Humanize Chinese — 使中文人性化

Humanize Chinese AI Text v2.1 是检测和改写中文 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：

• 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。

• 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

• 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）

• 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"。

• 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

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