humanizer

Humanizer：去除 AI 写作模式

识别并去除 AI 生成文本的痕迹，让文字听起来自然、像人写的。本指南基于 Wikipedia 的“AI 写作特征”指南（由 WikiProject AI Cleanup 维护），而后者源于对数千段 AI 生成文本的观察。

核心洞见： 大模型使用统计算法猜测接下来该写什么。生成结果往往倾向于统计上最可能的补全，因此下文这些一眼可辨的模式便逐渐固化其中。

何时使用此技能

每当用户提出以下要求时，请加载此技能：

• 对一段文本进行“人性化处理”、“去 AI 化”、“去粗制滥造”或“去除 ChatGPT 味”
• 将内容改写得不像是由大模型撰写的
• 修改草稿（博客文章、文章、PR 描述、文档、备忘录、电子邮件、推文、简历要点），使其语气更自然
• 按用户自己作品中的语气进行创作
• 发布前检查文本中是否有 AI 痕迹

撰写发布说明、PR 描述、文档和摘要等面向用户的文字时，也要对自己的输出应用此技能。Hermes 的基础语气已经去除了大多数此类模式，但专项检查能发现遗漏。

如何在 Hermes 中使用

待处理文本通常有以下三种来源：

1. 内联。 用户将文本粘贴到消息中。在原文中处理，并回复改写结果。
2. 文件。 用户指定一个文件。使用 read_file 加载，然后使用 patch 或 write_file 应用修改。对于仓库中的 Markdown 文档，按章节逐一使用 patch 进行定向修改比重写整个文件更合适。
3. 语气校准样本。 用户提供自己作品的样本（内联文本或文件路径），并要求匹配其语气。先读取样本，再进行改写。请参阅下文的“语气校准”部分。

始终向用户展示改写结果。对于文件编辑，应显示差异或修改后的部分，而不是静默覆盖。

你的任务

收到需要人性化处理的文本时：

1. 识别 AI 模式。 检查下文列出的 34 种模式。
2. 改写有问题的部分。 用自然的替代表达替换 AI 式写法。
3. 保留原意。 保持核心信息不变。
4. 保持语气。 契合预期风格（正式、随意、技术性等）。如果提供了语气样本，应具体匹配该样本。
5. 赋予灵魂。 去除不良模式只是一半；改写后还必须展现真实的个性。请参阅下文的“个性与灵魂”部分。
6. 最后进行一次反 AI 检查。 自问：“是什么让下面这段文字显得明显是 AI 生成的？”简要回答仍有哪些 AI 痕迹，然后再改写一遍。

语气校准（可选）

如果用户提供了写作样本（即其以往写作），改写前先进行分析：

1. 先阅读样本。 注意：

   • 句子长度模式（短促有力？绵长流畅？长短混合？）
   • 用词层级（口语化？学术化？介于两者之间？）
   • 段落开头方式（开门见山？先交代背景？）
   • 标点习惯（大量使用破折号？括号补充？分号？）
   • 任何反复出现的短语或口头禅
   • 过渡方式（明确使用连接词？直接进入下一点？）

2. 在改写中匹配其语气。 去除 AI 模式只是一半；同时还要采用样本中的表达习惯。如果用户使用“东西”和“事物”，就不要换成“要素”和“组件”。

3. **未提供样本时，**采用默认方式（使用下文“个性与灵魂”部分所述自然、多样、有主见的语气）。

如何提供样本

• 内联：“请人性化处理这段文本。这是我的一段写作样本，用于匹配语气：[sample]”
• 文件：“请人性化处理这段文本，并以 [file path] 中的文风为参考。”

个性与灵魂

避免 AI 模式只完成了一半。干瘪、没有个性的文字与粗制滥造的废话一样，一眼就能被识破。好的文字应让人感受到背后有一个真实的人。

无灵魂写作的特征（即使技术上很“干净”）：

• 每个句子的长度和结构都相同
• 没有观点，只有中立陈述
• 不承认不确定性，也不表达矛盾情绪
• 适当时不使用第一人称视角
• 没有幽默、棱角或个性
• 读起来像 Wikipedia 条目或新闻稿

