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
• 提供了一个 URL，要求分析该文章的 AI 味

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

0. Input Handling

如果用户提供的是 URL 而非文本：

1. 使用当前环境中可用的网页抓取能力获取页面内容
2. 如果首次抓取失败（反爬拦截、验证页面、内容为空），检查当前环境中是否有其他可用的抓取工具或技能（如专门的网页内容提取、浏览器自动化等），尝试用替代方式获取
3. 提取正文部分（忽略导航、侧栏、广告等非正文内容）
4. 如果所有抓取方式均失败，提示用户手动粘贴文章内容
5. 将提取的正文作为待分析文本，进入下面的分析流程

1. Analysis Steps

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

3. 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

4. 输出结论标签、置信度、误判风险，而不是只给一个总分。
5. 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:

（如有 3+ 段落，先输出分段分析，见下方 Paragraph-Level Analysis）

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 🔴 段落（如有分段分析）
- 为什么这些位置最像模板化表达
- 给 1-3 个局部改写示例

Paragraph-Level Analysis

When text has 3+ paragraphs, or when the user requests detailed analysis, add per-paragraph breakdown:

分段分析：
🔴 高 | 第3段：总而言之，人工智能技术的快速发展为各行各业带来了...
       → 触发：模板化开头 + 空泛总结 + 连接词密度高
🟡 中 | 第1段：最近在搞一个 side project，用 Claude 帮我写了...
       → 触发：情绪过稳、段落收束句
🟢 低 | 第2段：上周三凌晨三点，服务器炸了，我翻了半小时日志...
       → 具体细节多，节奏自然

Place this before the overall conclusion. Rewrite suggestions should target 🔴 paragraphs first.

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
• 翻译文本（措辞均匀、缺乏口语痕迹是翻译的正常特征，不等于 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:

• 如有分段分析结果，优先改写 🔴 高风险段落
• 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