Humanize Chinese

---

name: humanize-chinese description: > Detect and humanize AI-generated Chinese text. 20+ detection categories, weighted 0-100 scoring with sentence-level analysis, 7 style transforms (casual/zhihu/xiaohongshu/wechat/academic/literary/weibo), sentence restructuring, context-aware replacement. Academic paper AIGC reduction for CNKI/VIP/Wanfang (知网/维普/万方 AIGC 检测降重), 10 academic detection dimensions, 120+ scholarly expression replacements, hedging language injection. Pure Python, no dependencies. v2.1.0 Use when user says: "去AI味", "降AIGC", "人性化文本", "humanize chinese", "AI检测", "AIGC降重", "去除AI痕迹", "文本改写", "论文降重", "知网检测", "维普检测", "AI写作检测", "让文字更自然", "detect AI text", "humanize text", "reduce AIGC score", "make text human-like", "去ai化", "改成人话", "去机器味", "降低AI率", "过AIGC检测" allowed-tools: - Read - Write - Edit - exec

---

Humanize Chinese AI Text v2.1

检测和改写中文 AI 生成文本的完整工具链。可独立运行（CLI），也可作为 LLM prompt 指南使用。

CLI Tools

所有脚本在 scripts/ 目录下，纯 Python，无依赖。

# 检测 AI 模式（20+ 维度，0-100 分）
python scripts/detect_cn.py text.txt
python scripts/detect_cn.py text.txt -v          # 详细 + 最可疑句子
python scripts/detect_cn.py text.txt -s           # 仅评分
python scripts/detect_cn.py text.txt -j           # JSON 输出
改写
python scripts/humanize_cn.py text.txt -o clean.txt
python scripts/humanize_cn.py text.txt --scene social -a   # 社交场景 + 激进模式
python scripts/humanize_cn.py text.txt --style xiaohongshu # 先改写再转风格
风格转换
python scripts/style_cn.py text.txt --style zhihu -o out.txt
前后对比
python scripts/compare_cn.py text.txt --scene tech -a
学术论文 AIGC 降重
python scripts/academic_cn.py paper.txt -o clean.txt --compare
python scripts/academic_cn.py paper.txt -o clean.txt -a --compare  # 激进

评分标准

| 分数 | 等级 | 含义 | |------|------|------| | 0-24 | LOW | 基本像人写的 | | 25-49 | MEDIUM | 有些 AI 痕迹 | | 50-74 | HIGH | 大概率 AI 生成 | | 75-100 | VERY HIGH | 几乎确定是 AI |

参数速查

| 参数 | 说明 | |------|------| | -v | 详细模式，显示可疑句子 | | -s | 仅评分 | | -j | JSON 输出 | | -o | 输出文件 | | -a | 激进模式 | | --seed N | 固定随机种子 | | --scene | general / social / tech / formal / chat | | --style | casual / zhihu / xiaohongshu / wechat / academic / literary / weibo | | --compare | 前后对比 |

工作流

# 1. 检测
python scripts/detect_cn.py document.txt -v
2. 改写 + 对比
python scripts/compare_cn.py document.txt -a -o clean.txt
3. 验证
python scripts/detect_cn.py clean.txt -s
4. 可选：转风格
python scripts/style_cn.py clean.txt --style zhihu -o final.txt

