转载笔记：本文是对 躺在废墟里 Lieflat（@lieflat_3）2026 年 11 月 5 日 X 长文《跑完520万字和50万次判断，我做了可能是全网最硬核的「去AI味」Skill》的总结笔记，不是原文转载。原文链接：https://x.com/lieflat_3/status/2118355780474937831
作者花了两个月做了一个语言学实验，就为了回答一个问题：所谓的「AI 味」到底是什么？他把实验结果做成了一个开源 Skill：lieflat-less-ai-tone，仓库地址是 https://github.com/larashero3-dotcom/lieflat-less-ai-tone，目前已有 5k+ star。
两轮实验：520 万字语料是怎么来的
作者先说了一个关键教训：第一轮实验有个致命漏洞。
第一轮是 629 篇文章、283 万字。5 个主流模型（Claude Opus 4.6、GPT-5.6、DeepSeek、Gemini、Kimi）各写了 300 篇，跟 329 篇人类文章对比。但两边写的根本不是同一篇东西：人类那篇写的是某公司财报，满篇数字；AI 写的是行业趋势漫谈，没几个数字。这时算出来「人类数字密度是 AI 的 3 倍」，说明不了 AI 不爱用数字，纯粹是题目不一样。
所以第二轮换了测法：540 篇配对文章、256 万字，要求同题、同事实、同长度配对生成 AI 语料。这样测出来的差异，才真正属于 AI 的写作习惯。
两轮合计 1169 篇文章、约 520 万字。在这个底子上，作者把能想到的「AI 味」拆成 100 多项指标检验。
三层检测：脚本、语义判断、人工盲读
检测分三层，各管各的短板：
- 第一层是 Python 脚本：标点、句长、分节这些能用数字算的 90 项指标全算一遍。光用这些句子特征训一个分类器，区分真人和 AI 的准确率就到了 97.6%。
- 第二层是模型语义判断：专门对付脚本看不懂、必须理解上下文才能判断的特征。这一层跑了 50.7 万次逐句逐段的判断，烧了将近 4 亿 Token。作者说成本其实不高，因为 Jev 这个模型性价比高、速度快。50 万次判断的每一条结果都带置信度存在本地 JSON 文件里，随时可以复查。
- 第三层是人工盲读：连大模型都搞不定的东西，比如比喻到底贴不贴切，就一条条人肉盲读。
第一版只用正则脚本测，有个致命缺点：正则太死板，看不懂人话。它能数出一句话里有三个顿号，但分不清这三个顿号是在列举产品参数，还是在无脑凑排比。所以才有了后面两层。
实验结论：9 项通用指标 + 9 项模型偏好
筛掉干扰信息之后，真正成立的指标分两层：第一层是跨模型通用的 9 项核心 AI 味指标，第二层是不同模型特有的写作偏好，也有 9 项。
通用指标里既有大家熟悉的句式套路，也有更隐蔽的习惯，比如用词不敢重复、衔接过渡过顺——93% 的文章连续 6 段以上都首尾紧密衔接，不给读者喘气空间。结构上 AI 也切得太碎：小节数中位数 AI 是 7，人类是 1；句长和节奏太均匀，句长方差明显偏低。
模型偏好那层，GPT-5.6 和 Claude Opus 4.6 在标点和句法上经常是反着来的。比如 Opus 特别爱用破折号（100% 的文章都用），GPT 反而比人类还少用；GPT 特别爱堆砌动词，Opus 这个毛病不明显。
作者说这两张表里的每一条，背后的实测数据和规则单拎出来都够写一篇文章。下面是他挑出来细聊的 4 个代表性发现。
发现一：AI 的比喻不是太多，是不贴切
很多人以为 AI 味重是因为 AI 比喻用得太多。作者一开始也这么觉得，但数据正好相反：在他的语料里，人类用比喻的频率反而是 AI 的 2.4 倍。
问题不在数量，在贴切度。语言学里有个说法，隐喻是人的思维工具，而不只是修辞；人之所以会比喻，是因为比喻的基础是身体与空间经验。AI 没有身体、没有感知，自然学不会比喻。它写比喻的逻辑，是靠词语在语料里的统计关联算出来的。
作者盲读时看到的例子就很典型：「数据难看得很平静」「AI 写作的薄，来自经验缺席、表面规律替代理解」。「平静」「薄」这种写法，有一种近乎诡异的 AI 感。结论很直接：现在 AI 还不会写比喻，很多 AI 味就是不贴切的比喻句造成的。
