ai-flavor-less：实践指南

实际看ai-flavor-less，先要确认它的用途：中文「AI 味」统计自查工具：不依赖 LLM，以可复现数值指纹（跨章复用 + 句长方差合取判据）定位模板化痕迹，指导去 AI 味改稿。日常自动化里，输入边界、依赖和失败处理如果不清楚就很难稳定复用。我会用一项范围明确的真实任务完成最小试跑，检查配置时间、输出质量、异常信息和维护痕迹。它适合愿意先做小范围验证并复查原始文档的团队；采用前仍要看维护状态和试跑结果。

名称：无艾味 描述：对中文现代散文（小说/散文/报告）做统计型 AI 味检测：六层指纹 + 跨章复用 + 蒸发据，抽取 LLM，支持轴线架构与六档档案（通用/网文/论文 + 新闻/乎知/学术外部语流程图）；结果用于指导 AI诗歌/文言不适用。触发：AI 味、句式指纹、行文重复、车轱转动话、文风检测、去 AI 味、审稿、改稿。 代理创建：真

句式指纹检测（ai-flavor-less）

宪章 → ONTOLOGY.md（核心本体论） 任何检测层、阈值、轮廓、输出格式的增删改，必须先关联： AI 味 = 人类读者主观可感知的差异；成因是目的性导向写作； 判据是统计特征的合取——现行 = ①出现频率 + ②标准化方差 的 2/2 制； ③信息密度为开放项（现象成立、句对级操作化已证伪退役，宪章 §3.4）。 与之冲突的实现一律视为待修缺陷。

中文 Markdown/文本章节做统计型「AI 味」检测：不靠 LLM 判断，用可复现的数值指纹定位行文重复与模板化轨迹。双重架构——统计核心（跨文体通用）+文体简介（通用/网文两套规则）对。

适用范围：中文现代散文体（小说/散文/报告/说明文）。 诗歌与文言/半文言不适用：句长恒定、对仗复现、重韵律是那些体裁的形式本体 （近体诗 CV 恒低、对战斗会触发重复旗）——会被系统性误判输出，无效（宪章§一/§五-5）。

当前状态（与宪章的差距）

• ①出现频率：已实现 —— --cross-chapter 跨章装置报告（结尾段字符4-gram，DF≥3 提示 / ≥5 flag，定位型）
• ②标准化纬度：已实现 —— L3判据为章级 CV=σ/mean（cv_thresh，高→关注）；σ仅显示，不作判据
• ③信息密度：已退役 —— 40 对盲判复核精确率 7.5%，句对级不存在车轱辘话签名； 实现已从代码删除（复现走 git 历史 v1.2），证据链见 references/indicator-3-falsification.md
• 合取判据为 2/2 制（①+②，宪章 §3.2）；工具侧超标计数输出格式未实现
• L0句内部结构按宪章降级为必性层，应与AI 味分栏输出报告（分栏待做）
• L1.5 规范清单为时敏层，结论只作提示，不进合取判据

请参阅 ONTOLOGY.md §3.1（指标）与 §3.3（六层重新定性）；CV 公式与 n-gram 构成参考 lmscan v0.6.1（Apache-2.0）并关联于代码注释。

依赖

首次运行前检查并安装Python依赖（分发包内含requirements.txt时优先用它）：

pip install -r requirements.txt
# 包内无 requirements.txt 时的等价命令：
pip install jieba jinja2 pyyaml

使用方式

检测脚本为 scripts/check.py，报告模板为 assets/report_template.md.j2（脚本自动按 asset/ → scripts/ → 当前目录顺序定位，需手工指定）。

检测章节

python scripts/check.py [--profile=通用|网文|论文|新闻|知乎|学术] [--out-dir=报告目录] 文件 [文件 ...]

