内容可读性优化器

解决什么问题

技术文档、博客文章和产品说明里，经常出现句子过长、被动语态堆叠、术语密度过高的问题。读者读到第二段就失去耐心，但作者很难凭直觉判断"到底哪里难读"。手动检查每句话的长度和结构既耗时又不可靠，而专业可读性指标——如 Flesch-Kincaid Grade Level、Gunning Fog Index、SMOG Index——计算起来又相当繁琐。

工作原理

这个技能将 textstat Python 库和 Hemingway API 模式组合在一起，把可读性分析自动化：

• 指标计算：通过 textstat 直接调用 flesch_kincaid_grade()、gunning_fog()、smog_index() 等函数，对文本逐段打分，输出每个指数的数值结果。
• Hemingway 模式：借助 Hemingway API 的分析逻辑，对文本的被动语态、冗长句、复杂从句等结构特征进行拆解，定位可读性下降的具体原因。
• 重写建议：根据指标结果和结构分析，生成自动重写建议，指向需要拆分或简化的句子。

核心流程是：输入文本 → 多维度指标计算 → 结构特征分析 → 输出评分与重写建议。

适用边界

• textstat 的核心指标主要针对英文文本校准，中文或其他语言的评分仅供参考，不能当作母语写作质量的判断标准。
• 自动重写建议是辅助参考，不是最终文案。改写后仍需人工确认语义是否准确，尤其是技术术语和数据不能因简化而失真。
• Hemingway API 模式适合短到中等长度的段落分析；对超长文档建议分段处理，避免一次性输入过大导致分析质量下降。