---

name: lov-human-writing description: > 用作者性账本、篇章审计和 30 项中文表层度量改进稿件，保留真实判断并定位过度解释、 单线因果和强行收束。Use when users say“去 AI 味”“保留我的判断”或 "humanize this Chinese draft". license: MIT compatibility: "Portable Agent Skills format. Python 3.8+ stdlib for surface metrics; semantic authorship and discourse review is instruction-first." allowed-tools: Read, Write, Edit, Bash, Glob, Grep depends_on:

• lov-branding-consistency metadata: author: lovstudio version: "0.4.0" card_standard: lovstudio/skill-card/v1 content_class: authored-prose tags:
  • chinese-writing
  • humanize
  • ai-detection
  • text-metrics
  • editorial dependencies: []

---

文稿润色师 · Text Editor

先确认文章里哪些判断、取舍和不确定性真正属于作者，再审篇章结构，最后才用 可计算指标处理套话与节奏。产出是一份作者性账本、一份带原文证据的篇章报告、 改好的稿子和改前改后的表层指标对照。

Triggers

Activate when

• 「这篇稿子 AI 味太重，帮我改一下」「润色得像人写的」「加点人味」
• 「公众号发之前查一下」，但不承诺通过平台检测，也不输出 AI 概率
• 「量一下这篇有多像 AI」「哪几句最像机器写的」
• "humanize this Chinese draft" / "de-AI my article"
• "help me make this read like a human wrote it"
• "use the metrics to check how AI this draft sounds"

Do not activate when

• 只要写新稿、不涉及去 AI 味 → 用 lov-writing-style 等文风类能力。
• 只要一份检测报告、不要改写 → 仍用本 Skill，但在 Step 3 停下。
• 要模仿某个具体作者的文风 → lov-style-clone。
• 英文稿件 → 本引擎的指标（「的」字率、四字格、句读切分）只对中文成立。

Internal workflows

本仓库只暴露 lov-human-writing 一个 Skill。四个阶段是按需读取的内部工作流， 没有独立名称、触发器或安装入口：

• references/workflows/authorship-ledger.md — 作者性账本；
• references/workflows/discourse-audit.md — 篇章审计；
• references/workflows/editorial-rewrite.md — 证据约束改写；
• references/workflows/surface-audit.md — 30 项表层度量与复测。

完整任务依次执行四阶段；只审计时跳过改写；只要确定性指标时读取 surface workflow。

User Profile (cross-session)

Every generated Skill is connected to the shared user-profile/v1 contract in skill.yaml. Read the shared user, brand, workspace, preferences, and this Skill's skills.<skill_id> namespace at the start of every run. Keep the source portable: resolved personal values belong in the shared profile, never here.

本 Skill 会持久化两类值：

• records.default_profile — 常用的度量档位（wechat / zhuque / neutral / thesis）。
• records.baseline_path — 个人基线 JSON 的路径。这是本 Skill 最重要的 持久化项：默认阈值来自一批公开中文长文，个人基线才是对用户自己文风的 准确刻画。

When the user directly states a durable preference or brand fact, persist it through scripts/profile_store.py and report the saved profile path. Put Skill-specific values under records.<field>; use brand.<field> or user.<field> for shared values. Do not persist inferred secrets or credentials. See references/user-profile.md for the complete contract.

Skill Group Composition

Read references/skill-composition.md before deciding whether to invoke or extend any adjacent capability. The record distinguishes optional upstream and downstream handoffs from embedded Kit modules. Do not silently depend on a sibling Skill that is not shipped with this source.

这个 Kit 做什么、不做什么

做：先追溯文章命题和结构选择，再检查过度解释、单线因果、反例消失、强行 闭合等篇章问题；最后把 30 项文本统计量与 351 篇真人中文长文的实测分布比较。

不做：判断一篇文章是否由 AI 生成。fail 的准确含义是「越界密度超过 90% 的真人长文」。向用户汇报时不要把它说成「检测出 AI」或「AI 概率 X%」。 判别侧（对 AI 稿的召回）尚无带标签语料验证，局限记录在 references/benchmark.md 第 5 节——被问到准确率时照此回答，不要编数字。

Workflow (MANDATORY)

You MUST follow these steps in order.

