humanizer
人话 (Humanizer)
AI文本人化处理技能，基于AIGC检测原理，将AI生成文本转化为自然人类语言。
Quick Commands
命令：功能说明
/人话 <文本>：对输入文本进行人化处理 /人话 --style formal <文本>：书面化人化处理 /人话 --style casual <文本>：口语化人化处理 /humanize ：Humanize AI-generated text (English) /detect <文本>：分析文本的AI特征 /demo：生成示例并演示完整处理流程
AIGC检测原理与反检测策略
主流检测方法
AIGC检测器主要基于以下原理工作：
困惑度 (Perplexity)：AI倾向于选择概率最高的词，困惑度低。人类写作困惑度高，会使用意外的词汇。AI文本困惑度低，用词"安全"、"正确"。
突发性 (Burstiness)：人类写作的句子长度和复杂度变化大。人类写作长短句穿插，节奏跳跃。AI文本句子长度均匀，节奏平稳。
词汇分布 (Token Distribution)：AI偏好常见词，人类会用更丰富的词汇。人类写作词汇多样，有生僻词、口语词。AI文本词汇集中在高频区域。
句式模式 (Sentence Pattern)：AI句式结构更规整、对称。人类写作句式多变，有倒装、省略、插入语。AI文本句式工整，主谓宾结构稳定。
过渡词频率 (Transition Words)：AI过度使用正式过渡词。人类写作过渡自然，少用"首先其次"。AI文本过度依赖"首先、其次、综上所述"。
内容深度 (Content Depth)：AI内容停留在概念层面。人类写作有具体案例、数据、个人经历。AI文本概念罗列，缺乏具体细节。
反检测策略总表
检测维度：AI特征 → 反检测策略
困惑度：用词安全、常见 → 使用意外的词汇、生僻词、口语词 突发性：句子长度均匀 → 长短句穿插，制造节奏变化 词汇分布：高频词为主 → 引入低频词、专业术语、俚语 句式模式：结构规整对称 → 打破对称，用倒装、省略、插入语 过渡词频率：高频使用 → 删除或替换为自然过渡 内容深度：概念空洞 → 加入具体数据、案例、细节
反检测详细策略
策略1：提高困惑度
原理：AI倾向于选择最可能的词汇，困惑度低。人类会使用"意外"的词汇。
操作方法：用具体词汇替换抽象词汇、用口语词替换书面词、用意外表达替换"正确"表达、加入个人感受和判断。
困惑度提升词汇表示例：
AI常用词 → 人化替换词 实现 → 搞定、弄成、跑通 进行 → 干、做、弄 具有 → 有、带着、有着 能够 → 可以、能、搞得定 提供 → 给、贡献、递过来 需要 → 得、必须、少不了
策略2：增加突发性
原理：AI句子长度均匀，人类长短句穿插。
操作方法：合并短句成长句、拆分长句成短句、加入极短的判断句（3-8字）、制造节奏变化。
突发性增强模式：
模式1：长句 + 短判断 ...（30字以上的长句）。这就是问题所在。 ...（复杂论述）。很难。
模式2：短句 + 解释 为什么？因为... 核心是什么？是...
模式3：多短句连击 这事不简单。涉及面广。利益盘根错节。
策略3：丰富词汇分布
原理：AI词汇集中，人类词汇多样。
操作方法：引入专业术语、引入口语词/俚语、引入方言或网络用语、避免重复用词。
策略4：打破句式模式
原理：AI句式工整，人类句式多变。
操作方法：使用倒装句、使用省略句、加入插入语、使用问句。
句式变换模式：
原句：A具有B的特点
变换1（倒装）：B，这是A的典型特征 变换2（省略）：A？B是肯定的 变换3（插入）：A，在我看来，具有B的特点 变换4（问句）：A有什么特点？B
策略5：删除/替换过渡词
原理：AI过度使用正式过渡词。
AI过渡词： 首先，...其次，...最后，... 一方面，...另一方面，... 综上所述，...
人化过渡：（删除"首先"，直接开始）再说一点：...还有个问题是...说到底，...关键在于，...
过渡词替换表：
AI过渡词 → 人化替代 首先 → （删除） 其次 → 再说一点、另外 最后 → 最后一点、补充一句 综上所述 → 说到底、归根结底 一方面...另一方面 → 先说...再说...、...但...
