shield_lock
JinDaGe
← Back to skills
extension
Category: Content & MediaNo API key required

ai-vibe-detector

-

personAuthor: jakexiaohubgithub
open_in_newRepositorydownloadDownload package

AI Vibe Detector

分析文本中的 AI 风格信号、AI 润色痕迹、误判风险，并提供自然化改写建议。

When to Use This Skill

Trigger this skill when the user:

  • 要求检查文本是否像 AI 写的
  • 问“这篇文章 AI 味重吗”
  • 需要去 AI 化或改得更自然
  • 想知道某段文字会不会被 AI 检测器误伤
  • 提到“朱雀检测”“AI 检测风险”等平台或检测场景

Do not frame the task as:

  • 保证通过 AI 检测
  • 绕过、欺骗、击败某个检测器
  • 证明文本一定是 AI 或一定是人写

Core Workflow

  1. 获取待分析文本，先区分正文、引用、代码、命令、提示词和模板内容。
  2. 判断文本类型：
  • 叙述 / 观点文
  • 技术说明 / 文档
  • 公告 / 营销文
  • 学术 / 正式写作
  • 混合内容
  1. 从四层信号分析文本：
  • 高置信结构信号
  • 中置信语言信号
  • 低置信平台启发式
  • 反误判信号
  1. 输出结论标签、置信度、误判风险，而不是只给一个总分。
  2. 如果用户要求改写，优先做“降低模板感、增加具体性、保留原意”的自然化修改。

Output Format

Use this output structure by default:

结论：更像 AI 风格化写作 / 更像 AI 润色痕迹 / 更像人工原生写作 / 证据不足
置信度：低 / 中 / 高
误判风险：低 / 中 / 高

主要依据：
1. ...
2. ...
3. ...

反误判因素：
1. ...
2. ...

如果要改：
- 优先改哪些位置
- 为什么这些位置最像模板化表达
- 给 1-3 个局部改写示例

If the user explicitly wants a score, use a secondary score only:

  • AI 风格风险：0-10
  • Always pair it with confidence and false-positive risk
  • Never present the score as proof of authorship

Analysis Framework

1. High-Confidence Structural Signals

Look for:

  • 模板化开头和结尾反复出现
  • 段落长度和节奏异常均匀
  • “定义 -> 展开 -> 总结”结构过于稳定
  • 每段都像完成一个标准小节，没有自然跳跃
  • 大量总结句、收束句、过度照顾读者理解

These signals are stronger when they appear together.

2. Medium-Confidence Language Signals

Look for:

  • 连接词密度偏高
  • 空泛抽象名词偏多，具体信息偏少
  • 情绪过稳、判断过平滑
  • 同义改写很多，但真实信息增量很少
  • 明显“像在写一篇合格答案”而不是“像在表达一个具体的人”

3. Low-Confidence Platform Heuristics

These can raise detector risk but are not reliable authorship evidence:

  • 序号、列表、括号、破折号
  • 段末标点高度一致
  • 某些连接词或总结词
  • 口语化不足或过度工整

Use these only as weak indicators.

4. False-Positive Protection

Before calling something “AI 味重”, check whether the style is explained by:

  • 技术文档、SOP、教程、FAQ
  • 学术 / 公文 / 正式说明文体
  • 引用、法规、公告、品牌规范
  • 代码、命令、表格、清单
  • 用户给模型的 prompt，而不是最终成文
  • 人写后被工具轻度润色，而不是纯 AI 生成

Decision Labels

Prefer one of these labels:

更像人工原生写作

  • 有真实选择痕迹
  • 有非模板化取舍
  • 具体细节和节奏变化自然

更像 AI 风格化写作

  • 模板感强
  • 结构和语气过稳
  • 抽象总结多于具体经验

更像 AI 润色痕迹

  • 原始观点可能是人的
  • 但措辞被统一抛光、平滑、标准化
  • 常见于“人写初稿 + AI 改顺”场景

证据不足

  • 文本太短
  • 类型本身高度模板化
  • 引用/代码/清单占比太高

Zhuque and Similar Detector Risk

When the user mentions 朱雀或类似检测器:

  • Explain that these tools often react to highly regular structure, overused transitions, and polished-but-generic prose
  • Treat platform-specific rules as heuristics, not facts
  • Do not say “这样改就一定能过”
  • Say “可能降低被判为模板化写作的风险”，not “保证通过检测”

For this case, add:

  • 平台风险信号
  • 误判风险
  • 更稳妥的自然化建议

Rewrite Guidance

If the user asks to humanize the text:

  • 优先删“空泛总结”和“万能连接词”
  • 保留原文观点，不靠随机口语词堆砌
  • 增加可验证的细节、具体对象、具体动作
  • 允许节奏不完全对称
  • 局部加入真实视角，但不要凭空捏造经历

Avoid:

  • 强行加“我觉得”“说真的”“绝了”之类口头禅
  • 为了“像人”故意制造病句
  • 凭空添加个人经历、时间、地点
  • 面向某个检测器定向调参式改写

Resources

Use references selectively:

  • references/official-detector-landscape.md - Official product positioning and limits of major AI detectors
  • references/research-limitations.md - Research consensus on detector limits and false positives
  • references/platform-heuristics.md - Practical but weak platform-specific heuristics
  • references/wikipedia-ai-features.md - Legacy style-signal checklist
  • references/zhuque-detection.md - Legacy Zhuque-oriented heuristics, use cautiously

Output Principles

  1. 不把风格信号说成作者身份证明
  2. 不承诺通过任何检测器
  3. 先讲证据，再讲结论
  4. 必须给误判风险提示
  5. 自然化改写优先“减模板感”，不是“演人设”
  6. 不提供面向特定检测器的定向规避建议