AIGC Humanizer ZH

中文学术写作 AIGC 率降低工具。基于 16 种 AI 写作模式，不改动学术观点，只打破机器写作的模式规律。

这是什么？

真实论文改写实验中，同一篇文章 AI 润色版的 AIGC 检测率超过 50%，经过系统性人工去味处理后降至 11%。差异不在于内容——观点没变、论证没变、数据没变——只在于 AI 写作有高度可预测的模式规律，而人类写作更随机、更情境化。

本项目把这种「去味」经验归纳为 16 种 AI 写作模式和 7 项硬约束，提供两种使用方式：

方式一：MCP Server（完整版）

适合已配置 DeepSeek TUI / Claude Desktop MCP 的用户，需要自动检测和高精度分析。

安装与启动

pip install -r requirements.txt   # mcp + jieba
python server.py                  # stdio 传输，供 MCP 客户端调用

在 ~/.deepseek/config.toml 中配置：

[mcp_servers.aigc-humanizer]
command = "python"
args = ["/path/to/aigc-humanizer-zh/server.py"]

10 个 MCP 工具

工具覆盖「保护公式 → 扫描痕迹 → 逐段决策 → 执行改写 → 验证质量 → 还原公式」的完整链路：

典型工作流

mask_latex → analyze_by_paragraph → 用户逐段决策 →
  ├── 低风险段: 跳过
  └── 高风险段: build_rewrite_prompt → LLM 改写 → 用户确认替换
→ assess_quality（≥54 优秀） → restore_latex → 完成

检测引擎特点

• 16 种模式全部由正则引擎自动扫描，每种模式独立计分（weight + score_cap 上限），输出 score_raw（原始分）和 score_capped（封顶分），计分过程透明

• 7 项硬约束由代码自动评估，命中即判定高风险

• 上下文感知过滤：P8 模糊归因自动排除 Boulianne(2015)研究表明、本研究表明 等具体引用；P2/P7 段末套句只在段落末尾句生效

• P6/P14 规则分离：三元对称并列（理论上/实践上/方法上）和三步走结构（从经济维度看/从社会维度看/从文化维度看）不再重叠命中

• 红蓝军评测闭环：70 条样例（62 合成 + 8 真实）的回归测试套件，scripts/evaluate_red_blue.py 输出 pattern/HC 级 F1、误报率及 L2 统计层 recall/FPR

两层 AIGC 判断架构（v0.4+）

设计决策：曾尝试引入 L3 判别模型层（HuggingFace AI 文本分类器），但经多源测试集验证，开源中文 AI 检测模型召回率接近 0%（默认模型 Hello-SimpleAI/chatgpt-detector-roberta-chinese 对中文 AI 文本 AI 概率 <0.01），引入后反而稀释 L1+L2 灵敏度，故弃用。L1+L2 两层架构在对抗集达 96%、扩充集 100%、泛化集 100% 准确率。

L1+L2 融合策略

• L1 硬约束命中 → 一票否决，直接判高风险

• 强人类信号（personal=high）+ 无强 AI 结构 → 低风险（覆盖 L2 判定）

• 否则按加权融合：L2(0.7) + L1软分(0.3)

• 融合分 ≥0.6 高风险 ｜ ≥0.35 中风险 ｜ <0.35 低风险

实测准确率（L1+L2，94 条多源样例）

对抗集唯一误判为 human_editorial_formal（正式社论，句长均匀触发 burstiness=high），属正式写作的固有特征，强行修复会导致 AI 漏检（过拟合风险）。

诚实声明

• L2 对齐知网公开判据方向（burstiness / 词汇多样性），是模型无关的统计特征，对新模型稳健，但不保证与知网数值一致。

• 知网结果以知网为准，本项目结果仅供参考与改写辅助。

• 本项目检测能力仅对中文文本有实际效果。

运行测试

python -m pytest -q                                          # 106 项单元测试
python scripts/evaluate_red_blue.py \
  --fixtures tests/fixtures/red_blue/synthetic.jsonl \
  --min-f1 0.70 --max-fpr 0.15 \
  --stats-fixtures tests/fixtures/red_blue/realistic.jsonl   # 红蓝评测 + L2 统计层
python scripts/eval_adversarial.py                           # 对抗集 24 条
python scripts/eval_expanded.py                              # 扩充集 40 条
python scripts/eval_generalization.py                        # 泛化集 30 条

方式二：Skill 文件

如果你不想安装 Python 依赖，或者只是临时处理一两篇论文，可以直接加载 Skill 文件让 agent 按规则执行。

两种 Skill

轻量版已作为默认 Skill 文件，直接加载即可。如需完整版能力：

加载

/skill https://raw.githubusercontent.com/shuohui-air-technology/aigc-humanizer-zh/main/SKILL.md

加载后 agent 即获得：逐段扫描 → 交互式改写 → 最终自检 的完整能力。

如需完整版（含 LaTeX 处理 + TTR + 结构化模板）：

/skill https://raw.githubusercontent.com/shuohui-air-technology/aigc-humanizer-zh/main/SKILL_full.md

能做什么

• 识别全部 16 种 AI 写作模式 — 与 MCP Server 共享同一套模式编号和改写规则。其中 12 种通过阅读直接识别，4 种统计类模式（排比、三步走、破折号密度、加粗滥用）标注 ⚡ 需你自主判断

