clean-user-facing-text

清理面向用户的文本

对用户拥有或获准处理的文本进行最后一轮清理。将 Unicode 清理视为确定性操作，将降低统计水印特征视为尽力而为；绝不声称改写可以证明内容由人类创作或无法被检测。保留必需的学术、法律、平台和监管披露。

工作流

1. 找出读者会看到的文本。

2. 保护非文本片段：

   • 围栏代码块和行内代码
   • 命令、路径、URL、标识符、API 名称和精确值
   • 公式、引文，以及用户要求逐字引用的文本

3. 保留每项主张、事实、数字、名称、引文和要求。绝不为了让文本更好写或更多样而编造细节、名称、数字、引文或来源；如果缺少事实，应指出缺口，而不是自行补全。改写可以让表达更精确、更简洁或调整顺序，但不得增删主张。

4. 先测量。 使用随附的零 LLM 文体计分估算器检查并评分输入文本（参见「评分」），记录分数。读取报告中的 density_tier：仅当其值为 high 时才改写；若为 low 或 medium，请核对文本，其余部分保持不变。对于只标记问题、从不改写的审查，请使用 --audit：

   PYTHON "$SCRIPTS/inspect_text.py" --stylometry --json INPUT
   PYTHON "$SCRIPTS/inspect_text.py" --audit INPUT  # detect-only: lists flagged spans, no rewrite
   

5. 修改文本前，先确定写作要求：

   • 仅当用户拥有某个语气样本或获准使用该样本时，才使用它；不要模仿其他具名人士
   • 没有样本时，应让文本清晰自然，不要假装在模仿某个特定人物
   • 绝不注入原文没有的语气：不得伪造第一人称表达（如「我见过这种情况」）、编造具体信息、刻意唱反调、假装坦率，也不得添加立场或个性。保留作者有意留下的不完美之处和领域术语，不要一概抹平
   • 保留必需的披露、不确定性，以及作者真实的观点
   • 选择适合文本的语气和领域预设（参见「语气和领域预设」）；默认使用通用文本

6. 第 A 层——先清除伪影。 对文本伪影或用户提供的文本文件，先运行确定性 Unicode 清理，再进行改写，确保改写基于干净、无标记的文本：

   PYTHON "$SCRIPTS/clean_text.py" INPUT -o OUTPUT --stats --no-normalize-spaces
   

7. 第 B 层——只改写一次。 仅改写剩余文本，并按顺序应用检测器调节手段（参见「检测器调节手段」）：

   • 调整从句顺序、句子边界、节奏、连接词和功能词
   • 将公式化的过渡语和填充语替换为直接、自然的表达
   • 保留让文本具有作者辨识度的具体细节和判断
   • 将不寻常的语法、重复、直白表达和措辞视为可能体现个人语气或无障碍需求的选择；只有用户提出要求，或这些表达明显影响阅读时，才进行修改
   • 保留用户要求的语言、语气、结构和格式；除非用户提出要求，否则绝不翻译
   • 对于非英语文本，使用符合该语言习惯的流畅表达，而不是英语句式
   • 不得仅为增加变化而增删主张

8. 再次运行第 A 层。 对改写后的文本运行确定性 Unicode 清理，清除改写引入的伪影（智能引号、长破折号、形近字符）：

   PYTHON "$SCRIPTS/clean_text.py" OUTPUT -o FINAL --stats --no-normalize-spaces
   

9. 改写后测量。 使用相同方法为改写文本评分。若有评分和置信度等级，请一并报告；否则报告 status: insufficient_length。改写后分数降低，只表示可测信号发生了变化；这不是任何检测器给出的判定，也绝不凌驾于上述事实和语气规则之上。

10. 除非用户要求审查或解释，否则只返回润色后的结果。

若需了解如何在保留作者语气的同时去除公式化表达，请在用户要求保留或调整语气时阅读 references/writing-in-your-voice.md。 若需了解检测器的实际测量对象以及哪些说法合理，请阅读 references/detectors.md。