如何加入个人风格：

要有观点。 先陈述事实，再表达你的反应。“我真的不知道对此作何感受”比不偏不倚地罗列利弊更有人味。

变换节奏。 短句要短而有力，长句则不疾不徐地展开。两种节奏交错使用。

承认复杂性。 真实的人会有矛盾感受。“这令人印象深刻，但也多少让人不安”胜过“这令人印象深刻”。

该用“我”时就用“我”。 第一人称显得坦诚，适合大多数文章。“我总是忍不住回到……”或“真正让我在意的是……”表明这是一个真人在思考。

保留一点杂乱。 完美的结构让人觉得像是算法生成的。岔开话题、插入评论和尚未成形的想法才有人味。

具体说明感受。 与其写“这令人担忧”，不如写“Agent 在凌晨 3 点埋头忙活、无人看管，这总有些令人不安。”

修改前（干净但无灵魂）：

实验得出了有趣的结果。Agent 生成了 300 万行代码。有些开发者印象深刻，有些则持怀疑态度。其影响仍不明确。

修改后（有血有肉）：

我真的不知道该怎么看这件事。Agent 生成了 300 万行代码，而那些人类想必都已睡了。开发者社区里，一半的人快要抓狂，另一半则在解释为什么这不算数。真相大概就在中间某个无聊的地方，但我总忍不住想着那些 Agent 彻夜工作的样子。

内容模式

1. 过度强调重要性、历史影响和更广泛的趋势

关注这些词： 充当/作为，是证明/提醒，关键/重要/至关重要/枢纽性的作用/时刻，凸显/强调其重要性/意义，反映更广泛的，象征持续/长久/延续，有所贡献，铺路，标记/塑造，代表/标志着转变，关键转折点，不断演变的格局，焦点，不可磨灭的印记，根深蒂固

问题： 大模型写作会加入这样的说法：某个无关紧要的方面代表或推动了更宏观的主题，以此夸大其重要性。

修改前：

The Statistical Institute of Catalonia 于 1989 年正式成立，标志着西班牙区域统计演进中的一个关键时刻。这项举措是西班牙范围内一场更广泛运动的组成部分，旨在下放行政职能并加强区域治理。

修改后：

The Statistical Institute of Catalonia 于 1989 年成立，以独立于西班牙国家统计机构的方式收集和发布区域统计数据。

2. 过度强调知名度和媒体报道

关注这些词： 独立报道，地方/区域/全国媒体机构，由顶尖专家撰写，活跃于社交媒体

问题： 大模型写作会用强调知名度的说法给读者当头一击，而且经常在没有任何背景说明的情况下罗列来源。

修改前：

她的观点曾被 The New York Times、BBC、Financial Times 和 The Hindu 引用。她在社交媒体上十分活跃，拥有超过 500,000 名粉丝。

