Lieflat Less AI Tone — 基于 629 篇文章的去 AI 味规则集

机器写的文字有股味，很多人能凭感觉挑出几条：破折号太多、爱说「不是 A 而是 B」。真拿 629 篇文章数过一遍，一半多的说法站不住：人类用比喻的频率是生成文本的 2.4 倍，正文设问句是 17 倍。Lieflat Less AI Tone 就是这次点数变成的改写规则，装上就能交给 AI 执行。

它是什么

Lieflat Less AI Tone 是一个去 AI 味的 Skill工具，做的是两件事：先把「什么是 AI 味」量化出来，再把量出来的结果变成能交给 AI 执行的改写规则。它属于写作工具里少见的做法——不靠语感，靠统计。作者用 629 篇文章建成对照语料，共 2,826,972 汉字、95,551 句、45,721 段；其中 300 篇由五个模型在不联网、不加风格指令、只给话题的条件下生成，329 篇来自人类作者的公开文本。代码以开源方式放在 GitHub 上，归入实用软件一类也说得通。

场景痛点

做内容这行的人，大概都接过这样的稿子：通顺、干净、挑不出错，可一读就知道不是人写的。想说清哪里别扭，多数人只能挑出几个零碎——破折号多了、爱用「不是 A 而是 B」、句子长短差不多。网上流传的判别清单基本都是这么来的，互相转，转到最后就成了常识。AI写作的麻烦就在这儿：清单里哪些真有区分力、哪些只是印象、哪些方向甚至是反的，从来没人系统地数过。更尴尬的是，照着错的条目去改，改完离人话更远。

功能特点

一、真数了一遍，结论才敢写

研究检验了 26 项候选特征，逐项计算生成侧与人类侧的频率比，记做 R。判定有硬杠：R 大于等于 2 才纳入； 1.25 到 2 之间要求人类各组数值一致、绝对量也够；0.8 到 1.25 视为没有区分力，直接排除；小于 0.8 说明人类用得更多，同样不能拿来当删改依据。结果是 11 项通过，15 项被排除。对做内容创作的人来说，这份清单比那些转来转去的经验帖可靠得多。

二、通过检验的项目，集中在大结构上

11 项里最值得说的是，它们大多不在用词层面，而在篇章与结构层面。区分力最强的是段首零回指评论，比值 4.4 倍：新段落一开头就抛出评价，却不说明在评价谁，读者得回头看上一段才能确定所指。有意思的是，段首衔接词的总体密度两侧几乎一样，生成侧 14.4%，人类侧 15.1%，差别只在评价句省掉了回指成分——补一个指示代词就能接上。其余通过的项目包括对举结构、破折号、提示性冒号、序词小标题、拟人化喻体、起首语与五类译文句式。

三、三项结论和流行说法相反

被排除的 15 项里，有三项和大家的印象正好相反。人类使用比喻的频率是生成文本的 2.4 倍，用比喻独立起段的更是 8 倍：差别不在用不用，而在喻体——模型爱拿理想化的职业人格作比，人类更常取身边具体的人。正文设问句，人类是模型的 17 倍，照着「删掉设问」的建议改，只会更像机器。句长均匀度也一样，研究初期曾算出 51 倍的差距，查下来是断句程序的缺陷，修正后是 0.87，等于没差别。

四、不同模型的味并不一样

大语言模型之间的差别大得出乎意料。同一个特征，模型之间能差到四十倍：破折号这一项，最高的每千字超过 5 次，最低的只有 0.11 次；提示性冒号最重的是其中两家，问句小标题最重的又是另一家。研究初期只用两个模型、30 篇样本时，曾得出「破折号是某个模型独有」的结论，扩到五个模型后被推翻。这也意味着，市面上基于单一模型样本总结出的「AI 文风」，未必站得住。

五、改写规则带着三道约束

统计上成立不等于能拿来改稿，所以规则集另加了三条。只处理清单内的 11 项，没命中的句子逐字保留，标题层级、段落次序、列表、表格与代码块都不动。不新增姓名、数字、日期、引语、来源或因果关系，也不删原文的观点、结论与限定成分——把「可能提升」改成「提升」属于篡改判断强度，不属于清理风格。比喻是否贴切、设问有没有必要、案例算不算堆砌，这三类要靠语义理解，写不成规则，一律排除。

使用教程

第一步，装进 agent。命令行执行仓库里给的安装命令，装好之后提交文本，就按规则集处理。

第二步，不想装也能用。把仓库里那份规则文件当作系统提示词，任何支持自定义指令的工具都能接，这一步不需要 GitHub 账号，也不挑平台。想省事的话，作者也提供了在线入口，直接在 MoxtHub 打开即可，那边上下文空间更大，处理长文更从容。

第三步，配合风格蒸馏。如果已经装了同作者的写作风格蒸馏工具，不必再单独装这套规则，那边已内置一份。两套同时用时，同目录下有蒸馏产物就优先读它；两者冲突以蒸馏产物为准，因为它记录的是目标作者的实际写法，不属于生成痕迹。在 AI教程这条线上，两者是前后两道工序。

第四步，想自己核一遍，仓库给了三个脚本，句层、段落层、译文句式各一个，按目录读入 md 文件即可复算全部指标，脚本本身不含语料。

使用感受

第一点，最值钱的是那段测量失误记录。六次失误一条条列出来，全是算子覆盖范围宽于规则定义造成的，其中两次方向还是反的——照着错的结论去改，会把稿子推得更远。把翻车过程摊开讲，比直接给一堆结论有说服力。

第二点，判据定得清楚，不是拍脑袋。什么算通过、什么算条件通过、什么直接排除，都给了阈值和理由；还额外要求人类各组之间不能差太多、特征要能定位到具体哪一句哪个词、改起来要可操作。最后一条附加约束最实在：材料密度确实是人类更高，但为了凑密度去「补数据」会破坏信息守恒，所以整条只保留能执行的部分。

第三点，边界写得老实，这点难得。语料因为版权和隐私没公开，数字第三方核不了；人类侧分组之间差异本来就大，扩样本可能改结论；话题没有严格配对；模型还在迭代，破折号频率不到一年就从近乎每句一次降到 0.11，所以所有数值都只是某个时点的观测。它归到工具推荐里偏研究的那一类，放在 AI相关下面也合适，愿意较真的人会喜欢。

官方网站

https://github.com/larashero3-dotcom/lieflat-less-ai-tone

下载地址

https://pan.quark.cn/s/4fd6469cc4bd

https://www.guangyapan.com/s/1947499842434752542_aeWhI5wocgzRgCO6

Lieflat Less AI Tone — 基于 629 篇文章的去 AI 味规则集

它是什么

场景痛点