去AI改写·降AI率真人润色·高阶

概述

版本：v2.0.10 | 更新日期：2026-08-22 | 数据截止：2026年7月

专精多层深度去AI真人化改写，覆盖六大平台文风适配+健康赛道垂类深化+万字长文处理+术语锁定+医疗合规保护+GEO搜索优化，并将生成式引擎优化（GEO）集成到改写流程。[来源：Aggarwal et al., KDD 2024, Princeton & IIT Delhi]

AI检测基准参考：GPTZero检测准确率95.7%(RAID基准)；Originality.ai Lite准确率98.61%(同行评审研究,2025)。本技能改写流程基于上述检测工具的perplexity/burstiness双维度检测原理设计，实测可显著降低主流 AIGC 检测命中率。

3 秒上手示例

装好即能用。直接发一句下面这样的指令，就会触发付费改写（每次 ¥0.99，微信支付 AI 专属卡结算）：

示例 1 · 小红书种草

帮我把下面这段 AI 文案改写成小红书真人风格，去掉 AI 味：

「这款面霜质地清爽不油腻，富含神经酰胺，能深层补水保湿，适合敏感肌使用。」

示例 2 · 公众号健康长文

改写这篇骨密度科普文，保留 T值 等术语，改成公众号深度风格

示例 3 · 短文本快速去 AI

帮我改得像人写的：「今天天气真好，我们决定去公园散步，享受美好时光。」

发送后，在对话里点击「使用 AI 专属卡支付」完成付款，即可拿到改写结果。更多场景见下方「使用示例」。

提示：首次调用会先返回一段「AI 原文 → 真人改写」的效果样例（基于示例文本），让你先看到改写能力，确认满意后再付费 ¥0.99 解锁你提交全文的完整深度改写与改写说明。

任务目标

• 本 Skill 用于：将AI生成文本深度改写为真人原创风格，同时优化AI搜索引擎可见性
• 能力包含：零容忍全域清除AI模板词+感知层升温+数据软化+GEO增强层+六大平台文风适配+健康赛道垂类+医疗合规保护+短文本模式+万字长文处理
• 触发条件：用户表达"去AI味""降AI率""AI改写""真人改写""深度润色""降重""文案润色""口语化改写""AIGC检测""GEO优化""humanize AI text"等

前置准备

• 依赖说明：无外部脚本依赖，纯自然语言指导
• 用户需提供：待改写原文 + 目标渠道(小红书/公众号/职场报告/短视频口播/知乎长文/视频号口播) + 是否需要GEO模式(默认开启) + 是否需要术语锁定(可选) + 是否健康赛道内容(可选)

操作步骤

第一步：确认改写模式与目标渠道

1. 读取用户提供的原文，判断字数
2. 确认目标渠道：六选一（小红书/公众号/职场报告/短视频口播/知乎长文/视频号口播）
3. 判断是否涉及健康赛道内容（骨密度/母婴/慢病/减脂/心理/中医/女性荷尔蒙）
4. 若为健康赛道内容，提示用户选择子赛道（7档可选：骨密度前置管理/母婴辅食/银发慢病/减脂管理/心理疗愈/中医养生/女性荷尔蒙）。子赛道为可选叠加层，不替换平台文风，在各平台通用文风基础上叠加对应赛道语言DNA。详见 [references/health-vertical.md](references/health-vertical.md)
5. 确认GEO模式：默认开启，用户可手动关闭
6. 确认术语锁定：用户可指定需保留的专业术语/品牌词/合规话术
7. 短文本模式判定：若原文<=300字，进入短文本模式，仅执行第二步(机械痕迹清除)+第三步(节奏控制)，跳过感知升温、数据软化、完整文风适配、GEO增强层、预览模式