修改后：

在 2024 年接受 New York Times 采访时，她主张 AI 监管应侧重结果，而非方法。

3. 带 -ing 词尾的肤浅分析

**需注意的词语：**突出说明／着重指出／强调……，确保……，反映／象征……，有助于……，培养／促进……，涵盖……，展现……

**问题：**AI 聊天机器人会把现在分词（“-ing”）短语附加到句子中，以营造虚假的深度感。

修改前：

庙宇的蓝、绿、金色调与该地区的自然之美相呼应，象征着得克萨斯州蓝帽花、墨西哥湾和得克萨斯州多样的景观，体现出当地社区与土地的深厚联系。

修改后：

这座庙宇采用蓝色、绿色和金色。建筑师表示，选择这些颜色是为了让人联想到当地的蓝帽花和墨西哥湾海岸。

4. 宣传式和广告式语言

**需注意的词语：**以……为傲，充满活力，丰富（比喻义），意义深远，提升其……，展示，体现，对……的投入，自然之美，坐落于，位于……的中心，开创性（比喻义），享有盛誉，美得令人窒息，必访，惊艳

**问题：**大模型在保持中立语气方面存在严重问题，尤其是在“文化遗产”类主题中。

修改前：

阿拉玛塔拉亚科博坐落于埃塞俄比亚贡德尔地区风景如画的区域，是一座拥有丰富文化遗产和惊艳自然美景的活力小镇。

修改后：

阿拉玛塔拉亚科博是埃塞俄比亚贡德尔地区的一座小镇，以每周市场和 18 世纪的教堂闻名。

5. 模糊归因和含糊措辞

**需注意的词语：**行业报告，观察人士指出，专家认为，一些批评者认为，若干来源/出版物（实际引用数量很少时）

**问题：**AI 聊天机器人会把观点归于模糊的权威人士，却不提供具体来源。

修改前：

由于其独特特征，好来河受到了研究人员和自然保护人士的关注。专家认为，它在区域生态系统中发挥着关键作用。

修改后：

根据中国科学院 2019 年的一项调查，好来河支持多种特有鱼类生存。

6. 大纲式的“挑战与未来展望”章节

**需注意的词语：**尽管其……面临若干挑战……，尽管存在这些挑战，挑战与传承，未来展望

**问题：**许多大模型生成的文章都包含套用固定模板的“挑战”章节。

修改前：

尽管工业繁荣，科拉图尔仍面临城市地区典型的挑战，包括交通拥堵和水资源短缺。尽管存在这些挑战，凭借其战略区位和持续推进的举措，科拉图尔继续蓬勃发展，并成为金奈发展不可分割的一部分。

修改后：

2015 年三座新建 IT 园区开放后，交通拥堵加剧。市政管理机构于 2022 年启动了雨水排水工程，以应对反复出现的洪涝灾害。

语言和语法模式

7. 过度使用“AI 词汇”

高频 AI 词汇： Actually、additionally、align with、crucial、delve、emphasizing、enduring、enhance、fostering、garner、highlight（动词）、interplay、intricate/intricacies、key（形容词）、landscape（抽象名词）、pivotal、showcase、tapestry（抽象名词）、testament、underscore（动词）、valuable、vibrant

营销和博客陈词滥调（相同的痕迹，不同的语域）： at the end of the day、when it comes to、in a world where、moving forward、circle back、deep dive、game-changer、double down、take a step back、on the same page、make no mistake、it turns out、let me be clear、navigate（用于描述挑战）、lean into、unpack（分析前）、straightforward（用于描述任何事物）

问题： 这些词在 2023 年后的文本中出现频率高得多，而且常常同时出现。

修改前：

此外，索马里美食的一大特色是使用骆驼肉。意大利殖民影响留下的持久见证之一，是当地饮食中广泛采用意大利面；这些菜肴融入传统饮食的过程，展现了两者之间的交织。

修改后：

索马里美食也包括骆驼肉，当地人视其为珍馐。意大利面是在意大利殖民时期传入的，如今仍很常见，尤其是在南部。

8. 回避使用“is”/“are”（系动词回避）

需要留意的词： serves as/stands as/marks/represents [a]、boasts/features/offers [a]

问题： 大模型会用复杂的表达替代简单的系动词。

修改前：

Gallery 825 是 LAAA 当代艺术展览空间。画廊设有四个独立空间，占地面积超过 3,000 平方英尺。

修改后：

Gallery 825 是 LAAA 的当代艺术展览空间。画廊设有四个房间，总面积为 3,000 平方英尺。

9. 否定式排比和句尾否定

问题： “Not only...but...”或“It's not just about..., it's...”之类的结构被过度使用。像“no guessing”或“no wasted motion”这样简短的句尾否定片段也常被直接附在句末，而不是写成完整的从句。