Step 0: Resolve skill root, dependencies, and runtime context

• Use SKILL_DIR if the environment provides it.
• Otherwise infer the installed skill directory from the current skill context.
• Verify every required local module, reference, script, and asset before work.
• If a required resource is missing, name its expected relative path and stop before producing a partial result.

export SKILL_DIR="/path/to/lov-human-writing"

Resolve context.profile on every invocation. The precedence is current request, project context, Skill-specific profile records, shared preferences, shared brand/user profile, then safe defaults. A direct user statement about a durable preference or brand fact should be saved with scripts/profile_store.py record using --confirm, followed by a concise saved-path report.

Step 1: 确定输入、任务边界与档位

输入：文件路径优先；用户直接粘贴则存临时文件再传 --input，避免 --text 在长稿上撞 shell 参数长度限制。

档位按发布目标选，不要问用户「要哪个 profile」，从场景推断：

profile	适用	特点
wechat	公众号长文（默认）	适配长段落、第一人称与移动端阅读节奏
zhuque	高强度表层审计	收紧结构工整与套话，只作编辑诊断
neutral	通用非虚构	不预设口语风格
thesis	学术/正式	允许书面语长句，禁 emoji，收紧加粗

若 records.baseline_path 存在，一并传 -b。

Step 2: 建立作者性账本

完整执行 references/workflows/authorship-ledger.md。内部记录：

• 原始问题从哪里来，哪些结论是用户明确给出的；
• 可写成第一人称的真实经历、决定、失败和情绪；
• 作者选择保留、删除或暂不解释的内容；
• 反例、替代解释、利益关系和未解决问题；
• 禁止新增的经历、数字、引语、动机与因果。

输入没有作者判断时，不替作者制造一套“更像人”的立场。用户只要表层报告时， 可走 surface-only 管线并明确没有完成作者性验收。

Step 3: 审计篇章结构

完整执行 references/workflows/discourse-audit.md 与 references/authorship-integrity.md。逐项给出原文证据，不输出单一 AI 分数：

1. thesis_provenance：命题是否可追溯到输入或作者；
2. causal_compression：复杂问题是否被压成唯一原因；
3. counterevidence_survival：反例是否真正改变论证；
4. closure_pressure：结尾是否重复总结、升华或强行行动号召；
5. reader_inference_budget：是否把每层意义都替读者解释完；
6. structural_asymmetry：章节是否被强行配平；
7. author_decision_trace：关键删留与结构选择是否有材料依据；
8. editorial_scaffolding：是否用分类、预告、提醒或总结旁白替代实际内容。

逐段审读与文本散列绑定的记录格式、扫描和校验命令见篇章工作流；所有交付稿必做， 即使表层指标全部通过。通用规则在此维护，作者专属负向校准由文风 Skill 传入。

这些维度是编辑问题，不是身份特征。不要为了“像人”增加无关支线、时间跳跃、 开放结尾或故意不完整；材料本来简单时，清楚和线性可以是正确选择。

Step 4: 度量表层特征

python3 "$SKILL_DIR/scripts/measure.py" -i draft.md -p wechat

可选参数：-b baseline.json 用个人基线覆盖默认区间；-f json 取结构化结果； --no-locate 只要指标不要靶点。

Step 5: 解读并汇报

按结论先行汇报，三件事，不要贴原始表格：

1. 表层统计状态与压力分；明确它没有验收篇章或文风，不称为文章总判定。
2. 越界的指标，按可改性排序——套话和结构类立刻可改，节奏类要重写句子。
3. 篇章问题与引擎靶点句。二者分别是结构改写和局部改写的直接输入。

用户只要报告就在此停下。要改写则继续。

Step 6: 结构优先、表层在后的定向改写

完整执行 references/workflows/editorial-rewrite.md。先修作者性或篇章问题，再处理表层 越界项。默认局部编辑；只有因果顺序、章节组织或结尾收束确实有证据问题时才重组 相关段落，不做无依据的全文重写。