第1.5步：术语锁定执行

改写前必须完成术语锁定扫描：

1. 扫描用户指定的锁定词，在全文标记为不可修改
2. 自动识别并锁定以下内容：
   • 专业术语（如"骨密度""T值""双能X线吸收法"）
   • 品牌词/产品名
   • 人名/机构名/指南名/文献名
   • 数据数值（如"500字""3000字""14大类"）
3. 锁定词在改写过程中原样保留，不做任何替换、拆分、解释或语序调整
4. 合规话术锁定（健康赛道必选）：
   • 免责声明句式白名单（改写后原样保留）：如"以上建议不构成医疗诊断""请咨询专业医师""个体情况请以医生建议为准"
   • 证据引用格式白名单（改写后原样保留）：如"根据中国居民膳食指南2022版""参照《中国骨质疏松症诊疗指南》""WHO建议…"
   • 合规红线：改写后不得出现具体药名推荐、不得声明疗效、不得涉诊断建议
   • 详见 [references/health-vertical.md](references/health-vertical.md)

第二步：机械痕迹清除（零容忍全域清除）

[来源：14大类AI模板词基于GPT-4/Claude 3.5输出语料库高频词统计，参考ACL 2024 LLM输出特征分析]

逐句扫描并替换以下14大类AI模板表达，替换词池基于语言学语料库自然表达变异研究：

第三步：句式脱模与节奏控制

[来源：句式节奏设计参考GPTZero检测原理——AI文本突发性(burstiness)接近0，人类写作突发性显著更高。来源：GPTZero技术文档]

1. 打破AI句式模板：
   • 消除"主谓宾"匀速排列，混入倒装句/省略句/反问句/感叹句
   • 每段开头不用相同句式结构
   • 删除所有"的"字堆砌（连续3个"的"必须改写）
2. 节奏控制：
   • 长短句交错：每3-5个长句(>20字)后插入1个短句(<10字)
   • 段落长度不一：避免每段都是3-4句的均匀分布
   • 适当使用不完整的口语化表达（如"说白了""你想想""对吧"）

第四步：感知层升温

[来源：500字升温密度规则参考认知负荷理论——工作记忆容量有限(Miller,1956; Cowan,2001)，需定期注入新异刺激维持注意力]

AI文本最大的破绽不是用词，而是"没有感知"。每500字至少植入1处以下感知细节：

1. 身体感知：温度/触感/气味/声音/肌肉记忆（"冬天手伸进冷水那种刺骨感"）
2. 情绪波动：犹豫/纠结/后悔/突然想通/自我怀疑（"说实话我纠结了三天"）
3. 生活碎片：具体场景/时间点/天气/对话片段（"上周三下午在超市货架前"）
4. 认知过程：走弯路/犯错/推翻重来/灵光一现（"一开始我也以为…后来发现完全搞反了"）
5. 主观判断：偏见/喜好/厌恶/不确定（"我个人觉得这个说法有点过了"）

第五步：数据软化与表达转化

将AI式的"数据堆砌"转化为人类的"经验表达"：

第六步：多平台文风适配

[来源：各平台文风特征参考各平台官方创作者指南及新榜《微信公众号内容趋势报告》(2024)、飞瓜/蝉妈妈平台内容趋势数据]

根据用户选择的目标渠道，将改写后的文本进一步适配对应平台文风：

6.1 小红书模式：种草体+情绪共鸣+emoji点缀；短句为主，每段不超过3行；多用"姐妹们""宝子们""绝绝子""真的会谢""谁懂啊"等社区表达；标题要有数字+情绪词+悬念

6.2 公众号模式：深度长文+逻辑链+专业背书；可用较长段落，但每段必须有明确论点；多用"你有没有发现""说到底""换个角度想"等引导式表达；结尾要有价值升华或行动号召

6.3 职场报告模式：结构化+简练+结果导向；多用小标题+要点列表；语言正式但不刻板，避免口语化；数据呈现用"同比增长XX%""环比提升XX"等职场表达

6.4 短视频口播模式（抖音）：强钩子+快节奏+情绪冲击；前3秒必须有悬念/冲突/反常识；句子极短，适合口播朗读；多用"你知道吗""万万没想到""划重点"等口播钩子；结尾要有互动引导

6.5 知乎长文模式：论证体+数据支撑+引用链；段落可长，但逻辑必须严密；多用"从XX角度来看""这里有个关键问题""回到题主的问题"等知乎体；适当引用论文/报告/专业来源

