如何快速看懂 avoid-ai-writing 的 Tier 1/2/3 词汇体系112 条替换词表 10 个套话短语判定标准【免费下载链接】avoid-ai-writingSkill that audits and rewrites content to remove AI writing patterns. Use it with your favorite agents including Claude Code, OpenClaw, Codex, and Hermes.项目地址: https://gitcode.com/gh_mirrors/avo/avoid-ai-writingavoid-ai-writing 是一个开源的 AI 写作痕迹检测与改写技能可配合 Claude Code、Codex 等 AI 智能体使用把AI 腔逐条找出来并给出口语化的替换词。它最核心的资产就是112 条替换词表 10 个套话短语按 Tier 1 / Tier 2 / Tier 3 三层管理——每一层的触发条件、替换方式和证据意义都不一样。读完这篇指南你不需要读任何代码就能判断一个词算不算 AI 腔、该不该替换。三层词汇体系判定条件一目了然先建立整体印象。三层的设计思路是词越可疑判定越严格地触发词越普通越要堆够证据才标记以此降低对普通人类写作的误报。层级判定条件证据意义评分权重Tier 1每个匹配都审查1A / 1B 分带1A 是 AI 生成痕迹证据1B 只是冗余表达不算证据1A ×5 / 1B ×3Tier 2同一段落出现 2 个及以上不同词单独出现合法聚集才是 AI 信号×3Tier 3密度 ≥3% 且不少于 3 次短语同一短语 2 次或 3 个不同短语只是用词饱和提示空洞夸赞×2Tier 1 判定标准每个匹配都要审查Tier 1 内部再分两个子层band替换方式相同但标记意味着什么完全不同Tier 1A —— AI 高频标记词据称在机器文本中出现频率远高于人类文本如delve、tapestry、tapestry类隐喻。一个段落里这类词扎堆就是对这段是 AI 写的的直接证据。Tier 1B —— 清晰度修订in order to、utilize、commence、ascertain、endeavor这类冗词和过度正式词。换掉它们对谁都好但它不是 AI 证据——项目用 257 段 2023 年前的人类专业写作实测过1B 词在正式写作中命中率同样不低。这是整套体系里最容易被误用的一点把句子啰嗦当作AI 写的证据正是 1A/1B 分带要防止的错误。在 detect 模式下两者必须分开汇报。几个典型替换示例命中判定建议替换delve/delve into1Aexplore、dig into、look attestament to1Ashows、proves、demonstratesleverag(e)1Ausein order to1Btoutilize1Busecommence1Bstart、begin两个容易踩坑的细节变形词一并覆盖。每个词条默认覆盖其形态变体——genuine连带genuinely、leverage连带leveraging/leveraged、meticulous连带meticulously。只有变体带出独立合法含义时才按语境判断。load-bearing必须带连字符。load bearing down on the bridge 是正常英语不标记只有连字符形式且紧跟抽象名词assumption、claim、invariant 等白名单才算 AI 痕迹——宁可漏报不误伤。Tier 2 判定标准单独合法聚集才标记Tier 2 的触发规则很具体同一段落内出现 2 个或 2 个以上不同的 Tier 2 词才整体标记代码中为found.length 2。写一段技术文用一次navigate、一次streamline完全没问题但一个段落里elevate、foster、seamless同时出现基本就要动刀了。代表词条与替换建议harness→ use、take advantage ofelevate→ improve、raise、strengthenstreamline→ simplify、speed upmyriad/plethora→ many、a lot of或直接给出数字transformative→ 直接说清楚变了什么、怎么变的cornerstone→ foundation、basis、key part条件词条deeply是个好例子只有与integrated、committed、rooted等意义感搭配一起出现才计入聚集deeply nested JSON、cares deeply 这类字面用法永远不算——因为这类词在日常文本里的基础概率远高于表内其他词无条件标记会大量误伤干净的人类写作。Tier 3 判定标准密度阈值 套话短语规则Tier 3 全是普通词significant、innovative、effective、world-class……。AI 偏爱用它们填满空间但单次出现完全合法所以只按密度标记。单词密度公式某词出现次数 ≥ max(3, 总词数 × 3%)。也就是说 100 词的文章里出现 3 次significant才标记50 词里出现 1 次不算——这是为了避免小文本一碰就响的噪声。10 个 Tier 3 套话短语多词模板句的判定更严因为两词短语重复两次的证明力已经强于重复一次 significant同一短语出现2 次及以上即标记聚集规则一篇文章出现3 个及以上不同的表内短语即使每个只出现一次也是强 AI 信号——这正是 LLM给自己的套话换着花样用的形状。10 个短语分别是emerging sector/space/category、the integration of、the intersection of、community-driven、long-term sustainability、user engagement、decentralized compute、reward emissions、tokenized incentive structures、designed for long-term。加密、Web3、AI 基建类文本是重灾区替换方向统一把抽象名词换成具体对象或数字community-driven 要说清社区到底做了什么。权重与上下文豁免为什么这套体系误报少权重梯度detector/patterns.js 中的ISSUE_WEIGHTS1A ×5 1B / Tier 2 ×3 Tier 3 ×2。1B 被刻意压低保证改掉一堆冗词这件事本身永远不会把一篇文档推向 AI 分类。技术语境豁免technical模式下robust、comprehensive、seamless、ecosystem、leverage、facilitate、underpin、streamline8 个技术合法词自动跳过——写技术博客不会被自己的行话误伤。变体与豁免优先每条词条都带上下文例外如real表示真实的而非强调语气时不标记检测时先过例外再出手。新手上手建议先用 detect 模式跑一遍只看报告、不改文件熟悉每类标记长什么样。完整模式说明见 README.md。报告里先看 Tier 1A那才是 AI 痕迹的直接证据1B 和 Tier 2 / 3 的命中按文字质量建议处理改不改看情况。替换时别发明内容词表给出的是措辞建议myriad users换成many users可以但不能凭空补出10 万用户这类原文没有的数字。对照原文保真度项目自带node detector/validate.js before.md after.md对比改写前后是否有内容丢失保真度校验逻辑在 detector/validate.js。相关资料完整词表与 74 类模式规则references/patterns.md检测引擎与评分权重实现detector/patterns.js规则与引擎的映射对照表detector/CATEGORIES.md术语定义词层级、模式、画像GLOSSARY.md本地风格检查脚本scripts/check-style.js词表数量防漂移 CI 校验scripts/check-pattern-count.sh掌握1A 是证据、1B 是修辞、Tier 2 看聚集、Tier 3 看密度这 16 个字你就能看懂 avoid-ai-writing 检测报告里的每一条词汇标记了。【免费下载链接】avoid-ai-writingSkill that audits and rewrites content to remove AI writing patterns. Use it with your favorite agents including Claude Code, OpenClaw, Codex, and Hermes.项目地址: https://gitcode.com/gh_mirrors/avo/avoid-ai-writing创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考