LifeOS DetectAI Detect 工作流AI 写作痕迹的启发式审计与无密钥统计信号实践【免费下载链接】LifeOS⛰️ The Life Operating System — an intent engineering platform that moves you from your current state to your ideal state, in life and work.项目地址: https://gitcode.com/GitHub_Trending/pe/LifeOS本文围绕 LifeOS 中 DetectAI 技能的Detect工作流Workflows/Detect.md展开它不修改文本、不调用任何 API、零成本仅靠分级模式目录 确定性统计信号两层手段把一段文字里的 AI 写作痕迹逐条标出并解释成因。读完后你将掌握一套可复制的 AI 痕迹审计方法——包括 P0/P1/P2 严重度分级、词汇替换表、上下文宽容矩阵的用法以及如何运行仓库自带的无密钥统计工具StatSignals.ts获取 n-gram 熵、类型词比、节奏均匀度等结构性信号并理解每个信号的可靠性层级与适用边界。1. Detect 在 DetectAI 中的定位DetectAI 技能SKILL.md回答两个问题这段文字有多像机器生成的以及它是否内嵌了标记为此提供四个相互独立的测量手段Heuristic audit启发式审计对照分级模式目录标记已知 AI 痕迹膨胀词汇、不是 X而是 Y句式、套路化过渡、均匀节奏。免费、即时且能解释每个标记为何触发——这就是 Detect 工作流的核心Statistical signals统计信号运行确定性工具LIFEOS/TOOLS/StatSignals.ts测量无密钥keyless的分布性痕迹n-gram 熵、类型词比TTR、重复结构加上单独较弱的民俗层信号burstiness、段落均匀度、功能词比例。每个信号都标注其可靠性层级——这是 Detect 的第二层Empirical score经验评分把文本送入 Pangram 检测模型返回真实的 AI% / AI-assisted% / Human% 概率。花钱、需要 API key对应Score工作流Watermark scan水印扫描无密钥的字节级隐蔽通道扫描零宽字符、同形字、双向控制符等对应Watermark工作流。按 SKILL.md 的路由表当用户说 scan for AI tells、flag AI patterns、audit this for AI-isms、statistical signals、burstiness、entropy 时路由到 Detect。Detect 的关键特征无需任何 key。启发式审计与统计信号各自独立可用二者共同覆盖了能解释词表与结构模式和能测量确定性统计量两个维度。技能对检测问题的基本立场也值得注意直觉判断两个方向都会出错——词表会标记合法写作、会漏掉避开了常见词的 AI 文本而检测器分数看似权威却会饱和Pangram 曾把短小的人类段落自信地判为 100% AI。因此 Detect 刻意保持报告而非裁决的纪律它输出的是带层级标签的特征与标记最终判断交给读者。2. 模式审计层先读目录再下笔Detect 工作流的 Reference 章节明确要求审计前先阅读~/.claude/LIFEOS/DOCUMENTATION/Writing/AIWritingPatterns.md仓库内对应 AIWritingPatterns.mdv1.1.1。理由很直接凭记忆审计会得到更浅、更不一致的报告。该目录下称模式目录是审计的唯一事实来源包含以下内容。2.1 三级严重度P0/P1/P2模式目录的第一原则是不是所有 AI-ism 都同等严重审计时按层级优先处理P0 — Credibility killers可信度杀手必须立即修复任何形式的否定句——在走向某事物之前先定义它不是什么。覆盖配对形式Von Neumann wasnt predicting AI. He was pointing at a horizon.、尾从句a claim about us, not about the machine和设问铺垫the question isnt X. Its Y.。目录特别警告对Its not X. Its Y.写一条字面正则会大量漏检——曾有四次实例穿过一次使用单条正则的审计而未被发现。正确做法是逐个阅读每个not/nt/never/rather than/instead of并改为正面表述。引号内材料豁免。知识截止免责声明As of my last update、I dont have access to real-time data聊天机器人残留I hope this helps!、Great question!、Feel free to reach out奉承语气Excellent point!、Youre absolutely right!无来源的模糊归因Experts believe、Studies show对寻常事件的重大意义膨胀marking a pivotal moment in the evolution of...