6.6 视频号口播模式：熟人转发+朋友圈级信任度+温和亲近+生活化叙事；语速感比抖音慢半拍，像跟老朋友聊天；多用"跟大家聊聊""我最近遇到个事""你们有没有过这种经历"；结尾温和引导"觉得有用就转发给需要的人"

健康赛道叠加（可选）：若用户选择了健康子赛道，在上述平台文风基础上叠加对应赛道的语言DNA。详见 [references/health-vertical.md](references/health-vertical.md)

第七步：AI残留痕迹自查清单

改写完成后，逐项检查：

• [ ] 是否还有AI模板词残留（14大类逐一核对）
• [ ] 句式是否还有匀速排列（检查每段开头是否重复）
• [ ] 是否有感知细节（每500字至少1处）
• [ ] 数据是否已软化（无生硬的"研究表明"）
• [ ] 是否符合目标平台文风
• [ ] 术语锁定词是否原样保留
• [ ] 合规话术是否原样保留（健康赛道）
• [ ] 短文本模式是否已跳过不适用的步骤（<=300字时）

第7.5步：GEO友好度优化（可引用性增强）

[来源：GEO优化策略参考Aggarwal et al., KDD 2024, GEO-Bench基准测试——添加引用可提升可见性40%，添加数据提升30%，注明出处提升25%]

GEO模式开启时，在改写过程中同步执行以下优化：

7.5.1 可引用金句植入

• 每800-1000字植入1句"可被AI搜索引擎直接引用的结论性陈述"
• 金句特征：独立成立、有信息增量、无上下文依赖、可脱离原文被引用
• 格式：定义句("XX的本质是…")/对比句("A与B的核心区别在于…")/因果句("X导致Y的机制在于…")

7.5.2 主题句显式化

• 每段首句必须是该段核心观点的完整概括（AI搜索引擎按段抓取）
• 禁止首句为过渡句或设问句（"接下来我们聊聊…"→改为直接陈述观点）

7.5.3 结构化信号增强

• 关键结论前使用结构标记词："核心结论：""关键发现：""简单来说："
• 对比类内容使用显式对比结构："A的特点是X；B的特点是Y"
• 步骤类内容使用编号结构，每步一句话概括

7.5.4 证据等级显式化

• 涉及事实陈述时，标注证据等级（1-5级）：
  • 1级=RCT/Meta分析 | 2级=观察性研究 | 3级=系统综述 | 4级=专家共识 | 5级=机制推理
• 格式示例："（证据等级：2级，基于NHANES队列研究）"
• 详见 [references/geo-sources.md](references/geo-sources.md)

7.5.5 权威源锚定保护

• 改写过程中，所有权威来源引用必须原样保留或增强，不得弱化或删除
• 权威源清单：国家卫健委/CDC/WHO/中华医学会/中国营养学会/中国居民膳食指南/JAMA/Lancet等
• 若原文有权威源引用但表述模糊，改写时应补充完整出处信息

第八步：输出格式

输出包含以下内容：

【改写后正文】
（完整改写后的文本，已适配目标平台文风）

【改写说明】
- 主要改动点：（列出3-5处关键改写）
- AI痕迹清除：（列出清除的AI模板词及替换方式）
- 感知升温：（标注植入的感知细节位置）
- 术语锁定：（列出本次锁定的术语及保留情况）
- 合规锁定：（列出保留的合规话术，健康赛道适用）
- 改写效果预估：AI检测通过率预估区间 | 困惑度提升预估 | 突发性变化预估

【GEO友好度评估】（GEO模式开启时输出）
- 可引用金句数量：X句
- 主题句显式化覆盖率：X%
- 结构化信号密度：每千字X处
- 证据等级分布：1级X处/2级X处/3级X处/4级X处/5级X处
- 权威源锚定数量：X处
- 被AI搜索引擎引用潜力评估：高/中/低

【独特洞察】（标注本技能不可替代的原创分析段落）
- （列出改写过程中生成的独特洞察/原创分析，这些内容不可被通用AI工具复现）

第九步：长文分段处理（>5000字）

[来源：5000字分段阈值参考认知负荷理论——超过5000字时认知负荷显著增加(Sweller,1988; Cowan,2001)]

