anti-slop

反套路 Skill

检测并消除自然语言、代码和设计中常见的 AI 生成模式（“slop”）。

什么是 AI Slop？

AI slop 指的是一些显而易见的模式，表明内容由 AI 生成，且质量低下、千篇一律：

• 文本：过度使用的短语，如“深入探讨”、过多的流行术语、自我评论
• 代码：通用变量名、显而易见的注释、不必要的抽象
• 设计：千篇一律的布局、通用渐变、过度使用的视觉模式

此 Skill 可帮助识别并消除这些模式，从而创作真实、高质量的内容。

何时使用此 Skill

遇到以下情况时，请使用反套路技巧：

• 在交付前审查 AI 生成的内容
• 创作原创内容，并希望避免千篇一律的模式
• 清理已有的、感觉套路化的内容
• 为项目制定质量标准
• 用户明确要求检测或清理 slop
• 内容带有 AI 生成的典型套路

核心工作流

1. 检测 Slop

对于文本文件：

python scripts/detect_slop.py <file> [--verbose]

这会分析文本并提供：

• Slop 评分（0-100，分数越高越差）
• 具体的模式发现
• 可执行的建议

手动检测： 阅读相应的参考文件，了解详细模式：

• references/text-patterns.md - 自然语言 slop 模式
• references/code-patterns.md - 编程 slop 模式
• references/design-patterns.md - 视觉/UX 设计 slop 模式

2. 清理 Slop

自动清理（仅限文本）：

# Preview changes
python scripts/clean_slop.py <file>

# Apply changes (creates backup)
python scripts/clean_slop.py <file> --save

# Aggressive mode (may slightly change meaning)
python scripts/clean_slop.py <file> --save --aggressive

手动清理： 根据检测到的模式，应用参考文件中的策略。

文本 Slop 检测与清理

高优先级目标

立即移除：

• “delve into” → 删除或替换为“examine”
• “navigate the complexities” → 替换为“handle”或删除
• “in today's fast-paced world” → 删除
• “it's important to note that” → 删除
• 对文档本身的自我评论

简化冗长的短语：

• “in order to” → “to”
• “due to the fact that” → “because”
• “has the ability to” → “can”

替换流行术语：

• “leverage” → “use”
• “synergistic” → “cooperative”
• “paradigm shift” → “major change”

质量原则

直截了当：

• 略去开场白和自我评论
• 开门见山地表达要点
• 删除无实际意义的过渡词

具体明确：

• 用具体示例替换泛泛的说法
• 点名具体事物，而不是使用“项目”“东西”“数据”等词
• 使用精准动词，避免含糊的动作词

真实自然：

• 变换句子结构和长度
• 主要使用主动语态
• 根据语境选择恰当的语气，避免企业化的泛泛表达

代码 Slop 检测与清理

高优先级目标

重命名通用变量：

• data → 改为能说明数据代表什么的名称
• result → 改为能说明结果包含什么的名称
• temp → 改为能说明临时存储内容的名称
• item → 改为能说明项目类型的名称

移除显而易见的注释：

# Bad
# Create a user
user = User()

# Better - let code speak
user = User()

简化过度设计的代码：

• 移除不必要的抽象层
• 替换没有实际用途的设计模式
• 简化对简单任务过于复杂的实现

改进函数名称：

• handleData() → 具体要如何处理数据？
• processItems() → 具体要进行什么处理？
• manageUsers() → 具体要执行什么管理操作？

质量原则

清晰胜过巧妙：

• 编写易于理解的代码
• 只有在性能分析表明确有需要时才优化
• 简单方案优先于复杂方案

名称有意义：

• 变量名应描述内容
• 函数名应描述动作和对象
• 类名应描述职责

恰当的文档：

• 说明原因，而不是内容
• 对一目了然的代码无需编写文档
• 文档应聚焦于公共 API 和复杂逻辑

设计 Slop 检测与清理

高优先级目标

视觉浮夸：

• 通用渐变背景（紫色／粉色／青色）
• 过度使用玻璃拟态或新拟态
• 毫无用途的悬浮 3D 形状
• 每个元素都采用相同的设计风格

布局浮夸：

• 无视内容需求、由模板主导的布局
• 无论内容类型如何，都把所有内容放进卡片
• 层次不清的过多留白
• 所有元素都居中对齐

文案浮夸：

• “赋能您的业务”这类标题
• 缺少上下文的通用行动号召，例如“立即开始”
• 充斥着流行术语的描述
• 充满图库照片的观感

质量原则

内容优先的设计：

• 围绕实际内容需求进行设计
• 根据重要性建立层次
• 由内容决定布局，而非由模板决定

有意识的选择：

• 每项设计决策都应有充分理由
• 采用设计模式是因为它们能服务用户，而非因为它们时髦
• 根据元素的重要性调整视觉呈现方式

真实的表达风格：

• 文案应体现品牌个性
• 避免泛泛的营销话术
• 明确说明价值主张

参考文件

在处理特定领域时，请查阅以下全面指南：

• text-patterns.md - 自然语言浮夸模式的完整目录，包含检测规则和清理策略

• code-patterns.md - 各种语言中的编程反模式及重构指南

• design-patterns.md - 视觉与 UX 设计中的浮夸模式及改进策略

每份参考资料都包含：

• 模式定义和示例
• 检测信号（高／中置信度）
• 可接受这些模式的情境
• 具体的清理策略

脚本

detect_slop.py

分析文本文件中的 AI 浮夸模式。

用法：

python scripts/detect_slop.py <file> [--verbose]