指标到改法的映射：

越界指标	改法
sent_len_cv / max_uniform_run 偏低	检查是否确有重复节奏；按语义拆并，无问题可保留
short_sent_ratio 偏低	把关键判断单独成句
para_len_cv / solo_para_ratio 偏低	转折处、强调处用一句成段
hard_phrase_per_1k / soft_phrase_per_1k	删套话，换成具体的事（「随着 AI 发展」→「ChatGPT 发布那周」）
transition_density 偏高	删「首先/其次/此外/综上所述」，靠内容自身接续
idiom4_per_1k / tail_nominal_per_1k	删四字格与「体现了/彰显了」式结尾
neg_parallel_per_1k	拆「不是…而是…」排比
rule_of_three_per_1k 偏高	仅在并列内容空泛或重复时删改，不为躲指标凑项数
inline_heading_ratio / bullet_ratio / bold_per_1k 偏高	列表改回段落散文，删装饰性加粗
heading_per_1k 偏高	合并碎标题
digit_per_1k / concrete_anchor_count 偏低	回查材料是否遗漏必要细节；没有来源则保留现状
first_person_per_1k 偏低	只恢复材料中已有且必要的作者经历，不补造或硬塞“我”
hedge_per_1k 偏高	检查限定是否有证据需要；保留真实不确定性
de_ratio 偏高	拆「的」字长定语
lone_dash_per_1k	单破折号 — 改中文双破折号 ——
quote_style_mixed	统一到一套引号
emoji_per_1k	删 emoji

改写时守住三条：

• 不动事实。 不新增日期、数字、人名、引语。缺具体细节就问用户，不要编。
• 不动立场和专业术语。 口语化是手段，不是把专业稿改成闲聊。
• 不为凑指标写废话。 指标是稿子好的副产品，不是目标；把「补第一人称」 做成硬塞「我觉得」只会更难读。
• 不制造人类噪声。 不故意加错别字、口头禅、无关支线、矛盾、情绪或开放结尾。
• 不给文章统一收束。 结尾由材料决定，可以行动、判断、事实、疑问或停在未解处； 不强制回到价值、未来、自由或“人的意义”。

Step 7: 双层复测验收

python3 "$SKILL_DIR/scripts/measure.py" -i draft-v2.md -p wechat \
  --compare draft.md

先重跑篇章审计，确认问题被修复且没有丢失作者判断、反例和不确定性；再运行 --compare 输出逐项的旧值 → 新值与状态迁移。表层验收标准：目标指标状态改善， 且没有把别的指标推出界——去套话时压过头会让 hedge_per_1k 或 short_sent_ratio 反向越界。压力分不用于证明语义改写是否生效；有理由的指标偏离可以保留，不能为降分 破坏事实、节奏或作者声音。最终须校验逐段审读记录，未完成时不得宣称文风通过。

Step 8: 交付

• 先调用 lov-branding-consistency，但只检查目标媒介、受众、品牌角色与读者可见 字段；不得借品牌审校改写作者立场、正文事实、引语或已验收的个人声音。没有品牌 或组件问题时允许零修改。
• 改写稿写到 ./output/，命名为「原文件名 + -human-v0.x.md」。
• 汇报作者性和篇章结构的关键变化、压力分变化、修掉的指标，以及仍然保留的项 和材料依据。
• 不要声称「已通过 AI 检测」。能说的是指标已回到真人分布区间内。

Step 9: 建个人基线（强烈建议）

默认阈值来自一批公开中文长文，不是用户本人的文风。有 ≥ 30 篇本人历史稿件时：

python3 "$SKILL_DIR/scripts/measure.py" --calibrate ~/writing/ --out baseline.json

把路径存进 records.baseline_path。语料必须是本人手写的稿件——混入 AI 生成物或口语转写会污染基线，反而让引擎失效（references/benchmark.md 第 1 节记录了一次真实的污染事故与清洗规则）。

Validate the deliverable

• 作者性账本中的命题、判断和删留决定都有输入依据。
• 篇章报告逐项引用原文证据，没有 AI 概率或平台通过承诺。
• 复测确实跑过，指标改善有 --compare 输出支撑，不是凭感觉。
• 事实、立场、术语、反例和有意保留的不确定性未被改动。
• 汇报里没有把分布定位说成 AI 身份判定。
• 输出路径与文件名符合约定。

Dependencies

lov-branding-consistency 只负责最终可见文案的受众与品牌语境。核心编辑与度量使用 Python 3.8+ 标准库，无第三方 Python 依赖。

References

• references/benchmark.md — 阈值与判定标尺的全部来源、复现方法、已知局限。
• references/authorship-integrity.md — 作者性账本、七维篇章审计与非虚构边界。
• references/workflows/ — 四个内部阶段；不作为独立 Skills 分发。
• references/skill-composition.md — 与相邻 Skill 的分工与交接。
• references/user-profile.md — Profile 契约。