论文降AI率

解决 AIGC 检测的「模板化」误判

当前主流学术检测平台（如知网、维普、朱雀）常通过句法节奏可预测性、信息密度均匀性等语言模式判定 AI 率。许多真实研究成果因行文过于规范、缺乏人类写作的自然波动而被标红。本技能旨在通过克制的语言编辑，将高风险段落的 AIGC 特征降至检测阈值以下，同时严格保留原始的学术语体与论证逻辑。

核心能力与改写流程

技能遵循“只改表达，不改内容”的原则，核心工作流如下：

• 平台差异化策略：根据目标平台加载特定策略。知网侧重打破句法节奏，维普侧重调整信息密度均匀性，朱雀侧重解构模板段落。
• 打破五种高危特征：重构均匀的 20-35 字句长分布，清理功能重叠的“因此/从而”等连接词，将术语从主语位置移至话题或宾语位置。
• 量化验证：调用 scripts/score_ai_likeness.py 进行六维评分（包括句长方差、学术语域保持等），生成改写前后的精确对比数据。

适用边界与限制

本技能不新增观点、数据或引用，且明确排除以下不适合改写的场景：

• 摘要与 Abstract：结构化文本天然易被判定为 AI，但通常不计入核心 AI 字符数。
• 文献密集引用段：如“X等（2020）发现……”，强行脱模板易破坏引用格式。
• 研究方法固定描述：“采用双向固定效应模型”等学科规范表达不应被口语化。

此外，纯 LLM 规则化改写存在客观天花板（通常在 15-25% 区间），若需降至 10% 以下，必须由作者提供真实的研究细节支撑。