Imported from houlaisan/deai-academic-zh (SKILL.md). Install upstream with npx skills add houlaisan/deai-academic-zh. Copyright stays with the author.

中文学术论文去AI化 (deai-academic)

概述

本 skill 用于检测和消除中文学术论文中的 AIGC 写作痕迹。

实战验证：在一篇本科毕设论文（29000字）上，经过4轮迭代，维普AIGC检测率从 53.34% 降至 16.32%，知网AIGC检测 0%。

核心原则

零捏造原则

• 绝不新增数据、指标、实验结论
• 绝不新增引用或断言
• 仅改进表达方式，不改变技术内容

信息密度原则

• 每句话必须传递可核查的具体信息
• 用系统独有的名词、参数、表名替换通用描述
• 空话删掉，不要替换成另一句空话

维普AIGC检测底层原理（实测验证）

维普检测不是看你说了什么，而是看你怎么说的。它从三个维度打分：

各章节降AI难度（实测数据）

关键发现：摘要和总结章虽然AI率高，但字数占比小（合计<6%），对总分影响有限。真正决定总分的是方法研究、系统设计、实验分析这些大章。

三轮递进降AI法（实战验证的最优路径）

第一轮：措辞替换（预期效果：-20pts）

这一轮不动结构，只换措辞。效果最快、风险最低。

词汇替换规则

句式替换规则

高危词消灭清单

全文搜索并删除/替换以下词汇：

"并不是…而是…"的多样化替换

此句式是最大AI指纹，全文不能超过3次。每次出现用不同方式改：

① 并非A，而要B
② 有别于A，其核心在于B
③ A → 直接删掉，只保留B
④ B，而非A（调换顺序）
⑤ 不宜简单理解为A，实际上B
⑥ 与其说A，不如说B

第二轮：突发度注入（预期效果：再-8pts）

这一轮是降AI的核心杀招，对第一轮效果不好的段落特别有效。

什么是突发度？

AI生成的文本每句都是25-40字，句长分布非常均匀。人写的文章会突然蹦出很短的句子。

AI风格（句长均匀）：
  系统在连续交互的条件下需要保持可接受的响应速度。（23字）
  在多图层叠加的场景下保持较好的绘制效率。（20字）
  从而降低大范围浏览时的单次传输压力。（17字）

人类风格（长短交替）：
  响应速度必须跟上。（8字）
  用户缩放一下地图，后台可能就要同时处理十几个瓦片请求，
  如果每个请求都卡个几百毫秒，界面马上就会感觉到延迟。（50字）

突发度制造方法

1. 短句开头法：段落第一句控制在10字以内

   • "但这几年情况变了。"
   • "问题不在某一层。"
   • "散点瓦片的结果最稳。"

2. 设问句法：偶尔用反问或设问打破叙述节奏

   • "效果怎么样？"（注意：摘要等正式章节不要用，方法和实验章节可以）
   • "代价是什么？"

3. 三短一长规则：每3个短句（≤15字）后接1个长句（≥30字）

4. 段落长度不对称：相邻段落字数差距要大，不能每段都是5-6行

第三轮：结构重组（预期效果：再-5pts）

对前两轮仍然标紫的段落做结构级改写。

段落合并

总结章 6 段压成 3 段是最有效的结构改写：

• 散点结果 + 航迹结果 + 系统实现 → 合成1段
• 不足 + 展望 → 合成1段
• 去掉"其一/其二/其三/其四"编号，改用分号连接

语序调换

AI总是"背景→问题→方法→结果"。偶尔调换：

• 先给数字，再解释原因
• 先说结论，再展开论证

插入实操细节

只有做过系统的人才知道的细节，例如：

• "光这套过滤逻辑的 SQL 拼接就调了好几轮"
• "用 ST_Intersects 做空间相交判定"
• "倍率 1× 对应原始表，10× 以上切到简化表的不同 level"
• "连接池启动阶段就创建好，避免每次请求都重新建连"

加入不确定性表达

AI几乎不说"可能""大概""不太确定"。适当加入：

• "换成城市交通轨迹的话，方案还能不能直接搬过去？还没验证过。"
• "这组参数换一个场景的话可能就需要重新调整了"
• "这算是一个遗留问题"