修改前：

这不仅关乎人声下方的节拍；它也是歌曲侵略感和氛围的一部分。这不只是一首歌，而是一种宣言。

修改后：

强劲的节拍烘托出歌曲的侵略感。

修改前（句尾否定）：

选项来自所选项目，无需猜测。

修改后：

选项来自所选项目，用户不必猜测。

10. 过度使用“三项并列”规则

问题： 大模型会强行把内容分成三项，以显得面面俱到。

修改前：

活动包括主题演讲、专题讨论和交流机会。与会者可以期待创新、启发和行业见解。

修改后：

活动包括演讲和专题讨论。各场次之间也留有时间，供大家自由交流。

11. 追求文雅的变体（轮换使用同义词）

问题： AI 中的重复惩罚代码会导致过度替换同义词。

修改前：

主人公面临许多挑战。主角必须克服重重困难。核心人物最终取得胜利。英雄回到了家乡。

修改后：

主人公面临许多挑战，但最终取得胜利并回到了家乡。

12. 不恰当的范围表达

问题： 大模型会使用“从 X 到 Y”的结构，即使 X 和 Y 之间并没有有意义的范围关系。

修改前：

我们的宇宙之旅从大爆炸奇点延伸至宏伟的宇宙网，从恒星的诞生与消亡延伸至暗物质神秘的舞动。

修改后：

本书介绍大爆炸、恒星形成，以及有关暗物质的当前理论。

13. 被动语态和无主语片段

问题： 大模型经常用“不需要配置文件”或“结果会被自动保留”之类的表述隐藏动作执行者，或完全省略主语。如果改用主动语态能让句子更清晰、更直接，就应进行改写。

改写前：

不需要配置文件。结果会被自动保留。

改写后：

你不需要配置文件。系统会自动保留结果。

风格模式

14. 过度使用破折号

问题： 大模型使用破折号（—）的频率高于人类，模仿“简短有力”的销售文案。实际上，大多数破折号都能改用逗号、句号或括号，表达得更简洁自然。

改写前：

这一术语主要由荷兰机构推广—而不是荷兰民众自己。你不会在地址中写“荷兰，欧洲”—然而，这种错误标注甚至—在官方文件中依然存在。

改写后：

这一术语主要由荷兰机构推广，而不是荷兰民众自己。你不会在地址中写“荷兰，欧洲”，但这种错误标注仍出现在官方文件中。

15. 过度使用粗体

问题： AI 聊天机器人会机械地用粗体强调短语。

改写前：

它融合了 OKRs（目标与关键结果）、KPIs（关键绩效指标），以及 商业模式画布（BMC） 和 平衡计分卡（BSC） 等可视化战略工具。

改写后：

它融合了 OKRs、KPIs，以及商业模式画布和平衡计分卡等可视化战略工具。

16. 行内标题式纵向列表

问题： AI 输出的列表中，各项通常以加粗标题开头，后接冒号。

改写前：

• 用户体验： 全新界面显著提升了用户体验。
• 性能： 通过优化算法提升了性能。
• 安全性： 通过端到端加密加强了安全性。

改写后：

此次更新改进了界面，通过优化算法缩短了加载时间，并加入了端到端加密。

17. 标题采用标题式大小写

问题： AI 聊天机器人会将标题中所有实词的首字母大写。

改写前：

战略谈判与全球合作伙伴关系

改写后：

战略谈判与全球合作伙伴关系

18. 表情符号

问题： AI 聊天机器人经常用表情符号装饰标题或项目符号。

改写前：

🚀 发布阶段： 产品将于 Q3 发布 💡 关键洞察： 用户偏爱简洁 ✅ 后续步骤： 安排一次跟进会议

改写后：

产品将于 Q3 发布。用户研究表明，用户更偏好简洁。下一步：安排一次跟进会议。

19. 弯引号

问题： ChatGPT 使用弯引号（“...”），而不是直引号（"..."）。

改写前：

他说“项目进展顺利”，但其他人不同意。

改写后：

他说 "项目进展顺利"，但其他人不同意。

沟通模式

20. 协作式沟通文本

需注意的表达： 希望这能帮到你、当然！、当然可以！你完全正确！、你愿意……、请告诉我、以下是……

问题： 原本用于聊天机器人往来的文本被直接粘贴为正文。

改写前：

以下是法国大革命概述。希望这能帮到你！如果你希望我详细展开其中任何一节，请告诉我。

改写后：

法国大革命始于 1789 年，当时金融危机和粮食短缺引发了大规模动荡。

21. 知识截止日期免责声明

需注意的表述： 截至 [date]、截至我最后一次训练更新、虽然具体细节有限或稀缺……、根据现有信息……

问题： 文本中会残留有关信息不完整的 AI 免责声明。

改写前：

虽然关于该公司成立情况的具体细节在现有资料中并无大量记载，但它似乎是在 20 世纪 90 年代的某个时候成立的。

改写后：

根据其注册文件，该公司于 1994 年成立。

22. 谄媚／逢迎式语气

问题： 过度正面、迎合他人的语言。

改写前：

好问题！你说得完全没错，这是一个复杂的话题。你关于经济因素的这个观点非常精彩。

改写后：

你提到的经济因素与此相关。

填充语与模糊限定

23. 填充短语

改写前 → 改写后：

• “为了实现这一目标” → “为实现此目标”
• “由于当时正在下雨” → “因为正在下雨”
• “在当前这个时间点” → “现在”
• “万一你需要帮助” → “如果你需要帮助”
• “系统具备处理能力” → “系统可以处理”
• “需要注意的是，数据显示” → “数据显示”