推理链残留Let me think step by step、Breaking this down确认循环Youre asking about、To answer your questionP1 — Obvious AI smell明显 AI 气味发布前修复Tier 1 词汇违规delve、leverage、harness、robust 等模板短语与填空式构造slot-fillLets 式过渡开场Lets explore、Lets break this down同一段落内的同义词轮换公式化开场In the rapidly evolving world of...粗体滥用每个主要小节超过一处加粗破折号密度超过每 1,000 词 1 个带空格的 em dashword — word——em dash 必须紧贴word—word对比结构Its not X. Its Y.——目录称之为头号 AI 陈词公式化过渡Heres the thing...、Heres how this works...新颖性膨胀He introduced a term、a failure mode nobodys naming情感平线What surprised me most、I was fascinated to discoverP2 — Stylistic polish风格打磨有空再修泛化结论The future looks bright、Only time will tell强迫性排比三连应交替使用两项、四项或整句段落长度均匀系词回避serves as、features、boasts、presents 替代 is/has过渡短语Moreover、Furthermore、Additionally插入语式对冲(and, increasingly, Z)虚假让步结构While X is impressive, Y remains a challenge修辞问句开场编号列表膨胀Three key takeaways、Five things to know目录给出的使用约定快速通道只做 P0P1完整审计覆盖全部三层——这正是 Detect 输出格式中Severity pass: [P0P1 / full]一列的来历。2.2 词汇替换表三级模式目录按该词在 AI 文本与人类文本中出现的可靠区分度把词汇分为三级Tier 1 — Always flag在 AI 文本中出现频率是人类的 5–20 倍见到即替换。代表性条目完整表见 AIWritingPatterns.mdReplaceWithdelve / delve intoexplore, dig into, look atlandscape隐喻field, space, industry, worldtapestry直接描述实际的复杂性robuststrong, reliable, solidcutting-edgelatest, newest, advancedleverage动词useunderscoreshighlights, showsseamless / seamlesslysmooth, easy, without frictiongame-changer具体说明改变了什么、为何重要utilizeusethe future looks bright删掉——要么说具体的事要么不说learningslessons, findings, takeawaysin order totoserves asis表中还覆盖 paradigm、embark、beacon、testament to、pivotal、meticulous、nestled、vibrant、unpack、deep dive、thought leader、synergy、in order to、commence、ascertain 等共 60 余个词条多数给出的不是单一替换词而是说出具体事实这类结构性指令。Tier 2 — Flag in clusters单独出现没问题同一段落出现 2 个及以上即为强 AI 信号。包含 harness、navigate、foster、elevate、unleash、streamline、empower、bolster、spearhead、revolutionize、facilitate、underpin、nuanced、multifaceted、ecosystem隐喻、myriad、plethora、encompass、catalyze、paradigm-shifting、cornerstone、paramount、poised、burgeoning、nascent 等 37 个词条。Tier 3 — Flag by density正常词汇仅在**密度饱和约占总词数 3% 以上**时才标记——这是 AI 用模糊赞美填充空间的信号。包括 significant/significantly、innovative、effective、dynamic、scalable、compelling、unprecedented、exceptional、remarkable、sophisticated、instrumental、world-class / state-of-the-art 等处理方式统一为换成具体事实数字、对比、例子。2.3 模式类别结构比词汇更致命模式目录把非词汇痕迹组织成若干类别AIWritingPatterns.md格式模式em dash目标为零硬上限每 1,000 词 1 个标题同样适用需同时捕捉 Unicode em dash 与双连字符替代、粗体滥用、标题内 emoji、bullet 泛滥、内联标题列表Performance:Performance improved by... 