structural-humanizer

structural-humanizer

请先阅读此处。humanizer 技能负责修正措辞：“delve”、em dash、三项并列、否定式平行结构。此技能负责修正前一轮处理后仍存在的问题：结构。这是两项不同的工作，按顺序进行。先处理表层，再处理结构。

为什么结构层更重要。 StoryScope（Russell 等人，2026 年，arXiv:2604.03136）仅使用话语层面的特征、排除所有文体特征，对人类和 5 个大模型创作的 61,608 个故事进行分类，检测准确率达到 93.2%。随后，他们使用 LAMP（一种专业的片段级改写框架，能去除陈词滥调、矫揉造作的文风和冗余的说明，本质上是一种表层人性化工具）处理 AI 文本，检测率仅下降 1.6 个百分点。与此同时，表层特征本身也在消退：GPT 5.4 已大幅减少 em dash 的使用，而微调会让文体检测率从 97% 降至 3%。持久的痕迹在于结构，修正它需要进行结构性改写，而非替换词语。含具体数据的完整研究结果见：references/storyscope-findings.md。

陷阱（与 unslop-ui 中的陷阱相同）

不要用一种默认模式取代另一种。如果现在每篇作品都以场景中途开篇、点出三种感受，并以未解决的问题收尾，那就形成了一个新的、可检测的聚类。这项研究最重要的发现是趋同：五种 AI 模型都集中在结构空间中一个狭窄的区域，而人类则分布分散且罕见。罕见本身就是人类信号。

因此：**每篇作品只选用 1-2 种结构性干预，在不同作品间有所变化，并且要能说清这篇作品为何采用这种结构。**切勿一次性套用整套方法。

六项检查

逐项单独检查（研究自身的流程采用按维度检查，发现了 95% 的问题，而一次性大检查的发现率为 68%）。数字为研究中人类与 AI 的比例。

1. 主题显露得过于明确（最明显的信号）

AI 会直接说出道理。叙述者解释主题的比例为 77%，而人类为 52%；主题被道德化的程度约高出 20%；所有内容都会围绕一个中心论点展开。 在内容中，这表现为：总结句、“这对你意味着什么”、每节结尾重述论点，以及每个例子都被煞有介事地解读。 **修正方法：**在最有力之处点明一次观点。删掉所有重复表述。至少让一个例子保持不加解读。相信读者。

2. 结构过于工整

AI 写作往往只有一条主线：因果链条不断，没有支线（79% 对 57%），所有事情都得到解决，并以主角的选择收尾。人类会离题、绕回前文，也会留下未尽的线索（主题相关的旁支：42% 对 21%；含糊矛盾的结尾也常见得多）。 **修正选项：**加入一段只有间接关联的旁逸；提出一个明确不作回答的问题；在问题解决之前就停笔。

3. 情绪表达模式（与“展示，而非讲述”相反）

研究中差距最大的一项：AI 有 81% 的时候会通过身体和氛围来表现情绪，而人类只有 38%（“胸口一紧”“呼吸一滞”“灯光暗了下来”）。人类则会直接说出情绪：明确标注情绪的比例为 29%，而 AI 为 8%。 **修正方法：**直白地说出感受（“说实话，这让我害怕”“我气坏了”）。只有在确实值得时，才使用身体细节。没错，这与经典写作建议相矛盾。经典写作建议如今已成了机器特征。

4. 引用的具体性

人类会点出真实事物：具体文本、人物、品牌、地点、价格（明确点名引用的比例为 47%，而 AI 为 24%）。AI 通常只作含糊的暗示（72% 对 50%），并避免点出真实品牌或作品。 **修正方法：**把“一本流行的效率类书籍”改成《Deep Work》。给“某位专家”加上姓名。把“最近”改成具体日期。补上价格、版本号、城市。

5. 读者互动

人类会向读者致意（直接称呼读者的比例为 28%，而 AI 为 7%；打破第四面墙的比例为 67%，而 AI 为 39%）。“AI 写作时仿佛没有人在看。”内容营销早已频繁使用“你”，因此值得借鉴的是承认写作本身的做法：“我知道这听起来像什么”“如果你已经在投放广告，就跳过这一节”“你大概是在略读，所以直接说数字”。少用；它只是调味料。