---

LLM 直接使用指南

当用户要求"去 AI 味"、"降 AIGC"、"人性化文本"、"改成人话"时，如果无法运行 CLI 工具，按以下流程手动处理。

第一步：检测 AI 写作模式

扫描文本中的以下模式，按严重程度分类：

#### 🔴 高危模式（一眼就能看出是 AI）

三段式套路：

首先…其次…最后

一方面…另一方面

第一…第二…第三

机械连接词： 值得注意的是、综上所述、不难发现、总而言之、与此同时、由此可见、不仅如此、换句话说、更重要的是、不可否认、显而易见、不言而喻、归根结底

空洞宏大词： 赋能、闭环、数字化转型、协同增效、降本增效、深度融合、全方位、多维度、系统性、高质量发展、新质生产力

#### 🟠 中危模式

AI 高频词： 助力、彰显、凸显、底层逻辑、抓手、触达、沉淀、复盘、迭代、破圈、颠覆

填充废话： 值得一提的是、众所周知、毫无疑问、具体来说、简而言之

模板句式：

随着…的不断发展

在当今…时代

在…的背景下

作为…的重要组成部分

这不仅…更是…

平衡论述套话： 虽然…但是…同时、既有…也有…更有

#### 🟡 低危模式

犹豫语过多（在一定程度上、某种程度上 出现 >5 次）

列举成瘾（动辄①②③④⑤）

标点滥用（大量分号、破折号）

修辞堆砌（排比对偶过多）

#### ⚪ 风格信号

段落长度高度一致

句子长度单调

情感表达平淡

开头方式重复

信息熵低（用词可预测）

第二步：改写策略

按以下顺序处理：

1. 砍掉三段式 把"首先…其次…最后"打散，用自然过渡代替。不是每个论点都要编号。

2. 替换 AI 套话

综上所述 → 总之 / 说到底 / （直接删掉）

值得注意的是 → （直接删掉，后面的话自己能说清楚）

赋能 → 帮助 / 支持 / 提升

数字化转型 → 信息化改造 / 技术升级

不难发现 → 可以看到 / （删掉）

助力 → 帮 / 推动

3. 句式重组

过短的句子合并（"他很累。他决定休息。" → "他累了，干脆歇会儿。"）

过长的句子拆开（在"但是""不过""同时"等转折处断开）

打破均匀节奏（长短句交替，不要每句差不多长）

4. 减少重复用词 同一个词出现 3 次以上就换同义词。比如"进行"可以换成"做""搞""开展""着手"。

5. 注入人味

加一两句口语化表达（场景允许的话）

用具体的例子代替抽象概括

偶尔加个反问或感叹

不要每段都总分总结构

6. 段落节奏 打破每段差不多长的格局。有的段落 2 句话，有的 5 句话，像人写东西时自然的长短变化。

第三步：学术论文特殊处理

当文本是学术论文时，改写规则不同——不能口语化，要保持学术严谨性：

学术专用检测维度： 1. AI 学术措辞（"本文旨在""具有重要意义""进行了深入分析"） 2. 被动句式过度（"被广泛应用""被认为是"） 3. 段落结构过于整齐（每段总-分-总） 4. 连接词密度异常 5. 同义表达匮乏（"研究"出现 8 次） 6. 引用整合度低（每个引用都是"XX（2020）指出…"） 7. 数据论述模板化（"从表中可以看出"） 8. 过度列举（①②③④ 频繁出现） 9. 结论过于圆满（只说好不说局限） 10. 语气过于确定（"必然""毫无疑问"）

学术改写策略：

替换 AI 学术套话（保持学术性）：

- 本文旨在 → 本文尝试 / 本研究关注 - 具有重要意义 → 值得关注 / 有一定参考价值 - 研究表明 → 前人研究发现 / 已有文献显示 / 笔者观察到 - 进行了深入分析 → 做了初步探讨 / 展开了讨论 - 取得了显著成效 → 产生了一定效果 / 初见成效

减少被动句：

- 被广泛应用 → 得到较多运用 / 在多个领域有所应用 - 被认为是 → 通常被看作 / 一般认为

注入学术犹豫语（hedging）：

在过于绝对的判断前加"可能""在一定程度上""就目前而言""初步来看"

增强作者主体性：

- 研究表明 → 笔者认为 / 本研究发现 - 可以认为 → 笔者倾向于认为

补充局限性：

如果结论段没有提到局限，补一句"当然，本研究也存在一定局限…"

打破结构均匀度：

调整段落长度，避免每段都一样。合并过短的段落，拆分过长的。

第四步：验证

改写完成后，用 CLI 工具验证效果：

python scripts/detect_cn.py output.txt -s

目标：通用文本降到 25 分以下，学术论文降到 30 分以下。

---

配置说明

所有检测模式和替换规则在 scripts/patterns_cn.json，可自定义：

添加新 AI 词汇

调整权重

增加替换规则

修改正则匹配

外部配置字段

critical_patterns    — 高权重检测（三段式、连接词、空洞词）
high_signal_patterns — 中权重检测（AI 高频词、模板句）
replacements         — 替换词库（正则 + 纯文本）
academic_patterns    — 学术专用检测与替换
scoring              — 权重和阈值配置