2000行规则对抗AI味：一个去味系统的底层拆解

作者：Conor Bronsdon
仓库：https://github.com/conorbronsdon/avoid-ai-writing
版本：v3.4.0 MIT
日期：2026-05-24

先来看一段文字。

Certainly! Acme Analytics, a vibrant startup nestled in the heart of Boulder's thriving tech ecosystem, has secured 💲40M in Series B funding — marking a watershed moment for the observability landscape. The platform serves as a unified hub, featuring real-time dashboards, boasting sub-second queries, and presenting a seamless integration layer. Moreover, experts believe Acme is poised to disrupt the market. In conclusion, the future looks bright!

这是 GitHub 上 avoid-ai-writing 仓库给出的标准 demo。短短一段，作者标出了十五处以上的 AI 味：chatbot 式开场白（"Certainly!"）、宣传腔（"vibrant"、"nestled"、"thriving"）、意义膨胀（"watershed moment"）、系动词规避（"serves as"、"featuring"、"boasting"）、空洞背书（"experts believe"）、填充词（"Moreover"）、以及套话结尾（"the future looks bright"）。

改写后只有一句话：

Acme Analytics raised a 💲40M Series B led by Sequoia. The Boulder-based startup makes an observability platform that runs queries in under a second and plugs into existing monitoring stacks without custom integration work.

两段文字的信息量其实没差多少。但第一段读起来像一份自动生成的通稿，第二段像人写的。

这就是 avoid-ai-writing 在做的事。不是换几个词那么简单，它要做的是把 AI 的统计平均拉回到具体的人类表达。

一、三层词汇梯度，不是黑名单

很多人看到这类工具的第一反应是：这不就是一个禁用词表吗？把 "leverage" 换成 "use"，把 "delve into" 换成 "explore"。

作者 Conor Bronsdon 显然想过这个问题。他把词汇分成了三个层级，这个设计本身就在说："我们不搞一刀切。"

Tier 1 — 见了就换。这些词在 AI 文本中的出现频率是人类的 5 到 20 倍。"tapestry"、"realm"、"paradigm"、"beacon"、"testament to"、"game-changer"、"watershed moment"、"only time will tell"——作者列了将近五十个。它们不是坏词，只是在 LLM 的输出分布里被过度采样了。

Tier 2 — 集群才报警。单独出现没问题，同一个段落里出现两个以上就要改写。"harness"、"navigate"、"foster"、"elevate"、"streamline"、"empower"——这些词在商务英语里本来就很常见，但 AI 喜欢把它们堆在一起。两个以上同时出现，就像听到一段旋律里所有和弦都按同一个套路走。

Tier 3 — 密度才触发。"significant"、"innovative"、"compelling"、"unprecedented"、"sophisticated"——这些词本身完全正常，只有当它们在全文中的密度超过某个阈值（大约 3%）时才被标记。AI 用这些词来填充空间，人类用它们的时候通常有具体所指。

这种分层设计有一个好处：它把"检测"变成了一个概率问题，而非二元判断。一个词是否该被标记，取决于它出现的上下文、频率、以及和哪些其他词一起出现。

二、六套场景配置，AI 味的容忍度是可调的

最有意思的设计是这个 skill 的 context profile 系统。同一套规则，在不同场景下的严格程度不一样。作者做了六套配置：

举个例子："robust"、"comprehensive"、"seamless" 在技术博客里不算 AI 味，因为它们是真实的技术术语。但在投资邮件里，"a robust ecosystem poised for transformative growth" 就是典型的宣传腔，额外严格。

这个设计揭示了一个深层事实：AI 味不是绝对的概念，而是相对于场景的预期表达。LinkedIn 上适度使用 bullet list 和 emoji 是正常的，在一篇深度分析里就成了痕迹。

三、四十二种痕迹的形态学

词汇表只是这个 skill 的一小部分。作者整理了四十二种 AI 写作痕迹，覆盖了从词汇到结构到节奏的各个层面：

格式层面：破折号滥用（每千字超过一个就算多）、粗体过度、标题 emoji、bullet list 过载（把本该写成段落的 pros 硬拆成列表）。

句式层面："It's not X, it's Y" 的虚假对立结构、空洞强调词（"genuine"、"truly"、"quite frankly"）、模棱两可的背书（"worth reading"、"worth exploring"）、叠加的谨慎用语（"could potentially"、"may eventually"）。

结构层面：段落长度均匀得像节拍器、开头永远先来一段宏大背景（"In the rapidly evolving world of..."）、三段式对称排比、数字列表膨胀（"Here are 7 reasons why..."）。

修辞层面：虚假让步（"While X is impressive, Y remains a challenge"——两边都是空话）、修辞疑问句拖延（"But what does this mean for developers?"——你知道答案就直接说）、括号式谨慎插入（"(and, increasingly, Z)"）。