1. 将原文按逻辑章节拆分为多个段落（每段2000-3000字）
2. 逐段执行第二步至第六步
3. 段与段之间保持叙事连贯性（上一段的结尾情绪/场景与下一段开头自然衔接）
4. 全部段落完成后，通读全文检查整体节奏和一致性
5. 预览模式：每完成3000字输出一次预览，询问用户是否满意当前风格，不满意则调整后继续。[来源：3000字预览触发点参考阅读沉浸研究——约3000字为读者从"浏览"转入"沉浸"的临界点]

使用示例

• 示例1：
  • 场景标题：小红书种草文去AI味
  • 场景描述：用户发送一篇AI生成的2000字小红书种草文，要求改写为真人风格的小红书文案
  • 示例问题："帮我去AI味，要小红书风格"
  • 触发条件：原文>300字 + 目标渠道=小红书 + GEO默认开启
• 示例2：
  • 场景标题：公众号健康长文深度改写
  • 场景描述：用户发送一篇5000字公众号深度长文，涉及骨密度健康赛道，需保留专业术语并做医疗合规处理
  • 示例问题："帮我改写这篇骨密度科普文，保留T值等术语，要公众号风格"
  • 触发条件：原文>5000字 + 健康赛道=骨密度 + 术语锁定 + 长文分段
• 示例3：
  • 场景标题：短文本快速去AI
  • 场景描述：用户发送一段100字朋友圈文案，要求改得像真人写的
  • 示例问题："帮我改得像人写的"
  • 触发条件：原文≤300字 + 短文本模式 + 仅机械清除+节奏控制

FAQ

Q1：GEO模式什么时候需要关闭？当文本仅用于私域场景（朋友圈/私信/内部文档）且不需要被AI搜索引擎索引时，可关闭GEO模式以专注去AI效果。公开发布的内容（公众号/小红书/知乎/视频号）建议保持GEO开启。

Q2：术语锁定怎么设置？在提交原文时一并告知需要锁定的词汇，如"请保留'骨密度''T值''双能X线吸收法'这些术语"。不指定时，技能会自动识别专业术语并锁定。

Q3：长文分段改写后，段与段之间衔接不上怎么办？第九步已设计衔接机制：每段改写时会参考上一段结尾的情绪/场景，确保自然过渡。全部段落完成后需通读全文检查一致性。如仍有断裂感，可要求"请优化第X段和第Y段之间的衔接"。

Q4：短文本（<=300字）为什么跳过感知升温和GEO？短文本空间有限，植入感知细节会挤占核心信息；GEO结构化标记在短文本中无法有效展开。仅执行机械痕迹清除+节奏控制即可达到最佳效果。

Q5：改写后AI检测通过率大概能到多少？基于GPTZero/Originality.ai检测逻辑的预估：纯AI原文通过率约5-15%，经本技能改写后预估提升至70-90%区间。实际效果因原文长度、领域、AI模型版本而异。

Q6：健康赛道子模式必须选吗？不必须。健康赛道子模式是可选叠加层，不选则走通用平台文风。但若内容涉及骨密度/母婴/慢病/减脂/心理/中医/女性荷尔蒙等垂直领域，建议选择对应子赛道以获得更精准的语言DNA适配。

参考文献

学术论文

1. Aggarwal, M. et al. "GEO: Generative Engine Optimization." KDD 2024. Princeton & IIT Delhi.
2. Sadasivan, V.S. et al. "Can AI-Generated Text be Reliably Detected?" arXiv:2303.11156, 2023. U of Maryland.
3. Mitchell, E. et al. "DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature." ICML 2023. Stanford.
4. Gaggar, R. et al. "Machine-Generated Text Detection using Deep Learning." arXiv:2311.15425, 2023.
5. Miller, G.A. "The Magical Number Seven, Plus or Minus Two." Psychological Review, 1956.
6. Cowan, N. "The magical number 4 in short-term memory." Behavioral and Brain Sciences, 2001.
7. Sweller, J. "Cognitive load during problem solving: Effects on learning." Cognitive Science, 1988.

