AI内容可读性优化器

要解决的核心问题

内容创作与技术文档编写中，常面临可读性与SEO的冲突：

• 专业内容易因术语密集、句子过长导致Flesch-Kincaid Grade Level偏高，超出目标读者理解范围；
• 为适配SEO刻意堆砌关键词，反而破坏内容流畅度，降低用户停留意愿；
• 缺乏量化指标支撑调整，仅靠主观判断修改内容，难以精准匹配目标年级水平读者。

技能工作逻辑

该技能通过多维度量化分析+定向重写解决上述问题，核心流程如下：

1. 可读性指标采集：调用Hemingway Editor API与Grammarly Text API，结合Flesch-Kincaid评分，提取文本的句子平均长度、被动语态占比、词汇难度等数据；
2. 目标匹配校准：根据预设的目标年级水平，对比当前内容指标与目标阈值，标记需调整的段落（如超过目标年级的长句、复杂从句）；
3. SEO优化重写：在保留核心信息的前提下，通过简化句子结构、替换难词汇、自然融入SEO关键词，生成适配目标年级的可读内容，平衡可读性与搜索友好性。

适用边界与注意点

• API稳定性依赖：重写质量受Hemingway Editor API与Grammarly Text API可用性影响，若API响应异常，可能导致指标采集失败；
• 语言适配限制：核心指标适配英文内容，中文内容的Flesch-Kincaid评分需额外校准，否则易出现年级水平误判；
• 专业领域适配：极端专业领域（如量子物理、临床医学）的术语无法被简化，过度调整可能损失内容准确性，需人工二次校验；
• SEO与可读性平衡：过度优化SEO关键词可能降低可读性，需根据目标场景调整权重，避免顾此失彼。