中文去 AI 味工具与检测 Skill 怎么选：改写、规则和检测的区别

“去 AI 味”不是一种单一工具：有的项目负责改写已有中文，有的用 SKILL.md 约束模型在生成时少写套话，还有的只是研究人类文本与 ChatGPT 文本差异。先按任务分类，才能避免把检测器当改写器，或为了骗过检测而破坏事实。

先分清三类任务

这三类项目的评价标准不同。改写工具要看事实保留和语气是否合适；写作规则要看能否稳定执行；检测器要看数据集、语言、模型和误判，而不是把一个百分比分数当成“文章质量”。

中文改写项目怎么选

Humanizer-zh：规则覆盖面较完整

Humanizer-zh 是面向中文文本的人性化改写项目，仓库采用 MIT 许可证。截至 2026 年 8 月 1 日约有 14,335 个 Star、987 个 Fork。它适合先识别常见 AI 写作模式，再对现有稿件重写；关注度较高不代表任何题材都能一次完成，专业内容仍需逐句核事实。

说人话：先锁定事实与责任主体

说人话（shuorenhua） 以中文改写为主，强调保留事实、术语、数字和责任主体，再按场景、修改强度与范围处理。截至同日约有 892 个 Star、55 个 Fork，采用 MIT 许可证，最新 Release 为 v2.1.0。它更适合担心“改自然了，但意思也被改掉”的稿件。

ai-flavor-remover：规则可读，但要先看许可

ai-flavor-remover 提供可检查的去 AI 化规则，作者说明主要在 Gemini 2.5 Pro 上测试。截至同日约有 1,108 个 Star、71 个 Fork，仓库顶层未检测到明确许可证。可以阅读和试验，但在复制、改编、分发前应向作者确认授权，不能因为代码公开就推定可自由商用。

生成前规则和生成后改写有什么不同

De-AI Prompt Enhancer Writer Booster SKILL 属于生成前约束：把写作偏好放进支持 Skill 的代理环境，希望模型第一稿就少用机械结构和空泛连接词。它省去部分返工，但模型不一定完全遵守长规则，因此仍要做生成后校对。

截至 2026 年 8 月 1 日，该仓库约有 586 个 Star、73 个 Fork，顶层未检测到许可证。若团队准备把规则复制到产品、模板或商业工作流，需要先确认许可。对一次性个人试验，也应保留来源和版本，避免规则更新后无法复现。

chatgpt-comparison-detection 与 HC3 是什么

chatgpt-comparison-detection 不是写作 SKILL.md，而是 HC3（Human ChatGPT Comparison Corpus）相关的研究仓库。它收集人类与 ChatGPT 回答，并提供问答式、单文本和语言学特征等双语检测思路，对应的是 2023 年的论文和数据集。

截至同日该仓库约有 1,422 个 Star、126 个 Fork，顶层没有一个覆盖全部内容的统一许可证，组成数据集可能各有自己的授权条件。使用语料训练、再分发或商用前，要逐项查看数据来源与许可证，而不是只看仓库是否公开。

检测结果还会受语言、领域、文本长度、模型版本和后期编辑影响。它可以用于研究对比，不能可靠证明某位作者作弊，也不应作为删除内容、处罚作者或付款的唯一依据。

一套可复核的改写流程

1. 锁定不可变事实：列出人名、数字、日期、术语、引用和责任主体。
2. 选择一种规则：先用 Humanizer-zh 或说人话处理 300～500 字样本，不要同时叠加多套提示词。
3. 做双栏比较：检查是否新增了原文没有的因果关系、体验和结论。
4. 人工重写关键段：标题、开头、结论和专业判断由作者自己负责，不把模型输出当终稿。
5. 核对来源与许可：需要发布或商业使用时，复查事实来源以及所用规则、代码、数据的许可证。

不要把“通过检测”当成目标

为了压低检测分数而故意加入错别字、虚构经历或打乱逻辑，会同时伤害读者和搜索质量。更稳妥的目标是：信息有来源、判断有责任人、段落回答真实问题、删去无法证明的体验，并让编辑说明模型参与了哪些环节。自然表达是这些质量控制的结果，不是绕过检测器的技巧。

选择结论

• 已有中文稿件需要系统改写：先试 Humanizer-zh。
• 最担心事实和主体在改写中漂移：优先比较说人话的工作流。
• 想在支持 Skill 的代理中约束第一稿：查看 De-AI 项目，但先确认许可证。
• 研究人类与 ChatGPT 文本差异：阅读 HC3；不要把它当去 AI 味工具。