开源发现

Lieflat Less AI Tone：用283万字语料研究，重新理解中文写作的“AI味”

写中文时，很多人会凭破折号、排比句或频繁出现的“不是……而是……”判断一段文字有没有“AI味”。但这些判断往往来自个人印象，甚至可能把正常的人类表达也当成机器痕迹。开源项目 Lieflat Less AI Tone尝试换一种做法：先用中文语料对照检验常见的文风判断，再将有统计依据的特征整理成可供 AI写作工具使用的改写规则。

项目同时提供研究说明、数据与脚本，以及可直接交给支持 Agent Skill的工具使用的 SKILL.md。它的目标是清理生成文本中重复、机械的表达习惯，而不是保证任何文本都能被判断为人写的。

先看研究：哪些“AI味”有证据？

项目 README披露，其对照语料包含629篇文章、约282.7万汉字，其中300篇由五个模型在受控条件下生成，329篇为人类作者的公开文本。研究者比较了26项常见候选特征，并按不同语言单位计算出现频率。最终有11项通过其判定标准，另外15项未表现出可用的区分力，或呈现与常见印象相反的方向。

例如，研究报告指出，“不是 A而是 B”式对举在生成语料中的频率约为人类语料的3.4倍，相邻句子采用相似结构的频率约为2倍；不依托前文、突然在段首作概括性评论的现象约为4.4倍。相比之下，不能把“出现比喻”简单当成机器写作证据：在这组样本中，人类文本反而使用得更多。

研究还发现，不同模型的标点和小标题偏好并不一致。项目所列样本中，破折号频率在模型之间差异明显，因此某一种模型的写法不能直接概括所有生成文本。对普通写作者而言，这比“把所有破折号删掉”更有用：改稿时应检查具体句子的功能和上下文，而不是对某个符号执行无差别替换。

从研究到 Skill：有命中才改，改写不能改变事实

Lieflat Less AI Tone将研究结果转成了面向 Agent的文字处理规则。其 README强调白名单原则：只针对已纳入规则的特征处理，未命中规则的句子保持原样；标题层级、段落顺序、列表、表格和代码块的位置也不应为了“去味”随意调整。

另一条关键约束是信息守恒。改写不得凭空增加人名、数字、日期、引语、来源或因果，也不能删掉原文的观点与限定条件。比如，“可能提高效率”不能直接改成“提高效率”，因为这改变了原句的确定程度。对于技术文章、新闻稿和产品说明，这条约束尤其重要：读起来流畅不能以牺牲准确性为代价。

项目也明确排除了部分需要主观语义判断、难以转化为可靠自动规则的项目。例如，一处比喻是否贴切、一个设问是否有必要，不适合仅凭固定词表机械改写。换言之，这个 Skill更适合作为有边界的风格清理步骤，而非替作者做全部编辑判断。

如何安装与使用

如果你的 AI编程或写作环境支持 Skills，可以通过项目给出的命令安装：

npx skills add larashero3-dotcom/lieflat-less-ai-tone

安装后，向支持该 Skill的工具提交待处理文本，即可按规则执行。也可以阅读仓库中的 SKILL.md，将其中的指令用于支持自定义提示词的写作环境。不同工具的 Skill加载方式可能不同，实际使用时应以对应客户端的说明为准。

对于希望同时保留个人文风的作者，项目 README还说明了与 writing-dna-skill协同使用的方式：先利用个人写作风格材料确定目标表达，再清理生成文本中的机械痕迹；当个人风格材料与通用规则冲突时，优先尊重真实的个人写作特征。

研究有哪些边界？

这份研究的一个可取之处，是它公开记录了测量方法曾经出现的问题。项目说明，早期句长分析受到文本切分缺陷影响，修正后原本看似显著的差异消失；问句小标题的结果也曾因分母选择不当而被放大。这提醒使用者：频率数字是否可靠，取决于文本如何切分、计数规则如何定义，以及两组样本是否真正可比。

项目自身也列出方法限制，包括样本中的单模型抽样、分母选择，以及部分语料无法独立核验。因而，629篇文章中的频率差异不能直接等同于适用于所有中文写作场景的鉴别器，更不能据此断定某一篇文章必定出自人或模型。更合理的用法，是把这些规则当作有实验依据、但仍需作者审阅的编辑工具。

对于经常用 AI起草中文内容的人，这个项目提供了一种较克制的修改思路：先确认哪些句子确实命中了可描述的重复模式，再在不新增事实、不改变原意的前提下处理。改完后仍然需要人工检查信息、语气和上下文，尤其不能用“更像人写的”替代事实核对。