• 执行 7 项硬约束 — 改写后逐项核查，命中即修复

• 6 步 SOP 改写流程 — 移位→砍尾→破对称→换词→去模糊→注视角

• 注入学者视角 — 承认局限、表达意外、留下判断、短句造节奏

• 质量自评 — 6 维度自主判断（直接性、节奏、真实性、信息密度、学术规范、抗检测性）

• 噪声保留 — 每千字保留 2-3 处轻微 AI 特征，避免过度均质化

轻量版与完整版的差异

轻量版（SKILL.md）阉割了完整版（SKILL_full.md）的部分能力：TTR 词汇丰富度判断标准、LaTeX 公式手动保护/还原流程、结构化逐段输出模板。4 种统计类模式（P13-P16）需你逐段手动统计。但核心的逐段交互式改写流程和16 种模式的改写规则完整保留。

与 MCP Server 相比，两个 Skill 版本都无法自动执行 TTR 计算和正则引擎扫描，但完整版提供了更接近 MCP 工具链路的手动操作指南。

检测能力参考

16 种 AI 写作模式

7 项硬约束

红蓝军评测闭环

项目使用确定性的红蓝对抗循环来持续提升规则精度：

红队生成样例 → 人工审核 → 蓝队调规则 → 裁判脚本阻断回归

python scripts/evaluate_red_blue.py \
  --fixtures tests/fixtures/red_blue/synthetic.jsonl \
  --min-f1 0.70 --max-fpr 0.15 \
  --stats-fixtures tests/fixtures/red_blue/realistic.jsonl \
  --min-stats-recall 0.50 --max-stats-fpr 0.20

当前 baseline：70 条样例（62 合成 + 8 真实），16 种 pattern 全覆盖，L1 negative/near_miss 误报率 0.00，L2 burstiness recall=1.00 fpr=0.00。

详细工作流（含红队 LLM prompt 模板）见 docs/red-blue-workflow.md。

工程结构

aigc-humanizer-zh/
├── src/
│   ├── models.py              # 数据结构（PatternMatch/ParagraphRisk/RiskReport/StatisticalSignals）
│   ├── pattern_defs.py        # 16 种模式 + 7 项硬约束的规则定义（纯数据）
│   ├── paragraph.py           # 段落切分逻辑
│   ├── detector.py            # PatternDetector 类（L1 正则层）
│   ├── statistics.py          # L2 统计层（burstiness/TTR/词汇集中度/个人视角/结构平行度）
│   ├── patterns.py            # 兼容 re-export 入口（保持旧导入不变）
│   ├── scanner.py             # LaTeX 栈式扫描器
│   └── evaluator.py           # TTR + 60 分制质量评估（复用 PatternDetector 结果）
├── server.py                  # MCP Server 入口，9 个 @mcp.tool()
├── scripts/
│   ├── evaluate_red_blue.py   # 红蓝军评测裁判脚本（L1 + L2）
│   ├── eval_adversarial.py    # 对抗集评测（24 条）
│   ├── eval_expanded.py       # 扩充集评测（40 条）
│   └── eval_generalization.py # 泛化集评测（30 条）
├── tests/                     # 测试文件 + 70 条样例（62 合成 + 8 真实）
├── docs/
│   └── red-blue-workflow.md   # 红蓝工作流文档
├── SKILL.md                   # 轻量版 Skill（默认加载）
├── SKILL_full.md              # 完整版 Skill（含 LaTeX/TTR/结构化模板）
├── WORKFLOW.md                # 交互式工作流 Agent Prompt 模板
├── pyproject.toml             # Python 工程配置
├── requirements.txt           # mcp + jieba
└── LICENSE                    # MIT

参考来源

• 真实论文 AI 润色版（AIGC >50%）与人工改写版（AIGC 11%）的逐段对比实验

• Wikipedia: Signs of AI writing（WikiProject AI Cleanup）

• de-AI-writing skill (OUBIGFA) — 硬约束数字化设计参考

• Humanizer-zh (op7418) — 模式分类与质量评分框架参考

注意事项与局限性

检测模式的适用范围

本项目的 L1 正则层（16 种 AI 写作模式）主要针对 GPT-3.5/4 等早期模型的典型输出风格。随着模型迭代，新一代 AI 的写作风格趋于多样化，在大部分非模板化的论文中可能不会有效触发这些检查机制。因此：

• L1 适合作为保守的硬性检查机制，但不应作为唯一的判断依据

• L2 统计层（burstiness/TTR/词汇集中度/个人视角/结构平行度）是模型无关的，对新一代模型输出更稳健，是当前两层架构的主力检测层

改写可能影响文本质量

改写过程本质上是对原文表达方式的干预。虽然本项目设计了 7 项硬约束来防止破坏性修改，但在以下情况下仍可能出现文本质量下降：

• 连续多次改写导致语言均质化，失去原文的节奏和个性

• LaTeX 公式保护不到位（尤其在 Skill 模式下需手动操作）

• 过度追求「去味」导致表达生硬、学术严谨性受损

建议在改写前对论文原文进行完整备份，每轮改写后对比原文审阅，确保学术内容无损。

使用声明

本项目仅作学术交流与技术研究使用。作者不支持、不鼓励将本工具应用于任何可能影响学术诚信的使用场景，包括但不限于：

• 将他人的 AI 生成文本伪装为人类撰写

• 规避学术机构对 AIGC 内容的合理检测

• 以「去 AI 味」为手段掩盖抄袭或造假行为

工具是中性的，使用者的意图决定其价值。请在学术诚信的边界内使用。

许可证

MIT