元信息层面：Chatbot 礼貌语泄漏（"I hope this helps!"、"Great question!"）、AI 工具的 URL 追踪参数（"utm_source=chatgpt.com"）、内部引用标记泄漏（"citeturn0search0"、"[attached_file:1]"）。

节奏层面：作者特别强调了一点——结构上的规律性是头号检测信号。即使你把所有 Tier 1 的词都换了，只要句子长度均匀、段落大小一致、过渡词按固定套路排列，文字读起来仍然是 AI 的。Pangram（一个训练了 2800 万人类文档的分类器）把结构规律性排在词汇之前。

四、最被低估的一条规则："不要过度打磨"

skill 的最后一条规则让我印象深刻：

Aggressively editing out every irregularity can push human writing toward AI statistical profiles. Natural disfluency, idiosyncratic word choices, and uneven pacing are what keep text out of the "AI-generated" classification.

这句话的意思是：如果你把一篇人写的文章拿这套规则死磕，把所有不规则的地方都修掉，它反而会越来越像 AI 写的。因为 AI 的输出在统计上就是过度平滑的——句子长度均匀、语法完美无瑕、过渡词按标准模板排列。

人类的写作有磕磕绊绊、有重复、有突然出现的短句、有故意不完整的表达。这些东西在常规编辑中会被当成"问题"修掉，但在这个 skill 的框架里，它们恰恰是"人味"的来源。

这个规则的存在说明作者不是在追求"完美写作"，而是在追求"像人写的写作"。两者的标准不同。

五、诚实说说局限

作者在 skill 的一开头就放了这些数字：

• Stanford 的研究（Liang et al., 2023）：商业 AI 检测器对非英语母语写作者的误报率超过 60%。
• BFI 的工作论文（Jabarian & Imas, 2025）：开源检测器的整体误分类率超过 70%。
• arXiv:2506.07001（2025）：对抗性改写可以把检测准确率降低约 88%。

然后他说："This is a writing-quality tool, not a verdict."

这个态度很难得。他没有假装这套规则能"抓住所有 AI 写作"，也没有用它来指控别人。他明确说这是信号而非证据，值得据此修改自己的文字，但不值得据此毁掉别人的信誉。

这种诚实让这个 skill 从"检测工具"升级为"写作伴侣"。

六、费曼视角：为什么 AI 味本质上是统计平均

用费曼的方式想这件事：LLM 的核心是一个概率分布。它在每个位置选择下一个词的时候，选的是训练数据里最可能的那个。当数百亿参数都往同一个方向收敛，输出的文本在统计上就会趋近于一个"平均人类"——不犯错、不突兀、不偏执，但也因此失去了具体的人的所有特征。

"leverage" 比 "use" 更常出现在商务文本的训练数据里，所以 LLM 更倾向用它。"It's not X, it's Y" 这个句式在训练数据里被大量成功文章使用过，所以 LLM 复制它。三段式排比在修辞学教材里被反复教授，所以 LLM 默认用它。

avoid-ai-writing 的 2000 行规则，本质上是在做一件事：把 LLM 的统计平均重新拉回具体语境。不是"use 比 leverage 更好"，而是在这个具体句子、这个具体作者、这个具体场景下，"use" 是更准确的表达。

这也是为什么这个 skill 强调 context profile 和二度审计。第一轮改写后，AI 可能会引入新的平均化痕迹——换了词汇但保留了结构套路。所以要有第二轮，重新读一遍，看那些统计模式是否换了包装重新出现。

七、结语

Conor Bronsdon 两个月前发布了这个仓库，现在已经有 1400 个 star 和 142 个 fork。考虑到它只是一个 markdown 文件，没有任何代码、没有任何依赖、没有任何 API，这个传播速度说明了一件事：需求是真实的。

人们不是在找"更好的 AI 写作"，而是在找"更像人写的写作"。

这个 skill 的真正价值不在那 109 个替换词条里，而在于它建立了一套系统化的思考框架：AI 味可以从哪些维度被识别、不同场景下的容忍度如何调整、以及最重要的一点——过度追求完美本身就是一种 AI 味。

如果你在写作，无论是用 AI 辅助还是完全手写，这个 skill 都值得跑一次 detect 模式。不是为了"证明"什么，而是为了看看自己笔下的文字，有多少是统计平均的残留，还有多少是真实的声音。

信号，不是证明。值得据此修改，不值得据此指控。

参考与延伸阅读

• Conor Bronsdon, avoid-ai-writing (v3.4.0, MIT License): https://github.com/conorbronsdon/avoid-ai-writing
• Liang et al., "GPT detectors are biased against non-native English writers" (Patterns, 2023)
• Jabarian & Imas, BFI Working Paper 2025-116
• arXiv:2506.07001, adversarial paraphrase against AI detection

#tag #小凯 #AI写作 #写作工具 #LLM痕迹 #写作质量 #开源工具