也不要合并重复项——逐条列出每次出现，让作者看到完整证据。
4. 根据下方评分标准计算分数。
5. 按照下方输出格式生成报告。

除非用户提出要求，否则不要改写正文。任务是检测和评分，而不是编辑。

AI 痕迹指南

谄媚式开场白（看到就处理）

• “你说得完全正确。”
• “好问题。”
• “多么有意思的观点。”
• “观察得真好。”
• “这是个有趣的看法。”

对比陈词滥调（强否定模式）

• “这不是 X，而是 Y。”
• “这不是在说 X，而是在说 Y。”
• “别把它看作 X——要把它看作 Y。”
• “问题不在 X，而在 Y。”

若对比确实是重点，可以少量使用（每约 1,000 字最多一次）。

词汇特征（大模型过度使用的特定词语）

深入探讨、应对、释放、解锁、开启、旅程、利用、促进、发挥杠杆作用、简化、赋能、提升、织锦、格局、领域、交响乐、基石、根基、稳健、全面、整体、无缝、尖端、颠覆性、革命性、变革性、范式转变、细致入微、多面、错综复杂

短语特征

• “在当今快节奏的世界中……”
• “需要注意的是……”
• “值得一提的是……”
• “在……领域中”/“在……世界中”/“在……格局中”
• “本质上……”/“归根结底……”/“从根本上说……”
• “说到底……”
• “无论你是 X 还是 Y……”
• “想象一下：”/“不妨设想一下……”
• “让我们深入探讨。”/“让我们来探索。”
• “不仅仅是 X……”
• “不仅是 X，而且还是 Y。”

结构特征

• 过度使用破折号： 每约 1,000 字控制在 5 个左右。超出后，破折号就在替句子承担本应由句子完成的工作。
• 滥用三段式： 每个列表都凑成三项（“清晰、简洁且有说服力”）。变换列表长度，或删掉第三项。
• 清单式平行结构： 项目符号列表中，每项都以相同的粗体引导语开头，后接长度相同的描述。
• 首尾呼应式总结： 结尾段落换用近义表达，重复开篇内容。
• 对称段落： 三个段落的长度和结构几乎相同。

装腔作势的转折词

确实、此外、而且、另外、因此、从此以后、总而言之、总的来说、综上所述

连环模糊措辞（层层叠加的保留语气）

• “可能有潜在的……”
• “或许有可能……”
• “值得考虑的是……”
• “有人或许会认为，也许……”

泛泛的背景铺垫

• “在当今快节奏的世界中……”
• “本质上……”
• “归根结底……”
• “从根本上说……”

检测方法

评分前逐项应用：

• 朗读测试。 大声读一段。如果节奏变得平板，让你读得提不起劲，那就是机器式节奏。
• 朋友测试。 朋友在交谈时会说出这句话吗？如果不会，这句话就经过了加工。
• 统计测试。 统计破折号、词汇特征和对比陈词滥调的数量。每类都有使用上限。
• 遮住作者测试。 遮住署名。顶尖的三个大模型能仅凭一句提示生成这段文字吗？如果能，这种语气就已经消失了。

标注格式

引用并标记每个实例：

[AI-ism: sycophant-opener] "What a fascinating insight..."
[AI-ism: contrast-cliché ×4] "It's not just code. It's craft."
[AI-ism: em-dash-overuse, count=23, budget=5]
[AI-ism: lexical-tell "delve"] → suggest "examine" or "study"
[AI-ism: listicle-parallelism] bullets all begin with bold noun + colon + 2-clause description
[AI-ism: bookend-summary] closing paragraph restates lines 3–7

类别标签：sycophant-opener、contrast-cliché、em-dash-overuse、lexical-tell、phrasal-tell、listicle-parallelism、tricolon-abuse、bookend-summary、smug-transition、hedge-cluster、generic-scene-set、symmetric-paragraphs。

评分标准（AI 腔调，1–10）

分数越高，AI 腔调越重；分数越低，越像人写的。

分数	档位	描述
1	GREEN	毫无疑问是人写的。完全没有机器痕迹。读者绝不会怀疑有机器辅助。
2	GREEN	人的语气完整保留。至多有一个零星痕迹（例如多了一个破折号）。已经足够好。
3	YELLOW	大体像人写的，但能看出一些痕迹。值得修改一遍。
4	YELLOW	两种风格混杂。存在几种模式，但整体仍以人的语气为主。
5	YELLOW	人机各半。多个段落中都能察觉 AI 的节奏。
6	YELLOW	开始偏向机器。读者会开始起疑。
7	RED	AI 节奏感很重。每个段落都有多种痕迹。读起来像是只经过轻微编辑的模型输出。
8	RED	主要是机器写的。全文都充斥着迎合式开场、对比陈词滥调、破折号风暴和词汇痕迹。
9	RED	几乎是原始 LLM 输出。经不起“作者身份测试”。
10	RED	与原始 LLM 输出毫无区别。需要全面重写。

档位参考：

• GREEN（1–2）： 可直接发布。
• YELLOW（3–6）： 需要编辑修改。
• RED（7–10）： 需要结构性重写，而不只是替换词语。

评分启发式

从 1 分开始。目标文本中每出现以下一项，就增加相应分数：

• 每出现一个迎合式开场，加 1 分（最多加 2 分）
• 对比陈词滥调出现频率超过每约 1000 词一次时，加 1 分
• 破折号超过限额（每 1000 词约 5 个）时，加 1 分
• 列表中每出现 2 个词汇痕迹，加 1 分
• 列表式平行结构是列表的主要形式时，加 1 分
• 存在首尾呼应式总结时，加 1 分
• 自鸣得意式转折出现超过两次时，加 1 分
• 存在成簇的保留措辞或泛泛的场景铺垫开场时，加 1 分
• 未通过“作者身份测试”时，加 1 分

分数最高为 10。四舍五入到最接近的整数。

输出格式

请严格按照以下格式返回报告：

# AI-Voice Audit

**Target:** [filename or "pasted text, ~N words"]
**Score:** X/10  [GREEN | YELLOW | RED]
**One-line verdict:** [single sentence — e.g. "Mostly human, but the em-dash count and two contrast clichés give it away."]

## Tally
- sycophant-opener: N
- contrast-cliché: N
- em-dash-overuse: count=N (budget=M)
- lexical-tell: N  (list the words found)
- phrasal-tell: N
- listicle-parallelism: yes/no
- tricolon-abuse: N
- bookend-summary: yes/no
- smug-transition: N
- hedge-cluster: N
- generic-scene-set: N
- symmetric-paragraphs: yes/no

## Findings
[List EVERY AI-ism instance using the Annotation Format above. One line per occurrence. Quote the offending text. Do not collapse repeats — five "delve"s means five lines. Group by category for readability, but do not omit any.]

## Highest-leverage fixes
1. [Most impactful single change to drop the score by 1+ band]
2. [Next most impactful]
3. [Next most impactful]

除“发现”部分外，报告各处都要简洁。“发现”部分必须详尽——每一条证据都要逐一列出。其他部分保持精炼。