新闻详情

新闻详情

首页 / 资讯中心 / 详情

AI味太重?我做了个开源工具去味

发布时间:2026/11/13 0:44:14来源:尧图网络
AI味太重?我做了个开源工具去味
上个月我发了篇文章评论区有人问“作者你是不是用AI写的”我愣住了。我一个字一个字敲的连标点都是自己打的。但回头细读确实怪不了读者——我那篇文字机器腔调很重。我把这事跟一个做技术的朋友聊了。他说你写的东西被 AI 味腌入味了。我问他怎么治他甩给我一句“做个检测工具呗”。然后我真的去做了开源在 GitHub 上叫 anti-ai-flavor。什么叫AI味三个典型症状被吐槽之后我认真研究了一圈AI 味其实就那几类第一类空泛总结。段落结尾非要升华一句像在跟领导汇报工作。第二类高大上空词。把几个听着专业、细想空泛的四字词挂嘴边显得有水平其实什么都没说。第三类完美无瑕的过渡。开篇必是套话中间必夹一句“划重点”式的过渡结尾必是“让我们一起期待”。读起来顺畅读完记不住。这些词单独看都正常堆在一起就成了“一眼 AI”。我把AI味总结成25条规则光吐槽没用得能检测、能修复。我把常见 AI 味整理成了25 个 pattern检测规则分 P1 到 P25 四档P1-P4 强规则句式级硬伤检测到直接改。比如“不是A而是B”这种反转句式、“用一句话收尾”这种总结癖P5只标记不动手提示你自己决定P6-P10 高优先级过度谨慎、虚假平衡、元评论“顺便说一句”式插入、虚假权威P11-P16 中优先级反问句、过渡词、被动语态、抽象主语、套话结尾P17-P25 低优先级强制正式、排比节奏、过度限定、过度结构化、故意模糊拿我自己的文章一跑25 条规则里中了十几个最尴尬的是“不仅A更B”这种句式——我写的时候觉得特加分检测器直接标红这是 AI 最爱的套路。实测改写前后判若两人工具最核心的是rewrite重写功能。给你看个真实例子改前这项目不仅提升了效率也增强了用户体验。改后这项目提升了效率增强了用户体验。就删掉一个“不仅……也……”句子立刻像人话了。再来个复杂的改前在当今快速发展的时代数字化转型已经成为企业发展的必然选择。改后数字化转型已经成为企业发展的必然选择。开头那句“在当今快速发展的时代”纯属装饰删了不损失任何信息。AI 写东西喜欢铺垫人说话直接给结论。普通人怎么用一条命令这工具对不懂代码的人也友好。装好之后pip install anti-ai-flavor把文章存成 txt跑一条命令anti-ai-flavor rewrite 我的文章.txt它会自动检测、标记、改写。还有个detect命令只检测不改动跑完给你一份“AI 味体检报告”哪里中了哪条规则写得明明白白。它默认很保守只改白名单里确认过的句式拿不准的地方宁可不动不会把你独特的表达改掉。我自己的文章跑完口吻还在只是不像在念检讨书了。局限也得说清楚纯规则匹配有天花板遇到方言、特别口语化、或者故意玩梗的文本它可能标不出问题也可能误伤。它认规则不认语境。真要彻底去味还是得靠人读一遍工具能帮你把 80% 的机器腔调挡在发布之前。我把它当写作后的“照妖镜”发文章前跑一遍比自己傻读三遍管用。你平时被AI的哪些蠢操作气到过评论区聊聊。项目地址waiky-github/anti-ai-flavor
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