这种自我重复、过度结构化300 词内超过 3 个标题、200 词内 8 个以上 bullet以及 Overview/Key Points/Conclusion 这类 AI 默认标题句段模式空洞强化词genuine、truly、to be honest、对冲perhaps、could potentially、缺少段落桥接句、强迫三连、段落长度均匀、句长均匀多数句子落在 15–25 词时听起来机器味最重语义模式系词回避、同义词轮换developers... engineers... practitioners... builders、模糊归因、意义膨胀、新颖性膨胀、情感平线、虚假让步、虚假范围from the Big Bang to dark matter过渡与开场公式化过渡、In todays X、置信度校准短语堆叠Its worth noting that / Interestingly / Notably——每 2,000 词出现 1 次可以500 词里 3 次就是强调堆叠、Lets 构造、公式化开场、修辞问句开场模板与填充slot-fill 构造A [adj] step towards [adj] AI infrastructure——空格里换任何词都成立、填充短语、泛化结论、公式化挑战Despite challenges, [subject] continues to thrive聊天机器人与推理残留即 P0 中的 chatbot artifacts、奉承语气、确认循环、推理链残留、知识截止声明进阶检测模式名气堆砌cited in The New York Times, BBC, Financial Times、浅表 -ing 分析symbolizing..., reflecting..., and showcasing... 一串现在分词冒充分析、宣传腔旅游手册式散文、插入语对冲、编号列表膨胀、标题大小写滥用AI 过度大写子标题应使用 sentence case节奏与均匀性目录明确给出**结构是头号检测信号——AI 检测工具对结构规整性的权重高于词汇。句构一致、节奏均匀、对偶短语比换掉被标记的词更难掩盖。把每个 Tier 1 词都修了但节奏没动文本依然读起来是 AI 生成的。辅助检验是朗读测试**如果文本用 TTS 读出来不违和多半太均匀了另一个反向提示是过度打磨——把人类写作的所有不规则性都编辑掉反而会把文本推向 AI 统计画像。2.4 上下文画像与宽容矩阵同一条规则在不同发布场景下的严格程度不同——这是 Detect 输出必须开头声明画像的原因。目录定义了六个画像blog默认标准长文全部规则全强度linkedin短社交内容碎片化表达与视觉排版重要technical-blog带代码、架构、API 的长文技术术语放行investor-email高信任度受众收紧一切宣传腔是最大风险docs文档/README/指南清晰优先于声音casualSlack 消息、内部笔记只抓最恶劣的。宽容矩阵未列出的规则在所有画像下全强度适用Rulelinkedinblogtechnical-bloginvestor-emaildocscasualEm dashesrelaxed (2/post OK)strictstrictstrictrelaxedskipBold overuserelaxed (bold hooks OK)strictstrictstrictrelaxedskipEmoji in headersrelaxed (1-2 end-of-line OK)strictstrictstrictskipskipExcessive bulletsskip (lists work on LinkedIn)strictrelaxed (technical lists OK)strictskip (lists are docs)skipHedgingstrictstrictrelaxed (may is accurate in technical)strictrelaxedskipWord table (full)strictstrictpartial*strictrelaxedP0 onlyPromotional languagerelaxed (some sell expected)strictstrictextra strictstrictskipSignificance inflationstrictstrictstrictextra strictrelaxedskipCopula avoidanceskipstrictrelaxedstrictskipskipUniform paragraph lengthskip (short-form)strictstrictstrictrelaxedskipNumbered list inflationrelaxedstrictrelaxedstrictskipskipRhetorical questionsrelaxed (1 as hook OK)strictstrictstrictstrictskipTransition phrasesskip (short-form)strictstrictstrictrelaxedskipGeneric conclusionsskipstrictstrictextra strictskipskip* technical-blog 词汇表例外robust、comprehensive、seamless、ecosystem、leverage讨论 API 时、facilitate、underpin、streamline有合法技术含义但delve、tapestry、beacon、embark、testament to、game-changer、harness仍然标记。