表格里还提到，Opus 的暗喻密度是人类的 2.4 倍、GPT 的 6.5 倍；比喻标记词密度 Opus 是每千字 0.488，人类 0.161，GPT 0.162。六个大模型之间对「什么是好比喻」的共识只有 0–40%。
发现二：翻译腔主要是「不是 A，而是 B」和超长前置定语
这次测的是 GPT 和 Opus 的中文写作，翻译腔很明显。作者专门测了 18 种常见的翻译腔，结果发现像普通被动句，在 AI 文章里每千字连 0.09 次都不到，跟正常中文书面语根本没区别——被动句不是信号。
真正跨模型显著的翻译腔只有两个：
- 「不是 A，而是 B」的对举句式：不管是 GPT 还是 Opus，这个翻案腔都是强信号，足足是人类的 3.4 倍。
- 超长前置定语：英文习惯把从句挂在名词后面，AI 直译成中文时，就把一长串修饰全放在中心名词前面。300 篇 AI 文章里有 179 篇都有这个问题。语料里的例子是：「这是一个能够让团队在不增加人力的情况下显著提升审核速度的工具。」
发现三：密集并列与枚举，报菜名节奏
AI 写东西好像有一种强迫症，怕别人觉得它考虑不周全，一有机会就用顿号列举。实测下来，一个分句里用顿号连排三项以上的频率，AI 是人类的 1.8 倍；放到语义层测广义的「密集并列」，AI 每千字也要高出 1.45 倍。
随便翻一句语料都是报菜名的节奏：「火锅、快餐、家庭聚餐和独自进食，不同光线、不同穿着、……」
而且不止爱排词，连句子也很喜欢排比出现。比如连续问三句：「叫什么名字？承载什么功能？嵌入哪个生态？」这种词性、字数、位置都类似的三连句，AI 出现的比例是人类的 2.75 倍。
发现四：结论提示冒号，差点被误删的指标
最开始作者只拿脚本数文章里冒号的总数，结果人类冒号总密度居然比 AI 还高——因为真人作者经常写「某某说：」来引用原话，或者用一句话引出下面的列表。当时他差点就把冒号这条规则删了。
直到用语义理解把几万个冒号按上下文意思拆成 6 类，才得出准确结论：结论提示冒号的使用上，AI 的频率是人类的 2.1 倍以上，固定提示语更是人类的 4 倍左右。
就是平时最眼熟的写法：「这组数字传递出一个残酷的现实：……」还有满屏的「核心是：」「关键在于：」「一句话总结：」。说人话就是，真人用冒号是为了引出别人的话；AI 用冒号是为了让自己能下结论。作者的建议是，把冒号前面那半句装深沉的废话直接剪掉，反而更简洁有力。
这个 Skill 的用法：先检查，再修改，人点头了才改
第一版 Skill 的使用逻辑比较粗暴，就是让 AI 照着规则把整篇文章改一遍。但这个方式有个缺点：AI 味里有一半是整篇文章的结构问题（比如句子长短太均匀、小标题太多），如果让模型逐句去改，它为了往「参差感」方向做，很可能会把正常句子改得零碎。
所以新版 lieflat-less-ai-tone 把底层逻辑全改了，核心就一句话：先检查，再修改，人点头了才准改。
具体流程是：对着 Agent 说一句「帮我用去 AI 味 Skill 处理一下这篇文章」，它绝对不会直接改文章，而是先在后台调起 Skill 里的 Python 脚本和语义判据，给出一份检测报告。等你看完回复后，它才真正开始干活。改写时只允许在命中的那几个字上做最小改动，而且如果同目录里有你自己写的风格指南（比如你平时就爱用破折号），一律以你的个人习惯为准。改完之后，它会自动对改完的文章再跑一遍复测，然后在本地生成一个独立的网页文件，告诉你修改后的效果如何。仓库里有个案例可以对照着看。
写在最后
作者在结尾说，最开始决定做这个实验时，没想到会掉进这么大一个兔子洞：前后跑了 538 万字、50 万次语义判断，中间因为正则表达式写太宽重跑了好几遍，最后又把候选句和比喻人肉盲读了一遍。
他最后抛出一个感触：大家平时那么讨厌 AI 味，讨厌的到底是什么？其实更可能是模型收敛训练后，一种太过统一的文风。这是一个很值得投入的领域，模型训练和 Agent 调试写作能力的过程，跟这个实验也有很多类似的地方。
后续他还会继续在这个 Skill 基础上迭代，还预告做了一个中文写作自然度的 Benchmark，最近就会发布。
作者简介：前记者转 AI 开发者，复旦新闻传播毕业，拿过新闻奖，写过百万+阅读公众号文章，GitHub 15k star，REDSkill 排行第二。
执笔