行业报告与工具

1. RAID Benchmark: Robust AI Detection Study. Originality.ai #1 in AI Detection, 2024.
2. Originality.ai Lite/Turbo Performance. Peer-reviewed study on AI text detection in academic writing, 2025.
3. GPTZero Technical Documentation. Perplexity & Burstiness Detection. gptzero.me.
4. CNNIC《中国互联网络发展状况统计报告》(第53次, 2024).
5. 新榜《微信公众号内容趋势报告》(2024).

详细参考数据见 [references/geo-sources.md](references/geo-sources.md) | 健康赛道详见 [references/health-vertical.md](references/health-vertical.md)

时效声明

• 当前版本：v2.0.0（2026-07-31）
• 本技能方法论基于2026年7月可用信息，AI检测工具与生成式引擎算法持续迭代，建议每季度检查更新
• 当前适配模型：GPT-4/GPT-4o/Claude 3.5/Gemini 2.0等主流模型输出特征；新模型发布后可能需补充特征库
• 当前适配检测工具：GPTZero/Originality.ai/Turnitin/Copyleaks等主流检测工具检测逻辑
• 当前适配平台：小红书/公众号/抖音/知乎/视频号（2026年7月各平台文风偏好）

资源索引

• 参考：见 [references/health-vertical.md](references/health-vertical.md)（健康赛道7档子模式语言DNA+医疗合规规则；何时读取：用户选择健康赛道子模式时）
• 参考：见 [references/geo-sources.md](references/geo-sources.md)（GEO参考来源与基准数据：AI检测论文、认知科学研究、检测工具基准、行业报告；何时读取：需要引用具体研究数据或验证参数依据时）

注意事项

• 仅在用户选择健康赛道或需要引用研究数据时才读取参考文件，保持上下文简洁。
• 改写过程中术语锁定和合规锁定优先级最高，不可被任何改写规则覆盖。
• 充分利用智能体的语言创造能力，本技能提供的是改写框架和质量标准，具体表达由智能体生成。

付费与调用协议

以下为 Pay Skill 支付协议技术文档（Agent 与审核必读，用户可折叠）。

无需任何前置检查：Agent 直接发起改写请求即可，是否开通「微信支付 AI 专属卡」由 WorkBuddy 在 402 支付环节自动判断并引导用户一次性完成开通+扣款，不要在调用前主动查询或拦截。

<details> <summary>## 工作流程</summary>

工作流程

本 Skill 是 Pay Skill，每次调用 ¥0.99，微信支付 AI 专属卡结算。以下为完整的 4 步支付调用链路，Agent 必须严格按顺序执行。

第一步：请求资源

Agent 向支付网关发起第一次请求（此时用户尚未支付）：

POST https://pay.douxintech.com.cn/run/de-ai-rewrite-pro
Content-Type: application/json

{
  "original_text": "用户提供的 AI 生成原文",
  "channel": "official_account",
  "geo_mode": true,
  "term_lock": ["骨密度", "T值"],
  "health_vertical": "bone_density"
}

第二步：处理 402 响应

第一次请求会返回 HTTP 402 Payment Required。Agent 必须提取以下两个 Header 并全部保存（缺一不可）：

示例响应：

HTTP/1.1 402 Payment Required
WeixinPay-Required: xY9zAbc123def456
X-Out-Trade-No: WX402_20260809120000abcdef123456

{
  "code": "PAYMENT_REQUIRED",
  "message": "需要支付后才能获取改写结果",
  "WeixinPay": {
    "WeixinPay-Required": "xY9zAbc123def456",
    "prompt": "本次使用微信支付，请将 WeixinPay-Required 的值作为 paymentCode 交给 weixinpay_pay，以向用户申请支付授权。"
  },
  "out_trade_no": "WX402_20260809120000abcdef123456",
  "amount": "0.99",
  "currency": "CNY"
}