支持格式：.md / .txt / 无扩展名文本 / .docx（编码自动回退，见"注意"）。

• --profile=通用（默认）：只做统计核心 + 文本内相对异常判断，不判违禁词/对话标签/系统数据行，适合论文、非网文文本。
• --profile=网文：叠加创作规范规则（违禁词、情绪直写、对话标签占比、系统数据行、破折号/'的'密度绝对阈值）。
• --profile=新闻|知乎|学术：外部语料基线（各自 5 篇、见 references/external-corpus-summary.csv）。用来回答"这篇稿是否偏离该体裁的统计形态"，阈值取均值 + 2σ。它们不是 AI 味判决——尤其学术体，其描述层（信息停滞/词性堆叠/模板）大面积触发是体裁惯例，故该 profile 故意把这几项留 null（见 profiles/学术.yaml顶部说明与宪章§5重力）。
• --out-dir：报告输出目录，默认 <当前目录>/reports/。每章产出 <章节名>_指纹报告_<profile>.md；多文件时结尾输出跨章汇总对比表。

两类开关不要混（2026-09拆分，外部基线概况的前提）：

拆分前数值阈值全被 banlist 罩着，导致 banlist: false 的体裁（外部基线全是）即使填了阈值也不生效——这是接外部基线时发现的旧缺陷。现两套解耦：banlist: false 不等于"不做任何判定"。

基线校准

用已评审通过的章节作为基线，统计各指标均值±2σ，输出建议阈值：

python scripts/check.py --calibrate 基线1.md 基线2.md ...

计算结果只打印不自动写回，构成附可直接粘贴的yaml片段。人工确认后存为profiles/<体裁名>.yaml（每体裁一个文件，任意键=配置文件名，只写差异项，其余继承"通用"部分）即可覆盖里面默认阈值；旧版单文件profiles.yaml仍兼容（当前工作目录→技能根目录→脚本/顺序替换）。格式与加载规则见references/profiles.example.yaml。

外部语料基线（新闻/知乎/学术）

仓库自带三份现成基线，无需校准即可当参照系：

python scripts/check.py --profile=知乎 待检稿.md

两条使用纪律：

1. 它回答是“不像这个体裁”，不是“不像AI”。每条阈值都是“均值+2σ”，且n=5， σ不稳定（新闻的rep_ratio就被单篇新闻1从0抬到0.209）。超出只说明结束该体裁的实测范围。
2. 学术简介创造关掉大半描述层。该体裁的“信息营销/创意性/模板命中”是新闻/知乎的3-10倍， 按宪章Q2属体裁宽度AI味，照搬动阈值将正常纸张成片误判别。可迁移的只有章级CV （跨体裁测试结论 3：六层中唯一无需换标定即可比）。要判学术文本的 AI 味，仍须 --calibrate 自己的批次。

阈值不跨语料迁移（宪章 §六）。外部基线与你自己的 --calibrate 结果可以并存， 但别用同一个阈值去判两件事。

补充检测：句法框架、判断句先行与对话感

scripts/check_frame_repeat.py 补 check.py 测不到的几层。以下盲区均已核实到代码行号，不是推测：

python scripts/check_frame_repeat.py 文件.md [--max-pred=18] [--min-frame=4]
python scripts/check_draft_stats.py 文件.md   # 体量与节奏：汉字/含标点数、分句粒度段内CV与pooled CV、标点计数、'的'密度三口径

改稿必看的第三组数（check_draft_stats.py）：check.py 给章节级指纹、check_frame_repeat.py 给句法框架，但改稿每轮要手算的字数与节奏两者都不直接给——尤其是分句粒度的段内 CV（check.py 的"段内均值 CV"是句群粒度，而改稿是逐句改的，只有分句粒度能反映改动效果）与 pooled CV。

分母陷阱（实测）：'的'密度有多个分母。check.py 的报值是"段落拼接口径"（n_chars = 逐段拼接后的长度，剔除段落间空行、段内字符原样保留），知乎 5 篇基线 3.22% 同源（来自 references/external-corpus-summary.csv 的 的密度_% 列，逐篇可核）；含空白口径比它略低（约 0.05pp），汉字分母会算出约 4.5%，看起来像"远超基线"，其实只是分母换了——混用会得出方向相反的结论。判读时先认①段落拼接栏，且比较双方必须同分母。

性质声明：这是结构性自查工具，不是判据。指标 A/B 的阈值来自单篇稿子的前后对照，没有真实语料基线（skill 的 CSV 只提供破折号基线 0.31/千字，冒号与"判断句先行"两项无基线可依）。正确用法是同一篇改前改后对照，或与同体裁文本横向比，不可当跨体裁的绝对门槛。