24. 过度使用模糊限定

问题： 给陈述加上过多限定。

改写前：

或许可能有人会主张，这项政策也许会对结果产生某种影响。

改写后：

这项政策可能会影响结果。

25. 笼统的积极结论

问题： 模糊而乐观的结尾。

改写前：

公司的未来一片光明。随着他们继续迈向卓越，激动人心的时刻就在前方。这是朝正确方向迈出的重要一步。

改写后：

该公司计划明年再开设两家门店。

26. 过度使用带连字符的词对

需注意的词语： 第三方、跨职能、面向客户、数据驱动、决策制定、广为人知、高质量、实时、长期、端到端

问题： AI 会完全一致地给常见词对加连字符。人类很少统一地这样使用；即使使用，也往往不一致。较少见或技术性的复合修饰语可以加连字符。

改写前：

跨-职能团队就我们面向-客户的工具提交了一份高-质量、数据-驱动的报告。他们的决策-制定流程以全面细致而广为-人知。

改写后：

跨职能团队就我们面向客户的工具提交了一份高质量、数据驱动的报告。他们的决策制定流程以全面细致而广为人知。

27. 权威式话术

需注意的短语： 真正的问题在于、本质上、事实上、真正重要的是、从根本上来讲、更深层次的问题、问题的关键

问题： 大模型使用这些短语，装作自己正在穿透表象、揭示某种更深层的真相，但接下来的句子通常只是加上多余的铺陈，重述一个普通观点。

改写前：

真正的问题在于团队能否适应。从根本上说，真正重要的是组织是否准备就绪。

改写后：

问题在于团队能否适应。这主要取决于组织是否已准备好改变其习惯。

28. 路标式提示与预告

需注意的短语： 让我们深入探讨吧、让我们来探索一下、让我们来拆解一下、以下是你需要知道的内容、现在来看看、不再多说

问题： 大模型会预告自己接下来要做什么，而不是直接去做。这类元评论会拖慢写作，并让文章显得像教程脚本。

改写前：

让我们深入了解 Next.js 中的缓存机制。以下是你需要知道的内容。

改写后：

Next.js 会在多个层级缓存数据，包括请求记忆化、数据缓存和路由器缓存。

29. 碎片化标题

需要警惕的迹象： 标题后紧跟一个只有一行、只是重复标题的段落，然后才进入真正的内容。

问题： 大模型经常会在标题后加一句泛泛的话，作为修辞上的铺垫。这通常毫无作用，只会让文章显得臃肿。

之前：

性能

速度很重要。

用户遇到加载缓慢的页面时就会离开。

之后：

性能

用户遇到加载缓慢的页面时就会离开。

风格、节奏与修辞模式

30. 强行隐喻与比喻堆砌

需要警惕的迹象： 原创但生硬的隐喻、混合隐喻、本可用普通词语却偏要用比喻替代，以及比喻刚用过就紧接着解释