没有显式画像时按内容线索自动推断SignalInferred profile少于 300 词 话题标签或 提及linkedin代码块、API 引用、技术架构technical-blog称呼 投资者/融资语言investor-email分步指令、参数文档、README 结构docs无强信号blog最安全默认此外还有自引用豁免写关于 AI 写作模式的文章教程、本文这类文档时引号、代码块内或明确标注为示例的文本不标记——只标记作者自己的行文。目录还给了一个微型决策流句子先问是否在引号/代码块内是则放行否则问Tier 1 词或 2 Tier 2是则重写为具体表述再否则问slot-fill 形状或均匀节奏是则重写否则放行。即使词汇全干净形状与节奏是模板化的照样不通过——因为结构而非词汇是最强信号。3. 统计信号层运行 StatSignals.tsDetect 的第二层是与模式审计并行的确定性信号通道命令见 Detect.mdbun ~/.claude/LIFEOS/TOOLS/StatSignals.ts --file path # 或 --text / stdin--json 输出机器可读结果仓库内对应 LifeOS/install/LIFEOS/TOOLS/StatSignals.ts运行时路径~/.claude/LIFEOS/是 LifeOS 安装到用户环境后的位置。它测量六类信号每个都携带一个可靠性层级tier信号含义层级unigram_entropy一元词 Shannon 熵bits/tokenAI 文本倾向更低的词元熵real-but-imperfectbigram_entropy二元词 Shannon 熵低值更公式化的局部结构real-but-imperfecttype_token_ratio类型词比词汇多样性随长度对所有人下降只能同类长度间比较real-but-imperfecttrigram_repeat_ratio三元词重复率升高的重复是可测量的机器痕迹real-but-imperfectburstiness句长变异系数低 CV 均匀节奏GPTZero 式信号weak-aloneparagraph_uniformity段落长度变异系数词表看不见的结构性 AI 痕迹weak-alonefunction_word_ratio功能词比例文体学特征只在语料层有意义weak-alone从源码实现看StatSignals.tsShannon 熵按词频p·log2(p)计算n-gram 通过滑窗拼接后统计重复占比repeatRatioburstiness 与段落均匀度都是系数变异CV 标准差/均值见 coefficientOfVariation功能词表是约 90 个高频英文功能词的固定集合FUNCTION_WORDS。段落切分有一个实用细节先按空行分段若不足两段则退化为按行切分paragraphLengths避免单换行散文被当成一个巨大段落。使用边界在源码中被硬性编码与 Detect 工作流的说明完全一致短样本自报不可靠总词数低于MIN_WORDS 100StatSignals.ts时人类可读输出会打印 ⚠ under 100 words — every signal below is unreliable at this lengthJSON 输出则带short_sample: true字段。所以 Detect 工作流规定约 100 词以下的文本跳过数值直接不读。永不输出裁决无论人类可读还是 JSON 模式结尾都固定打印 Features, not verdicts — no keyless statistic is a reliable per-document AI detector, and paraphrase degrades all of themmain()。JSON 输出同样带caveat字段。这与 Detect 工作流信号只作为特征喂给评估绝不单独当结论的要求是同一条纪律。--explain说明缺失项工具明确列出它不实现的模型类零样本检测器及原因——DetectGPT 与 Binoculars 需要参考语言模型的 logprobs静态扫描器拿不到水印存在性指纹化需要黑盒查询生成模型无法移植到文件扫描。--explain的输出EXPLAIN同时解释了两级诚实层级的来源综述结论是随着模型规模化人/AI 分布差距收窄改写攻击会劣化所有无密钥统计检测器。Detect 工作流据此把模型类零样本检测器的经验位交给 Score 工作流而不是在这里硬凑。统计通道补的是词表的盲区一段文本可以清掉下面所有模式标记依然呈现平坦节奏与低熵。两层合起来才是完整审计。4. 