指标 B2 输出的是候选清单，不是判决——首句摘要位（承担标题职能）、对仗收口、事实陈述之后的落点句，都是合理的判断句先行，需人工判读。判据已加三条过滤（长度 6–18、须含判断标记、须无数字与专名）以压掉状语片段类误报；实测未过滤 25 处 → 过滤后 8 处。

改稿顺序（实测踩过坑，务必照做）：先定文体（陈述体／对话体）→ 再消跨句骨架重复 → 最后才看标点密度。反过来做（先清破折号）会得到"指标全绿但毛病一处没动"的假达标。

另一类病灶：研报味（六层指纹测不到）

"研报味"是"目的性导向写作"的极端形态（信息传递效率最大化、零闲笔、无起伏），因此落在宪章框架内；但它不触发六层指纹——check.py 全绿也可能是满篇研报味。三层可操作表征：

改法三条，按性价比排序：

1. 术语降级（零风险）：账本／净赚／盖机房 ← 累计净利／净利润／基建
2. 长句拆短（拉 CV 的主力）：一句 70 字拆成 8＋25＋37，制造长短落差
3. 一句大白话判断：补人味，但见下方陷阱

⚠ 陷阱（实测踩到过；这里曾发生过一次概念错误，已修正）：修研报味时容易顺手加虚词制造松弛，但必须先分清加的是哪一类——

语域（书面↔口语）与修辞姿态（陈述体↔伪对话）是两个正交维度： 可以口语化而毫无对话感（"米哈游只公开过一次账本"＝口语＋陈述体）； 也可以很书面而充满对话感（"读者或许会问，钱够吗"＝书面＋伪对话）。

松弛来自语域下沉与信息姿态放松，从来不来自对话感。"去 AI 味"砍对话感是对的，但不该顺带砍语域——两者是不同方向的手段，混为一谈会写出"全绿但紧"的稿子。

六层检测速览

跨章装置（指标①）

多章一次性检测「结尾段复用同一套收尾装置」——宪章三指标中①「出现频率」的落地：

python scripts/check.py --cross-chapter 章节1.md 章节2.md ...   # 或传目录 glob

输出 reports/跨章装置报告.md：字符 4-gram → 跨章文档频率 DF≥3 提示 / ≥5 flag，附每章牵连度排序（定位改哪章优先）。实测全书 76 章复现「合上本子×11」等装置簇，AUC 0.718★（全部指标最高）。规格见 references/cross-chapter-phrase-cloud.md。

各层指标细节、报告各节对应的数据结构、阈值语义与归因互斥规则（如"顿号并列的'的'不算长定语 AI 味"），见 references/detection-layers.md。

工作流

1. 确认 profile：网文/小说用 网文，论文/报告类用 通用；想拿外部语料当参照系时用 新闻/知乎/学术。不确定时问用户，默认 通用。
2. 先试跑单章：python scripts/check.py --profile=<profile> 章节.md，确认报告生成正常（缺依赖先装）。
3. 批量 + 汇总：对全书/多章一次性传入，利用结尾汇总对比表定位问题最重的章节。
4. 读报告出结论：向用户汇报时优先讲 flags 汇总行与重复骨架簇示例（这是修改抓手），逐条 L0 命中作为证据引用，不要把整份报告贴给用户。
5. 阈值不满意时校准：拿已通过的基线章节跑 --calibrate，把末尾输出的 yaml 片段确认后存为 profiles/<体裁名>.yaml，复跑即生效。

注意

• 支持格式：.md / .txt / 无扩展名文本 / .docx。纯文本编码按 utf-8 → gbk → latin-1 自动回退（GBK 编码的 txt 可直接传）。docx 仅读正文（表格行合并为段，页眉页脚/批注/脚注不统计）。
• 半角标点会被自动归一化为全角；md 的 # 标题行、> 引用行、分隔线不进入统计。
• jieba 首次标注较慢，长文本属正常；同一句子的标注有 TokCache 缓存，L0/L1/L2 共享。
• 检测是统计信号不是定论：flags 多 = 疑似 AI 味，需结合上下文判断；通用 profile 下长链'的'只展示不判 flag。
• 修改体裁参数前备份对应 profiles/<体裁名>.yaml；references/profiles.example.yaml 是结构说明，不会被加载（生效的是 profiles/*.yaml 或兼容的旧版单文件 profiles.yaml）。