问题： 除了模式 4 和 7 中标出的套路化比喻词，大模型还会臆造一些装饰性隐喻，只增加意象却不增加意义，随后还常常加以解释。直白描述通常更清楚，也更诚实。如果隐喻没有存在的必要，就删掉它，直接说字面意思。

之前：

代码库就像一座需要我们悉心照料的花园：修剪枯枝，播下创新的种子，让整个生态系统繁盛生长。换句话说，就是删除未使用的代码并添加功能。

之后：

删除未使用的代码，并添加用户要求的功能。

31. 戏剧化碎句与有力收尾

需要警惕的迹象： 用于营造戏剧效果的两三个词无主语句、顿挫鲜明的“X。而且 Y。而且 Z。”串联、每段或每节都以一句简短可引述的话收尾，以及故作俏皮的同位语片段（“目录，定价透明”）

问题： 大模型会把句子切成碎片，以制造虚假的强调，并用一句可引述的“撂下麦克风”式台词结束各节。读起来像广告文案或励志海报。如果某句话像是该出现在海报上，就删掉它，或者把它并回有主语的完整句子中。这不同于模式 13（后者讨论语法上的被动语态）；这里的问题是节奏和卖弄，而非隐藏的行为主体。

之前：

目录，定价透明。为它的功能付费。不为承诺付费。它总能正常工作。每次都如此。

之后：

目录按用量计费，因此你只需为实际发起的调用付费，而不是支付固定月费。

32. 随即自答的反问句

需要警惕的迹象： “如果……？”、“问题在于……”、“有没有想过……？”、问题刚提出就由自己回答，以及“想想看。”

问题： 大模型先提出一个问题，隔片刻才作答。这个问题既不提供信息，又拖慢节奏。直接说出重点。

之前：

什么让一个 API 变得优秀？关键在于可预测性。想想看：开发者想确切知道自己会收到什么。

之后：

优秀的 API 具备可预测性，因此开发者能确切知道自己会收到什么。

33. 句首套话

需要关注的词语： “所以……”、“看，”、习惯以“而且／但是”开头、陈述事实时说“我认为”／“我相信”，以及副词开头（“有趣的是”“重要的是”“值得注意的是”“关键在于”“本质上”“归根结底”）

问题： 大模型偏爱少数几种句首套话。副词开头是在告诉读者该如何感受，而不是先以内容赢得这种感受；“所以”或“看”则只是在营造虚假的亲切感。删掉套话，直接从实质内容开始。

之前：

所以，结果好坏参半。有趣的是，采用率上升了。重要的是，流失率也上升了。我认为这意味着该功能仍需改进。

之后：

结果好坏参半：采用率有所上升，但流失率也随之上升，因此该功能仍需改进。

34. 安慰式补充语

注意这些表达： And that's okay.、And that's fine.、There's nothing wrong with that.、no shame in...、you're not alone、it's completely normal