策略6：增加内容深度
原理：AI内容空洞，人类内容具体。
操作方法：加入具体数字、加入具体案例、加入具体时间/地点、加入个人观察。
深度增强检查清单：
是否有具体数字？ 是否有具体案例？ 是否有对比数据？ 是否有个人判断？ 是否有反面观点？
"一眼AI"特征库
最典型的"一眼AI"模式
这些模式几乎100%表明是AI生成：
模式1：加粗标题+冒号+相似句式
AI典型写法示例：
其一，信息来源分散。 用户在多个网站、APP之间反复切换，时间成本高企。
其二，语言障碍突出。 小语种信息的获取与理解，对普通用户而言几乎不可能。
其三，处理能力有限。 海量信息涌入后，提炼核心观点需要大量时间。
问题分析：加粗格式过于整齐、"其一、其二、其三"机械过渡、每句结构高度相似、冒号后的句子长度相近。
人化处理后：
用户面临的第一个问题是信息来源分散——在不同网站和APP之间来回切换，时间成本相当高。语言障碍也不容忽视，小语种信息普通人根本看不懂。至于处理能力，海量信息涌入后想提炼核心观点，确实需要花不少时间。
模式2："首先...其次...最后..."机械三段论
AI典型写法示例：
首先，从技术角度来看，人工智能具有强大的数据处理能力。 其次，从应用层面分析，AI已经渗透到各行各业。 最后，从发展趋势预测，人工智能将成为未来的核心技术。
人化处理后：
人工智能最核心的优势是数据处理能力。这一点在各行各业的应用中已经得到验证——医疗、金融、制造，几乎没有AI涉足不到的领域。更值得期待的是其发展潜力，AI很可能成为下一轮技术革命的核心引擎。
模式3："一方面...另一方面..."对称结构
AI典型写法示例：
一方面，区块链技术具有去中心化、不可篡改等优势；另一方面，其扩展性和性能问题仍是亟待解决的挑战。
人化处理后：
区块链的去中心化和不可篡改性确实是其核心优势。但问题也很明显——扩展性和性能瓶颈一直没解决。
模式4："综上所述/总而言之"总结句
AI典型写法示例：
综上所述，人工智能技术的发展前景广阔，但同时也面临诸多挑战。我们需要在推动技术创新的同时，关注其潜在风险。
人化处理后：
AI的发展前景值得期待，但风险同样不可忽视。关键在于如何在创新和风险之间找到平衡——这不是技术问题，而是治理问题。
处理流程
输入文本 → "一眼AI"检测 → 风格判断 → 策略选择 → 迭代优化 → 输出结果+报告
"一眼AI"检测：检测加粗标题+冒号、其一其二其三、首先其次最后、句式重复度等特征。
风格判断：确定口语化还是书面化。
策略选择：根据检测结果和风格选择改写策略。
迭代优化：多轮迭代直到达到目标AIGC率。
输出结果：展示改写前后对比和详细报告。
处理示例
示例1：打破"其一其二其三"
输入（AI率98%）：其一，信息来源分散。 用户在多个网站、APP之间反复切换，时间成本高企。其二，语言障碍突出。 小语种信息的获取与理解，对普通用户而言几乎不可能。其三，处理能力有限。 海量信息涌入后，提炼核心观点需要大量时间。
处理步骤：删除加粗和"其一其二其三"、打散句式结构、用口语化表达、有详有略。
输出（AI率25%）：用户面临的第一个问题是信息来源分散——在不同网站和APP之间来回切换，时间成本相当高。语言障碍也不容忽视，小语种信息普通人根本看不懂。至于处理能力，海量信息涌入后想提炼核心观点，确实需要花不少时间。
示例2：打破"首先其次最后"
输入（AI率95%）：首先，从技术角度来看，人工智能具有强大的数据处理能力。其次，从应用层面分析，AI已经渗透到各行各业。最后，从发展趋势预测，人工智能将成为未来的核心技术。
输出（AI率22%）：人工智能最核心的优势是数据处理能力。这一点在各行各业的应用中已经得到验证——医疗、金融、制造，几乎没有AI涉足不到的领域。更值得期待的是其发展潜力，AI很可能成为下一轮技术革命的核心引擎。
示例3：删除"综上所述"
输入（AI率92%）：综上所述，人工智能技术的发展前景广阔，但同时也面临诸多挑战。我们需要在推动技术创新的同时，关注其潜在风险。
输出（AI率20%）：AI的发展前景值得期待，但风险同样不可忽视。关键在于如何在创新和风险之间找到平衡——这不是技术问题，而是治理问题。
示例4：替换空洞套话
输入（AI率89%）：数字经济的发展对传统产业转型具有深远意义。它不仅提供了新的技术手段，也推动了商业模式的创新。
输出（AI率18%）：数字经济正在重塑传统产业。这不是简单的技术升级，而是商业模式的根本变革。那些还在观望的企业，恐怕很快就会发现已经掉队了。
书面化人化五原则
- 有取舍：不追求全面，聚焦核心问题
- 有立场：敢于表达判断，有明确观点
- 有分析：提出问题，剖析本质
- 有证据：引用具体数据、案例、研究
- 有痕迹：展现推理过程，承认不确定性
Rules
- rules/ai-features.md：AI文本特征识别规则
- rules/humanization.md：口语化人化策略
- rules/formal-humanization.md：书面化人化策略
- rules/iteration.md：迭代优化流程
- rules/examples.md：更多示例和案例
- rules/detection-methods.md：AIGC检测方法总结
配置选项
参数默认值说明：
target_rate：30，目标AIGC率(%) style：auto，风格选择，可选 auto/formal/casual max_iterations：10，最大迭代次数 preserve_meaning：true，保留原文语义 language：auto，语言选择，可选 auto/zh/en