# 检测协议（去AI味 v2 第一步）

本文定义检测阶段做什么、不改什么。改写规则见 [SKILL.md](./SKILL.md)。

## 为什么先检测再改写

两个原因，都来自实测。

一，AI 味的大部分特征是**分布特征**（句长均匀、节长均匀、用词不敢重复），单看一处看不出来，也不该逐处改。逐句"制造参差"会把文章改坏，这类特征只能整篇决策：要么用户接受结构级改写，要么不动。

二，第一版 skill 的教训：一次性改写时，模型倾向于把"感觉像 AI 味"的东西都动一遍，包括实测根本不是 AI 味的特征（序数词小标题、正文设问、比喻），改完反而更不像人写的。先交付有指标、例句和改法的报告，等用户回复后再动手，是防过度清理的闸门。

## 三层分工

检测不是一个脚本包打天下，是三层各管一段（方法论来自 43 万次打标的实验结论）：

| 层 | 管什么 | 谁 | 载体 |
|---|---|---|---|
| 脚本层 | 数得出符号的（正则命中、标点密度、结构 CV、mtld） | detect.py | 本文件 |
| 语义层 | 要理解句意的（同义重命名、衔接连环、冒号分类、同构三连） | 会话内模型 | [references/semantic-criteria.md](./references/semantic-criteria.md) |
| 人审层 | 机器间共识不够的（比喻贴切度、暗喻、拟人化喻体） | 用户 | SKILL.md 人审区 |

语义层原理：脚本先抽候选（每段、每个段间接口、每个冒号句、signature 粗筛的三连组），模型对每条候选按封闭判据判标签。正则只能命中固定表面形式，命中不了「同一个意思的不同写法」；但模型判「像不像 AI」带自我偏好，所以判据必须是封闭标签集+逐条独立判断，不允许整体感觉打分。

## 运行

```bash
python3 scripts/detect.py <文件或目录> [--max-hits 5] [--json]     # 脚本层
python3 scripts/detect.py <文件> --candidates --out 候选.json        # 语义层候选抽取
python3 scripts/report.py 原文 改后 before.json after.json \
    [--semantic 判读后.json] --out 报告.md                          # 默认 Markdown 前后对比
```

输出一份分级报告：

| 级 | 含义 | 改写策略 |
|---|---|---|
| **A 机械改** | 固定句式/标点，改动不触碰语义 | 模型复核误报后给出建议；用户回复后改 |
| **B 建议改** | 需句式重组或换说法 | 模型逐条筛选，报告典型例句和改法；用户回复后改 |
| **C 只报告** | 结构/节奏，超出白名单 | 默认不改；用户主动要求时再处理 |
| **H 人审区** | 模型判不准贴切度的（拟人化喻体；比喻/暗喻同理） | 默认保留；用户主动要求时再列清单 |
| **X 已否决** | 实测不是 AI 味（配对复测反向） | 永不改，报告里出现是为了防止误改 |
| **F 指纹** | 分模型特征（破折号/分号/引号） | 可定位且能安全改写的命中默认建议改；保留须给具体理由，密度用于排序，见 SKILL.md 指纹节 |

## 分级依据

分级不看特征强度，看**改动风险**：改这一处会不会碰到语义、会不会需要补信息、会不会越界。

- 删「说白了」零语义损失 → A。
- 打散顿号罗列要重排成分 → B。
- 句长均匀是整篇属性，逐句改必然过度 → C，只提示。
- 序数词小标题在第一轮实测是 3.1 倍 AI 味，270 对配对复测**方向反转**（人类 8.6% vs AI 4.9%）→ X。第一版按旧数据把它列为规则 6，v2 删除。
- 概括替代曾按语义层 24.7% 列为 v2 规则 9（同段有数则恢复数值），2026-10-13 对称口径复查**净零**（AI 更含糊 24.7% vs 更具体 26.0%）→ X。整条撤销，同段有具体数值也不改。

## X 级清单的来源（v1 → v2 的规则变动）

| v1 规则 | v1 依据（629 篇不配对） | 配对复测（270 对同题同事实） | v2 处置 |
|---|---|---|---|
| 规则6 序数词小标题 | AI 0.19 vs 人类 0.06，3.1× | **反转**：人类 8.6% vs AI 4.9% | 降为 X，不改 |
| 「这意味着」复述 | 翻译腔收录，2.6-5.3× | **反向**：人类 0.027 vs AI 0.016 每千字 | 降为 X，不改 |
| 空转句引列表 | 冒号滥用之一，9.4× | **反向**：人类高一个量级（目录式长文常态） | 降为 X，不改 |
| 规则8 材料密度 | 数字密度人类 2.8 倍 | 配对后 δ=−0.06 **无差异**；24.7% 概括替代后被对称口径复查否决（净零） | 再否决：v2 曾重写为"概括盖住同段数值"，2026-10-13 整条撤销，降 X |
| 规则4 破折号 | AI 2.38 vs 人类 0.80，3× | 分模型极端分化：GPT −0.54 / Opus +0.95 | 降级为 F 指纹；>2/千字优先处理，低密度仍逐处检查 |

其余 v1 规则（翻案腔、顿号罗列、相邻句同构、提示语冒号、拟人喻体、起手式、翻译腔四种）在配对复测中方向不变、量级相当，全部保留。

## 报告怎么读

脚本输出是**候选数据**，不是直接发给用户的结论。模型逐条复核后，改前报告要把“本篇命中 → 研究参照 → 例句 → 改法”连起来讲清楚。复核不得静默删除候选：对第一层、第二层中能定位到句子的指标列原始命中数、有效命中数、拟改数和保留数；误报与语义判读阴性也要留下数量和理由，若输入是文件则保存逐条结果。整篇分布指标只报实测值，不强造逐句命中数。研究语料中显著，不等于单篇文章完成了统计显著性检验；不得据此判定作者是 AI。

1. **A、B 与语义层四项**：先看本篇次数、密度或门槛，再看人类参考和配对复测证据。对拟处理的项给出可定位的原句与具体改法；脚本误报要剔除。
2. **X、F 与 C/H**：说明已否决特征、模型指纹、结构指标或比喻的去向。F 不推断文章来源模型；可定位且能安全改写的命中默认建议改，保留须说明该处的具体作用。C/H 按整篇指标与人审约束处理。
3. **口径核对**：不同轮次的指标定义或分母不同时，不能混算倍数。同义词轮换的脚本命中只是启发式，精判走语义层同义重命名。
4. **用户回复**：报告给出整套建议后停下。用户回复接受或调整方案，再进入改写；不要求逐条勾选。

## 检测层做不了、必须留给人的判断

- 比喻贴不贴切（模型间共识只有 0–40%，人审是唯一通道）；暗喻、拟人化喻体 2026-10-26 起并入人审区，不做候选判读
- 三个并列案例是否在凑数（叙事推进不算，要看语义）
- "参差"是否有质量——机械长短交替和自然节奏脚本分不开（v2.1 计划加句长序列自相关检查）
- 段首零主语评论不再检测（2026-10-26 裁定：第三层弱信号，与已反转的「句间指代不清」同族）