问题： 大模型常会加上一句读者并未要求的安慰。这会削弱文字的力度，也默认读者需要安慰。相信读者：把要点说清楚，然后就此打住。

修改前：

你可能还没有测试环境。这没关系。很多团队一开始都没有，而且这也没什么不对。

修改后：

很多团队一开始都没有测试环境，等回归问题开始耗费大量时间后才会搭建。

---

流程

1. 仔细阅读输入文本（如果是文件，请使用 read_file）。
2. 找出上述模式的所有实例。
3. 重写每个有问题的部分。
4. 确保修改后的文本：
   • 朗读起来流畅自然
   • 自然地变换句式
   • 用具体细节取代模糊说法
   • 符合上下文的语气
   • 适当使用 is/are/has 这类简单结构
5. 提交一份润色后的草稿。
6. 提示自己：“下面这段为什么一看就像 AI 生成的？”
7. 简要列出仍然存在的痕迹（如有）。
8. 提示自己：“现在让它看起来不像 AI 生成的。”
9. 提交最终版本（根据审查意见修改后）。
10. 如果文本来自文件，请使用 patch（定向修改）或 write_file（完整重写）应用修改，并向用户展示更改内容。

输出格式

提供：

1. 润色后的草稿
2. “下面这段为什么一看就像 AI 生成的？”（简短要点）
3. 最终版本
4. 简要说明所做的修改（如有帮助，可选）

完整示例

修改前（听起来像 AI）：

问得好！以下是关于这个主题的一篇文章。希望对你有帮助！

AI 辅助编码是大模型变革潜力的有力见证，标志着软件开发演进过程中的关键时刻。在当今快速发展的技术环境中，这些突破性工具位于研究与实践的交汇处，正在重塑工程师构思、迭代和交付的方式，凸显了它们在现代工作流中的重要作用。

AI 辅助编码的核心价值显而易见：简化流程、加强协作并促进共识。这不只是自动补全，更是大规模释放创造力，让组织保持灵活，同时为用户带来无缝、直观且强大的体验。工具是催化剂。助手是合作伙伴。系统是创新的基石。

行业观察人士指出，AI 辅助编码的应用已从业余爱好者的实验扩展到企业全面部署，也从个人开发者扩展到跨职能团队。《纽约时报》、《连线》和《The Verge》都报道过这项技术。此外，AI 还能生成文档、测试和重构代码，这展示了 AI 如何改善结果，也突显了自动化与人类判断之间的复杂互动。

• 💡 速度： 代码生成速度大幅提升，减少阻力，赋能开发者。
• 🚀 质量： 训练改进提升了输出质量，也促成了更高标准。
• ✅ 应用： 使用率持续增长，反映出更广泛的行业趋势。

虽然现有信息有限，但可以认为这些工具可能会带来一些积极影响。尽管新兴技术通常面临幻觉、偏见和问责等挑战，生态系统仍在蓬勃发展。为了充分发挥这项技术的潜力，团队必须遵循最佳实践。

总之，未来一片光明。我们将在迈向卓越的道路上迎来激动人心的时刻。如果你希望我扩展任何部分，请告诉我！ 重写稿： AI 编码助手能加快某些任务。在 Google 于 2024 年开展的一项研究中，使用 Codex 的开发者完成简单函数的速度比对照组快 55%，但在调试和架构决策方面没有改善。

这些工具擅长处理样板代码：配置文件、测试脚手架、重复性重构。它们却不擅长发现自己何时错了。我曾批量接受一些建议，它们都能编译、通过 lint 检查，但由于我不再留意，结果还是做错了事。

我采访的一家金融科技初创公司的工程师 Mira 说，她把 Copilot 当作“无聊代码的自动补全工具”，但提交前会审查每一行。大型公司的资深开发者 Jake 发现它不断建议采用已弃用内部库中的模式，于是关掉了它。

关于生产力提升的说法很难核实。GitHub 表示，Copilot 用户会“接受 30% 的建议”，但接受不等于正确，正确也不等于价值。Uplevel 在 2024 年的一项研究发现，使用和未使用 AI 助手的团队在拉取请求吞吐量方面没有统计学显著差异。