评分

scripts/inspect_text.py --stylometry（或独立脚本 scripts/score_stylometry.py，也接受 --explain）会运行从服务流水线移植而来的零大模型估算器：句长突发性（变异系数）、每 100 个词的加权 AI 节奏短语密度、词汇多样性（MATTR），以及经过衰减处理的 0 到 1 综合评分。退出码为 1 表示评分达到或超过阈值（默认为 0.65）。报告还包含 density_tier（low / medium / high，未评分时为 uncalibrated），用于重新标注评分所处的区间，以便仅在 high 时启用改写流程。inspect_text.py --audit 会生成相同的评分和仅用于检测的标记片段列表，但不会改写文本。少于 30 个词时，估算器会报告 status: insufficient_length，而不是给出评分。这里的任何操作都不会访问网络；此技能可独立运行。

限制：该估算器针对统计检测器系列（困惑度和突发性类信号）进行了校准。它不是 GPTZero、Turnitin、Originality 或 Pangram 等训练型神经分类器的输出，也无法检测秘密密钥水印，更不能说明文本的真实性。改写后的低评分意味着测得的信号发生了变化；这并不能证明文本读起来像人类写的，也不能证明任何特定检测器会接受它。用户要求审计时，应将这些数字作为参考指标，而非定论（参见“报告”）。

确定性 Unicode 处理

将 SCRIPTS 解析为此技能的 scripts/ 目录。 使用适用于当前平台的 Python 3 启动器。将下方的 PYTHON 替换为：大多数 macOS/Linux 系统上的 python3、Windows 上的 py，或其他已验证的 Python 3 命令。

此技能可独立运行，会直接执行其随附脚本；它不依赖服务或网络。下方的确定性 A 层清理有意通过脚本调用，因此即使 HTTP 服务不可用，此技能也能正常运行。

编辑现有文件时，先检查文件（加入 --stylometry 以记录编辑前的评分）：

PYTHON "$SCRIPTS/inspect_text.py" --stylometry --json INPUT
PYTHON "$SCRIPTS/clean_text.py" INPUT -o OUTPUT --stats --no-normalize-spaces
PYTHON "$SCRIPTS/inspect_text.py" --stylometry --json OUTPUT

标准输入请使用 -。除非用户明确要求原地编辑，否则优先输出到新的 *.cleaned.* 文件。

默认不要使用 --no-normalize-spaces，以保留 NBSP、窄不换行空格、数字空格和 CJK 表意空格的布局语义。仅在用户要求时才规范化空格。

除非用户要求进行激进规范化，并接受可能对多语言文本、表情符号、文字方向或排版造成的改动，否则不要使用 --aggressive-homoglyphs、--nfkc 或 --strip-emoji-glue。

这些脚本支持将纯文本、源文本、Markdown 和 HTML 源码作为文本处理。对于混合 Markdown 或 HTML，应先检查命中位置。如果命中位于受保护的代码、属性或其他非正文片段中，不要清理整个文件；只清理正文片段，或保留该命中不变。不要传入 PDF、DOCX、图像或归档文件等二进制容器。

对于未写入文件、仅在聊天中回复的内容，请直接执行改写流程。不要声称聊天回复在发送后经过了确定性 Unicode 过滤。

检测器调节手段

统计检测器会对概率模式打分：AI 文本过于可预测（困惑度低）、过于平稳（突发性低），而且充斥着套话。下列调节手段针对这些信号，按效果从强到弱排列。第 1、2 和 6 项具有确定性或近乎确定性；第 3 至 5 项是目标，而非保证。只有在测量前的 density_tier 为 high 时，才使用改写手段；对于 low 或 medium，可测量的 AI 密度信号较弱，因此应先核实，否则保持文本不变。以下步骤的排序依据 references/detectors.md 中的模式目录。

