中文去机器味规则实测，提示改写时先守住事实边界

发生了什么

少数派作者检查中文去 AI 味项目，并引用频率测试讨论常见规则是否成立，随后制作自己的改写技能。文章把不新增事实、不改变论断强度放在优先位置，也说明脚本只能发现部分形式特征。1

具体是什么

这项实践针对的是改稿方法，而不是证明某篇文章由谁写成。作者发现，一些流行建议缺少验证，照着替换套话甚至可能让文字更机械；添加所谓个人经历，还可能产生原稿没有的事实。1

对自媒体，去掉机器腔只是质量的一部分。读者更在意文章是否说清问题、有没有具体依据，以及内容能否帮助自己判断。把所有句子改成口语，未必比保留准确而朴素的表达更好。

怎么用

先保存原稿，再把改写要求拆成内容与表达两层。内容层只允许重组已有信息，缺资料时标出空缺；表达层再处理重复、空泛评价和不必要的结构。这样方便检查模型究竟改了什么。

使用文中技能或参考其规则时，先选一篇自己熟悉的旧稿。逐句对照数字、人物经历、时间、因果和态度，尤其留意可能被改成一定、相关被改成导致之类的强度变化。改得顺口但改变事实的句子，应当退回。

然后再检查阅读体验。每段是否围绕明确对象展开，代词能否找到指向，结论前是否提供了必要材料。与其要求模型全面变得像人，不如给出具体编辑任务，例如合并重复说明、补清指代，或删去没有新增信息的句子。

最后由作者朗读一次，保留自己确实会使用的措辞。工具可以减少机械检查，但文章的选择、取舍和责任仍在作者。若要批量处理稿件，可以先建立一小组已人工审好的样本，用来比较更新后的规则有没有把好句子改坏。

意味着什么

这篇实践提供的启发是，写作提示词也可以接受证据检验。一个规则在社区传播很广，不代表它适合中文、适合当前模型，更不代表适合所有文体。

对工具开发者，差异化可能来自清楚的修改理由和可回退过程。用户能够看到哪些事实保持不变、哪些句子被处理、为什么处理，比一个神秘的人类分数更有价值。产品也不必把自己包装成鉴定器，做好编辑辅助就已经有用。

对内容团队，建立稳定的稿件检查方式还能减少风格争论。先统一事实、引用和论断强度，再讨论口吻，通常更容易协作。不同作者可以保留自己的表达习惯，而不是被同一套替词表抹平。

局限与风险

原文中的统计来自特定语料、模型和作者自测，不能作为通用检测标准；本次也没有复跑其数据或脚本。1

形式特征只能提供线索。专业写作可能自然具有规整结构，人的文章也可能充满套话。不要凭一个检测结果指控作者，更不要为了降低分数故意加入错字、虚构经历或无关细节。编辑工具最终应帮助读者更准确地理解内容，而不是帮助稿件通过某种无法解释的外观测试。