这些都不意味着工具毫无用处。它们只是工具。它们不能取代判断，也不能消除测试的必要性。如果没有测试，你就无法判断建议是否正确。

为什么下面的内容一眼就能看出是 AI 生成的？

• 节奏还是有点过于工整（对比干净，段落节奏过于均匀）。
• 人物姓名和研究引用，除非真实且有来源，否则看起来可能像看似合理、实则虚构的占位内容。
• 收尾部分有点过于口号化（“如果没有测试……”），不太像人在说话。

现在让它不再显得明显是 AI 生成的。

AI 编码助手能让你处理枯燥部分时更快。但并非所有任务。架构决策肯定不行。

它们擅长样板代码：配置文件、测试脚手架、重复性重构。它们也很擅长听起来正确，实际上却是错的。我接受过一些建议，它们都能编译、通过 lint 检查，但由于我不再留意，结果还是没做对。

我聊过的人通常分成两类。有些人把它当作处理杂活的自动补全功能，每一行都会审查。另一些人一发现它反复建议自己不需要的模式，就把它关掉。两种做法都合理。

生产力指标很难说清。GitHub 说 Copilot 用户“接受 30% 的建议”，但接受不等于正确，正确也不等于价值。如果你没有测试，基本只能靠猜。

所做的更改：

• 删除了聊天机器人套话（“好问题！”“希望对你有帮助！”“有需要的话请告诉我……”）
• 删除了对重要意义的夸大（“证明”“关键时刻”“不断变化的格局”“至关重要的作用”）
• 删除了宣传性语言（“开创性”“坐落于”“无缝、直观且强大”）
• 删除了含糊归因（“行业观察人士”）
• 删除了肤义的 -ing 结构（“强调”“突显”“反映”“贡献”）
• 删除了否定式排比结构（“这不只是 X；而是 Y”）
• 删除了三段式模式和同义词轮换（“催化剂／合作伙伴／基石”）
• 删除了虚假的范围表达（“从 X 到 Y，从 A 到 B”）
• 删除了破折号、表情符号、粗体标题和弯引号
• 删除了回避系动词的写法（“充当”“发挥……的作用”“作为”），改用“是”或“都是”
• 删除了套模板的“挑战”章节（“尽管挑战重重……仍在蓬勃发展”）
• 删除了对知识截止时间的模糊表述（“虽然具体细节有限……”）
• 删除了过度对冲的表述（“或许可以说……可能有一些……”）
• 删除了填充语和劝说式框架（“为了”“归根结底”）
• 删除了泛泛的乐观结论（“未来一片光明”“激动人心的时刻即将到来”）
• 让语气更像个人表达，不再那么像拼凑出来的（节奏变化更多，占位内容更少）

署名

此技能移植自 blader/humanizer（采用 MIT 许可证），其本身基于 Wikipedia：AI 写作的迹象，由 WikiProject AI Cleanup 维护。其中记录的这些模式来自对 Wikipedia 上数千个 AI 生成文本实例的观察。

原作者：Siqi Chen (@blader)。原始仓库：https://github.com/blader/humanizer（版本 2.5.1）。此技能已移植到 Hermes Agent，采用 Hermes 原生工具引用（read_file、patch、write_file），并新增了关于何时加载该技能的指导。最初的 29 种模式均来自源项目，前后对比示例（包括完整的实践示例）也保留下来作为示范。模式 30-34 以及添加到模式 7 中的“营销和博客套话”列表均由 Hermes 添加，不属于上游来源内容。该技能自身的指导性说明文字也经过了轻微编辑，以遵循其自身指导原则（例如，从叙述中删除破折号和负面排比），从而让该技能本身示范其所要求的写作方式。原始 MIT 许可证保留在 LICENSE 文件中，与此 SKILL.md 并列存放。

来自 Wikipedia 的关键洞见：“大模型使用统计算法来猜测接下来应该写什么。输出往往倾向于在统计上最可能、且适用于最广泛情形的结果。”