中文「去 AI 味」规则实测：26 条中只有 11 条站得住
一位在医院工作、业余写科普的作者检视了 13 个中文「去 AI 味」开源项目，发现多数规则清单从未被验证：唯一做过实测的 lieflat-less-ai-tone 让 5 个模型各写 60 篇、共 300 篇 AI 文章，对照 329 篇人类公开文章（约 283 万字）逐条统计 26 条流行判据，只有 11 条成立，句长均匀度等 15 条被推翻。作者据此把规则按证据分三级做成一个 Claude Code skill，并加入信息守恒（终稿事实必须能在原文找到）、不改论断强度等硬约束，另附只依赖 Python 标准库的扫描脚本。在 HC3 中文数据集上，一万两千多条人类回答被脚本误判为有 AI 痕迹的占 3.4%，GPT-3.5 回答 18.9%，Claude 回答 85%、12 篇科普稿 83%。
它用数据说明网上流传的「去 AI 味」清单大多未经检验，照着改可能让文字更不像人写的，甚至诱导模型编造原文没有的细节。
我在医院工作，业余写给家长看的科普。这两年初稿很多是让 Claude 先起的，改稿时最花时间的就是把那股 AI 味去掉。今年想干脆做一个 Claude Code 的 skill 来干这件事，动手之前先去 GitHub 上看了看别人怎么做的。
中文的同类项目我读了 13 个，星数最多的一万八千多。读下来发现两个问题。
很多规则没被验证过
这些项目的规则清单大同小异：句子要长短参差，少用“首先、其次、最后”，删掉设问，少用比喻和排比，多加口语词，“值得注意的是”换成“说白了”。
其中只有一个项目认真测过。lieflat-less-ai-tone 的作者找了五个模型各写 60 篇，一共 300 篇，对照 329 篇人写的公开文章，总共 283 万字，把网上流传的 26 条判据挨个算了频率。
#chinese-de-ai-writing#lieflat-less-ai-tone#Claude Code#Claude#GPT-3.5#HC3