6. 结构趋同

这篇文章的骨架是否和你最近三篇一样？开头类型相同、发展脉络相同、结尾也相同？这就是模式开始形成的迹象。发布前，对照最近的文章，打破这种模式。

工作流

1. 先提取骨架。 列出文章的结构：各个要点的顺序、教训在哪儿提出（提出了几次）、时间结构（线性与否）、哪些内容得到了解决、旁枝数量、情绪时刻及其表达方式，以及引用是具体还是模糊。审查大纲，而非散文。（这正是本研究采用的方法：结构特征在逐句阅读时不易察觉。）
2. 逐项进行六项审查，每次只审查一项。
3. 从下方菜单中选择 1-2 项干预措施。 深思熟虑、符合体裁（见 references/genre-calibration.md），并且要与上一篇不同。
4. 从结构上重写。 调整章节顺序，删掉尾声，删除重复陈述。不要只润色句子；那是另一项技能的工作。
5. 扫描： python3 scripts/structural_scan.py <file> 可以检测可通过模式匹配发现的部分（具身化情绪陈词滥调、总结标记、模糊典故、均一性）。
6. 再次检查，避免落入陷阱。 如果这次的修改看起来和你昨天做的一样，就换一种方式。

干预菜单（轮换使用，切勿一次全用）

• 先写结果。 从最终状态开始，再倒叙回去。转折应出现在文章中段，而不是结尾。
• 从场景中途冷开场。 从故事中间开始，之后再回头补充背景。
• 延迟揭晓。 将文章围绕其展开的数字、名称或结果，留到篇幅约三分之二处再揭晓。
• 重新赋义式呼应。 让前面提到的细节获得新的含义：“还记得开头那个每月 80 美元吗？那还算便宜的。”
• 旁逸斜出的切题插曲。 用一段文字平行呼应主题，但不为主题服务。不要明确地把它和主题联系起来。
• 留下一条未解线索。 提出一个目前无法回答的问题，让它悬而未决。
• 真实的矛盾情绪。 结尾保留两种感受，而不是得出一个明确的教训。
• 具体点名。 把所有模糊典故都换成真实、可核实的具体内容。
• 直白表达情绪。 用明确说出的感受，替代身体表演式描写。
• 承认读者在场。 加入一处承认有人正在阅读本文的时刻。
• 在高潮处戛然而止。 停在情绪高点，不要接安静的尾声（见 Claude 特征）。

模型特征（了解文本由哪个模型起草）

这里的大多数草稿都来自 Claude，它的特征在五种模型中最为鲜明。如果草稿由 Claude 起草：事件升级平缓（全篇强度均一；通过改变文章各处的利害程度和节奏来修正）、写尾声的习惯（自然结尾之后还要加一段总结性尾声；删掉它，提前结束）、虔敬、安静的结尾（偶尔改在高潮处或未解决之处结束）。GPT 的草稿过度偏重遥远的回顾式叙述（“多年以后，我才意识到”）和社交／八卦机制。Gemini 最擅长写工整的结尾；把上面那层漂亮的装饰去掉。

此技能不做什么

它不会修正用词或标点（请运行 humanizer）。它不会规定文风（那是 jens-blog-writer / solo-scale-writer / Nick Saraev 模板的职责）。它无法让文本无法被检测出来；没有任何方法能做到这一点。还有一点需要坦诚说明：StoryScope 研究的是约 5,000 词的小说。将研究结果应用于短篇非虚构文本是一种推断，但独立分析非虚构类 AI 垃圾内容时，反复发现的核心模式（过度解释、过于工整、线性展开、趋同于一种默认形式）完全吻合；而能够明确迁移到短文本的部分是审查 1、3、4 和 6。

参考资料

• references/storyscope-findings.md - 研究摘要：全部 30 项核心特征及其出现率、特征指纹、稳健性结果和注意事项。
• references/genre-calibration.md - 各类体裁（LinkedIn / 课程讲解 / 博客 / 邮件）适用的审查和干预措施。
• scripts/structural_scan.py - 用于扫描可通过 grep 查找的特征的确定性扫描器。设计上可在后续作为钩子运行。