输出：

• 总体浮夸评分（0-100）
• 按类别划分的发现结果
• 行号和示例
• 可执行的建议

评分：

• 0-20：浮夸程度低（表达真实）
• 20-40：浮夸程度中等（存在一些模式）
• 40-60：浮夸程度高（存在许多模式）
• 60+：浮夸程度严重（内容高度套路化）

clean_slop.py

自动清除文本文件中的常见浮夸模式。

用法：

# Preview changes
python scripts/clean_slop.py <file>

# Save changes (creates backup)
python scripts/clean_slop.py <file> --save

# Save to different file
python scripts/clean_slop.py <file> --output clean_file.txt

# Aggressive mode
python scripts/clean_slop.py <file> --save --aggressive

清理内容：

• 高风险短语
• 冗长表达
• 元评论
• 过度委婉表达
• 流行术语
• 多余的限定词
• 空洞的强调词

安全性：

• 覆盖文件时始终创建 .backup 文件
• 预览模式会在应用更改前显示改动
• 保留内容含义（非激进模式）

最佳实践

预防胜于补救

创建内容时：

1. 根据特定受众进行写作
2. 使用具体示例，而非抽象表述
3. 开门见山，跳过铺垫
4. 选择准确的词语，而非给人深刻印象的词语
5. 在完成前进行检查

根据上下文清理

并非所有模式都一定是浮夸：

可接受的情境：

• 学术写作可能需要更多委婉表达
• 法律文档需要使用特定措辞
• 内部文档可以采用简略表达
• 技术文档有特定领域的惯例

始终考虑：

• 受众是谁？
• 目的是什么？
• 这种模式是否发挥了作用？
• 有没有更好的替代方案？

迭代改进

1. 检测 - 运行检测脚本或手动检查
2. 分析 - 判断哪些模式确实有问题
3. 清理 - 在安全的情况下应用自动清理
4. 检查 - 手动确认更改保留了原意
5. 完善 - 手动修复剩余问题

质量优先于自动化

脚本是工具，不能取代判断：

• 使用自动检测来查找候选问题
• 使用自动清理来处理明显的模式
• 对任何会改变含义的内容进行人工检查
• 根据上下文酌情处理

集成模式

代码审查

# Check files before committing
python scripts/detect_slop.py src/documentation.md --verbose

# Clean up automatically
python scripts/clean_slop.py src/documentation.md --save

内容管线

1. 创建初始内容
2. 运行浮夸模式检测
3. 应用自动清理
4. 人工审查并完善
5. 最终质量检查

标准执行

创建项目专属的阈值：

• 可接受的最高冗余分数：30
• 分数 > 20 时必须人工审核
• 分数 > 50 时自动拒绝提交

局限性

脚本只处理文本：

• 代码冗余检测需手动进行（使用 code-patterns.md）
• 设计冗余检测需手动进行（使用 design-patterns.md）

上下文敏感性：

• 脚本无法理解所有上下文
• 某些“冗余”在特定领域可能是合适的
• 始终审核自动化修改

语言覆盖范围：

• 检测模式针对英语进行了优化
• 代码模式侧重于常见语言（Python、JS、Java）
• 设计模式与平台无关

常见场景

场景 1：审核 AI 生成的内容

# User asks: "Can you review this article for AI slop?"
1. Read references/text-patterns.md for patterns to watch
2. Run: python scripts/detect_slop.py article.txt --verbose
3. Review findings and apply manual cleanup
4. Optionally run: python scripts/clean_slop.py article.txt --save
5. Do final manual review of cleaned content

场景 2：清理代码库

# User asks: "Help me clean up generic AI patterns in my code"
1. Read references/code-patterns.md
2. Review code files manually for patterns
3. Create list of generic names to rename
4. Refactor following principles in code-patterns.md
5. Remove obvious comments and over-abstractions

场景 3：设计审核

# User asks: "Does this design look too generic?"
1. Read references/design-patterns.md
2. Check against high-confidence slop indicators
3. Identify specific issues (gradients, layouts, copy)
4. Provide specific recommendations from design-patterns.md
5. Suggest concrete alternatives

场景 4：建立质量标准

# User asks: "Help me create quality standards for our team"
1. Review all three reference files
2. Identify patterns most relevant to user's domain
3. Create project-specific guidelines
4. Set up detection scripts in development pipeline
5. Document acceptable exceptions

成功提示

清理文本：

• 先运行检测，了解范围
• 对重要内容使用非激进模式
• 始终审核自动化修改
• 优先关注高风险模式

清理代码：

• 先从重命名通用变量开始
• 接着删除明显的注释
• 最后重构过度设计的代码
• 每次重大修改后都进行测试

清理设计：

• 对照模式审查视觉元素
• 优先处理结构问题，而非美观问题
• 确保修改满足用户需求
• 保持品牌一致性

通用原则：

• 质量 > 统一性
• 上下文 > 规则
• 清晰 > 巧妙
• 具体 > 泛化