1. 先清除痕迹（始终执行）。 首先运行确定性的 Unicode 处理步骤（clean_text.py）：不可见字符和同形异义字符是机械性标记，会影响所有检测器类别，而且清除成本很低。
2. 去除套话词汇（困惑度）。 将 AI 常用词替换为朴素、具体、明确的表达：深入探讨、织锦、证明、凸显、促进、无缝、多面、无数、范式转变、发挥……的力量、发挥关键作用、在当今快节奏的世界中、需要注意的是。随附评分器的短语列表是需要核对的权威清单；改写后不得包含其中的短语。
3. 增加突发性。 有意改变句子长度：两个长句后接一个短句，偶尔也反过来。节奏均匀、长度中等的句子（句长变异系数低于 0.35）是最明显的 AI 信号之一。
4. 打散结构。 将程式化的部分融入正文：例如以“尽管有 X，未来仍一片光明”收尾、强行凑成三项、套用“挑战与机遇”的模板，以及公告式标题。
5. 贴近真实语气并保留细节。 优先采用来源中的具体细节，而非泛泛的措辞；行文节奏应参照作者的样本（参见 references/writing-in-your-voice.md）。切勿为了提高差异度而捏造事实；包含虚构细节的改写即使得分较低，仍然不合格。
6. 规范标点和 RLHF 语气。 使用直引号，不用破折号，不加粗小标题，不说“希望这能帮到你”或“作为 AI”，也不使用用户不需要保留的模棱两可表述、完美主义措辞或过度谨慎的免责声明。必须保留的披露内容除外。
7. 可选：递归改写。 对于带密钥的统计水印（KGW、SynthID-Text 风格），任何保留原意但改变词元顺序的改写都会降低检测效果，而回译或重复改写是目前已知效果最强的处理方式。只有在用户要求降低水印检测率时才这样做：每增加一轮处理，都有语义偏移的风险，而且无法在本地验证供应商的秘密密钥。

诚实说明：这些调节手段针对的是统计检测器。经过训练的神经分类器已通过对抗式训练来抵御释义式编辑（参见 references/detectors.md）；要应对这类分类器，唯一稳健的手段是贴近真实的人类文本分布，即便如此也无法保证效果。

语气与领域预设

预设会调整各项手段的使用力度，以及允许多少个性表达。它们 绝不会凌驾于事实规则之上（小说除外，见上文第 3 步），也 不能保证任何检测结果。

预设	个性	节奏与措辞	要消除的内容
通用文章（默认）	优先保留作者的语气，不注入立场	适度变化，使用自然的衔接词	陈词滥调式 AI 词汇、千篇一律的节奏
随笔 / 博客	欢迎表达立场、插入题外话和复杂情绪	长度变化明显，节奏不均匀	夸大意义、格言式套话、三段式
技术 / 文档	中性、准确	适度变化，使用简短的陈述句	宣传用语、长破折号、加粗的小标题；保留代码和标识符
学术 / 专业	正式，以证据为先	变化克制，谨慎使用保留措辞	夸大其词的动词、为显新颖而填充内容、堆砌引文；保留学科要求
商务 / 产品文案	朴实陈述，突出具体价值	句子直接	“无缝”“赋能”、含糊的好处、三段式；保留必要的免责声明
小说	允许虚构细节	根据叙述者调整变化	千篇一律的节奏、编辑式陈词滥调；保留方言和独特习惯

浅白语言子模式

对于流程、运行手册、错误信息和其他面向工程师的文本，用户可以 要求采用浅白语言子模式：使用简短、常见的词语，每句话只包含一条指令，步骤使用祈使动词，每个术语只表达一种含义，不使用营销形容词或没有边界的保留措辞。此子模式是清晰度底线，不是新的个性风格：它会有意淡化语气，但保留每项主张和要求，也不是规避检测的工具。随笔、帖子和个人文章应改用上述保留语气的预设。

代码边界

当文章和代码混在一起时，只改写文章。作为此技能的一部分，绝不重命名变量、修改字符串字面量、重新格式化代码或更改可执行输出。Markdown 或 HTML 文件中如含有可执行代码片段，应尽可能逐字节保留这些部分。

报告

用户要求审计时，请区分：

• 可验证： 删除或替换的 Unicode 字符及其文字系统计数；改写前后的文体统计分数及置信度（仅作参考，不作为定论）。
• 尽力而为： 改写文章，以改变词元和句法模式。
• 尚未证实： 能否规避官方检测器、是否由人类创作，或是否移除了供应商的秘密密钥水印。

关于技术背景，请阅读 references/watermark-notes.md。关于滥用或披露问题，请阅读 references/responsible-use.md。