第三步：发起支付

Agent 将第二步保存的 WeixinPay-Required 值作为 paymentCode，调用 weixinpay_pay 向用户申请支付授权。用户在对话中点击「使用 AI 专属卡支付」完成付款。

第四步：支付成功后获取资源（⚠️ 必须执行）

这是最容易被 Agent 遗漏的一步。不执行此步骤永远拿不到付费内容！

支付成功后，Agent 必须立即再次请求同一接口，并在 Header 中携带第二步保存的两个值：

POST https://pay.douxintech.com.cn/run/de-ai-rewrite-pro
WeixinPay-Required: xY9zAbc123def456
X-Out-Trade-No: WX402_20260809120000abcdef123456
Content-Type: application/json

{
  "original_text": "用户提供的 AI 生成原文",
  "channel": "official_account",
  "geo_mode": true,
  "term_lock": ["骨密度", "T值"],
  "health_vertical": "bone_density"
}

⚠️ 关键约定：

• Body 必须与第一步完全一致
• 必须同时携带 WeixinPay-Required 和 X-Out-Trade-No 两个 Header
• 不携带 X-Out-Trade-No Header 重试，永远拿不到付费内容
• 同一 X-Out-Trade-No 只履约一次（幂等保护），重复请求返回缓存结果

退款 / 未支付 / 异常处理

禁止行为：

• 用户未完成支付授权前，不得调用本 Skill
• 用户拒绝支付后，不得反复重试或追问

关键产物

• 输出：改写后正文 + 改写说明（主要改动点 / AI痕迹清除 / 感知升温 / 术语锁定 / 合规锁定 / 效果预估）+ GEO友好度评估（金句数 / 主题句覆盖率 / 证据等级 / 权威源锚定）
• 响应耗时：短文本(≤300字)约 3-5 秒；常规长度(500-3000字)约 8-15 秒；万字长文分段处理约 30-90 秒
• 单次费用：¥0.99（微信支付 AI 专属卡结算）

请求参数

</details>

<details> <summary>## 价格与计费说明</summary>

价格与计费说明

• 单次调用价格：¥0.99（99 fen）
• 计费模式：按调用量计费（per_call），用户每完成一次调用按单价结算
• 扣费时机：用户在对话中点击「使用 AI 专属卡支付」后立即扣款
• 结算主体：深圳市南山区西丽街道豆信信息技术工作室
• 微信商户号：1114728210
• 结算周期：T+1（次工作日），由 SkillHub 统一结算至绑定商户号账户
• 退款规则：支付后 5 分钟内若调用未执行，全额退款；执行后因涉及 LLM 调用成本不退款；重复扣款自动退款（详见退款政策）

</details>

<details> <summary>## 调用范围</summary>

调用范围

• 单用户每日上限：100 次（防滥用，超出后返回 429）
• 单次请求超时：120 秒（万字长文分段处理场景）
• 并发限制：5 线程
• 限频策略：同一用户 1 分钟内不超过 5 次调用
• 适用市场/平台：WorkBuddy、ima 等支持 SkillHub Pay Skill 的 Agent 平台
• 容错策略：LLM API 调用失败自动重试 3 次；DeepSeek 服务不可用时降级返回原始文本 + 简易机械痕迹清除

</details>

<details> <summary>## 结果回流</summary>

结果回流

调用成功后返回结构化 JSON 结果：

{
  "status": "success",
  "report_path": "/opt/stock-screener/output/rewrite_xxx.html",
  "summary": {
    "rewritten_text": "<改写后正文>",
    "channel": "xiaohongshu",
    "geo_mode": true,
    "changes_applied": ["AI模板词清除", "感知升温", "句式脱模", "数据软化", "GEO优化"]
  },
  "metrics": {
    "geo_score": 7.5,
    "ai_template_removed": 23,
    "perception_inserted": 4,
    "term_locked": 6,
    "word_count_before": 2000,
    "word_count_after": 2100
  },
  "duration": 15
}

调用失败时返回：

{
  "status": "error",
  "error_code": "LLM_TIMEOUT",
  "message": "LLM API 调用超时，请稍后重试",
  "retryable": true
}

错误码说明：

</details>