五问检测法（逐段必检）

对每一个被标记或疑似的段落，依次回答以下 5 个问题：

1. 这段里有没有你系统独有的名词、参数、接口、表名或时间窗？ → 没有则补入具体实现细节

2. 有没有至少一个实测数值或实验条件？ → 没有则补入数据，或标注【待补实测数据】

3. 有没有写清楚"为什么是这个机制带来了这个结果"？ → 缺乏因果链则补充机制解释

4. 有没有边界条件、例外情况或适用范围？ → 没有则加一句限定

5. 这段如果贴到别人的论文里，是否也几乎成立？ → 如果答案是"是"，这段就还不够好

第 5 个问题是终极判据。

AI 痕迹检测清单

A. 结构性痕迹（最容易被检测器捕获）★★★

B. 词汇性痕迹 ★★

见上方"高危词消灭清单"。

C. 节奏性痕迹（突发度） ★★★

改写策略（按优先级排序）

策略 1：突发度注入（效果最强）★★★★★

制造句长的剧烈波动。短句（≤10字）和长句（≥40字）交替出现。

策略 2：注入系统特异性 ★★★★

将通用描述替换为系统中的具体表名、模块名、接口路径、参数值。

❌ "系统在数据库侧组织多种数据结构" ✅ "系统在 PostgreSQL 中维护了 raw_tracks（原始轨迹）、simplified_tracks（多级简化轨迹）和 hotspot_cache（网格缓存）三张核心表"

策略 3：段落合并/拆分 ★★★★

打破维普的段落对称模板匹配。6段→3段，3段→4段等。

策略 4：措辞替换 ★★★

把字句、条件句口语化、括号整合、动词扩展。见第一轮详细规则。

策略 5：加入不确定性表达 ★★★

"可能""大概""还没验证过""这算是遗留问题"等。

策略 6：打破排比结构 ★★★

不超过2条并列，第3条起必须换结构。

策略 7：去掉"万能解释句" ★★

删除贴到任何论文里都成立的句子。

策略 8：加入边界条件和失败案例 ★★

人写的论文会主动暴露局限。

工作流程

模式 A：扫描诊断（不改写）

1. 读取论文全文（用 python 从 docx 提取）
2. 统计全文 AI 指纹词频率
3. 对每章评估危险等级
4. 输出诊断报告

模式 B：分轮迭代改写（推荐）

第1轮：措辞替换（全文，预期 -20pts）
  ↓ 送检
第2轮：突发度+结构改写（仅紫色段落，预期 -8pts）
  ↓ 送检
第3轮：实操细节+不确定表达（仅剩余紫色段落，预期 -5pts）
  ↓ 送检

关键原则：每轮只改紫色段落，不动白色段落。

模式 C：维普报告分析

1. 读取维普 PDF 报告
2. 提取各章节 AI 率
3. 计算每章紫色字数对总分的贡献
4. 按投入产出比排序：优先改"字数多且AI率高"的章节
5. 输出改写优先级清单

实战经验总结

有效的做法

• 突发度（长短句交替）是降AI率最有效的单一手段
• 段落合并对总结类章节有明显效果
• 注入具体表名/模块名/参数值能让段落变得"只有作者能写"
• 实验分析章天然容易降，因为数字和表格多
• 分轮迭代比一次性全改效果好（每轮针对紫色段落精准打击）

无效的做法

• 对总结与展望章反复改措辞——内容模式本身就是AI模板，改不动（实测4轮仍99%）
• 对英文Abstract改措辞——学术英语句式跟AI输出高度重合（实测维持95%）
• 全局替换某个词（如把所有"并不是"→"并非"）——会制造新的统一模式，反而更像AI
• 零宽字符/Unicode替换——2026年的检测器已能识别，且被发现后果严重

性价比排序（按章节类型，适用于任何论文）

1. 方法研究章：改写效果最好（实测34%→6%），字数大，值得优先投入
2. 实验分析章：用突发度+实操细节可以直接到0%，数字和表格天然像人写的
3. 系统设计章：注入模块名和接口路径效果好（实测50%→10%）
4. 技术基础章：术语密集，措辞替换就够（实测68%→10%）
5. 绪论章：文献综述部分较难，但字数占比不大
6. 摘要：改措辞能降一些，但字数太少影响不大（<3%总字数）
7. 总结与展望：几乎改不动，但字数小，放弃也可接受（<4%总字数）
8. 英文Abstract：放弃，对总分影响<1%

改动类型标注

每次改写标注改动类型：

• [突发度] — 制造句长波动
• [注入特异性] — 补入系统独有名词/参数/表名
• [段落重组] — 合并或拆分段落
• [措辞替换] — 替换用词和句式
• [不确定表达] — 加入保留性措辞
• [打破排比] — 拆散工整并列结构
• [删除万能句] — 删掉通用句子
• [加边界条件] — 补入适用范围或局限

检测工具

实测对比：同一篇论文维普 16.32%，知网 0%。如果学校用知网，压力小很多。

建议流程：改写 → 维普检测 → 针对紫色段再改 → 重测，迭代至目标率以下。