完成的审计长什么样Ideal StateDetect 工作流对合格审计报告给出了六条验收标准逐条都值得当作检查清单使用每个标记引用原文——让写作者能直接定位每个标记注明模式类别与严重度层级每个标记区分 clear problem 与 judgment call——部分 AI 关联模式本身是有效写法一份要求全部修掉的报告比没用还糟它训练写作者去无视这个工具画像开头声明blog、LinkedIn、newsletter、文档、小说——同一 em dash 密度在散文中没问题在 LinkedIn 帖子里就是标记统计通道已运行约 100 词以上的样本信号带层级标签出现读作喂给评估的特征而非独立结论不重写任何东西——这个工作流只报告。5. 输出格式Detect 的固定报告模板Detect.md**Profile:** [detected profile] | **Severity pass:** [P0P1 / full] **P0 — Credibility killers:** - [offending text] — [category] — MUST FIX **P1 — Obvious AI smell:** - [offending text] — [category] — [clear problem / judgment call] **P2 — Stylistic polish:** - [offending text] — [category] — [clear problem / fine in context] **Assessment:** [clean / minor issues / needs rewrite] — [一两句话说明哪些标记是真实问题、哪些是刻意为之]注意 P0 一栏是固定的 MUST FIX可信度杀手没有商量余地P1 引入 clear problem / judgment call 的二分P2 进一步允许 fine in context——越往低层级留给语境判断的空间越大。6. 什么时候建议推倒重写Detect 工作流内嵌了一条重写推荐规则Detect.md与模式目录中 When to rewrite from scratch vs. patch 一节同源。三个条件同时满足时应直言不讳地说出来跨多个类别有5 个以上被标记的词汇命中3 个以上不同模式类别被触发句长与段落长度均匀。在这种状态下打补丁产生的是更干净的 AI 写作不是人类写作——结构本身就是机器生成的。诚实的建议是用一句话说出核心观点然后重建而不是逐句修。7. 与 Score 的配对解释与测量Detect 工作流末尾Detect.md指出它与 Score 的分工启发式负责解释经验评分负责测量。一段文本通过本审计、却在 PangramScore.ts 的Score里仍被判 100% AI 时说明它存在词表看不见的结构性痕迹——均匀节奏、均匀段落长度、缺乏具体性。这个缺口是该技能产出的信息量最大的结果所以在配置了 key 时应两个都跑。反过来Score 侧对报告有硬性契约见 Score.md必须同时给出样本长度与短样本警告、是否做了已知人类基线校准并声明这是有真实误报率的单一检测器——强信号不是裁决绝不把分数当作某个人使用 AI 的证据。Detect 保持零成本、零裁决的姿态Score 承担花钱的实证测量两者在 DetectAI 的路由表里各占一格互为补位。8. 边界与适用前提只报告不改写Detect 明确声明 Nothing is rewritten. This workflow reports.。把 AI 痕迹改成人类声音是写作类技能的职责把文本降质以骗过检测器注入错字、故意断句更是全技能明令禁止的做法。零成本与零依赖不需要 API key、不产生账单、不调用网络——除了可选的语音通知工作流开头的curl http://localhost:31337/notify是 LifeOS 的本地通知服务失败也不影响审计。运行前提统计通道需要bun运行时与安装后的LIFEOS/TOOLS/StatSignals.ts模式通道只需能读到DOCUMENTATION/Writing/AIWritingPatterns.md。短文本约 100 词以下不读统计数值工具自报不可靠模式审计仍可进行但结论要保守。英文中心功能词表与词汇替换表均面向英文文本这是从源码与目录内容可以直接确认的适用范围。信号 ≠ 裁决整个工作流的设计纪律是把每个数值、每个标记都留在特征/建议层级是否构成这段文字是 AI 写的这一结论永远不在 Detect 的输出范围内。9. 延伸阅读仓库内路径Detect 工作流 —— 本文主体对应的原文DetectAI 技能说明 —— 四手段总览与路由表模式目录 AIWritingPatterns.md —— 严重度层级、完整词汇表、模式类别、宽容矩阵StatSignals.ts —— 六类统计信号的确定性与诚实层级实现Score 工作流 与 Setup —— 经验评分侧的工具、计费与故障排查Watermark 工作流 —— 字节级隐蔽通道扫描回答的是另一个问题【免费下载链接】LifeOS⛰️ The Life Operating System — an intent engineering platform that moves you from your current state to your ideal state, in life and work.项目地址: https://gitcode.com/GitHub_Trending/pe/LifeOS创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考