AIGC Reduce

July 8, 2026 · View on GitHub

降低学术论文 AIGC 查重率的 Claude Code Skill，同时增量兼容 Codex。

基于知网 3.0、万方、PaperPass、PaperPure 等主流检测器的技术原理，结合 humanizer skill（源自 Wikipedia "Signs of AI writing"）的 AI 痕迹识别方法论，通过三轮降重协议（去除痕迹 → 注入书面学术特征 → 自检审计）打破 AI 的模板化痕迹。

核心立场：降重 ≠ 口语化。 去 AI 味的默认方向会漂向口语化（因为口语色彩能骗过统计检测器），但学术论文过了机审还要过人审。本 skill 把保持学术书面语体设为硬底线，优先级高于修改率目标——降重靠打破模板化句式结构，而不是把论文写得口语、写差一点。

安装

Claude Code

Claude Code 是本 skill 的原始目标环境，推荐安装到：

git clone https://github.com/xiaofenggan01/aigc-reduce.git ~/.claude/skills/aigc-reduce

安装后，当你在 Claude Code 中提到「降 AI 味」「降 AIGC 率」「去 AI 检测」等关键词时，该 skill 会自动触发。

Codex

Codex 可安装到 Codex 可发现的 skills 目录：

git clone https://github.com/xiaofenggan01/aigc-reduce.git ~/.agents/skills/aigc-reduce

如果你的环境使用 $CODEX_HOME/skills：

git clone https://github.com/xiaofenggan01/aigc-reduce.git "$CODEX_HOME/skills/aigc-reduce"

Codex 通过 SKILL.md frontmatter 识别触发条件，通过 agents/openai.yaml 读取 UI 元数据。Claude Code 可以忽略 agents/openai.yaml。

为什么需要这个工具？

AIGC 检测器已经在各大高校强制使用。但检测技术存在根本性局限：

写得好 = 判 AI？ 高质量流畅论文假阳性率 6.5%，有口语化瑕疵的论文仅 1.8%
跨平台结果不一致： 同一篇论文知网 AI 率 35%，万方仅 12%
术语密集型论文受害： 术语密度 >20% 时假阳性率 8-12%
检测器依赖浅层特征： DPO 训练可使检测准确率下降 60%

核心思路：不是帮人作弊，而是帮本来是人写的论文降低被误判的风险。

四条铁律

禁止 AI 全量重写 — AI 重写 AI 文本 = 叠加 AI 指纹（PaperPure 实测：重写后检测率升至 100%）
修改率 >40%，但只能靠限定手段达标 — 贡献只能来自结构性改写（语序、句式、主被动、长句拆分）和模板句去除；禁止靠口语化、情绪化、无意义换词凑数。当"达 40%"与"保语体"冲突时，语体优先。
确定性替换 — 每次只改一小处，不经过 LLM 的 token 采样
保持学术语体（硬底线） — 降重后绝不出现网络用语、情绪词、口语表达、破折号泛滥；绝不为降重编造原文没有的事实、数据或文献。正确方向是打破模板化结构，而非破坏语体。

三轮降重协议

第一轮：去除 AI 痕迹（减法）

扫描文本 → 词级替换 → 句级重构 → 段落调整，确保修改率 >40%。

替换操作覆盖三个层级：

词级（10-15%）：模板词、72 个中文 AI 高频词、动词的系统性替换
句级（15-20%）：语序重组、长句拆分、被动改主动、主语更换
段落级（10-15%）：对称段长打破、段间过渡、语义注入

第二轮：注入书面学术特征（加法）

只去除 AI 痕迹不够，句长过匀的干净文本仍像 AI。但注入的必须是书面学术特征，不是口语特征——注入方向错了就会把论文改成说明文。

节奏工程：长短句自然交错（目标 CV ≈ 0.45），但每句仍是完整书面陈述句，不拆成电报体碎句
审慎推断（书面）："这一结果可能源于…""该趋势有待更多样本验证"；禁止"我觉得""说白了"类口语表达
操作细节补充：只据实补全原文已含的观察/参数，绝不凭空编造
声音校准：如果用户提供参考文本，分析并匹配其写作风格（参考文本正式则保持正式）

第三轮：Anti-AI 审计（自检）

审视文本，回答"这段话为什么还像 AI 写的？"，逐项排查深度 AI 痕迹模式：

重要性膨胀（"至关重要""不可忽视"）
同义词轮换（同一概念被叫了 3 个以上名字）
三板斧强迫症（连续出现"A、B和C"三件套）
系词回避（AI 不用"是"，偏用"作为/体现/代表"）
模糊归因（"有研究表明"无引用）
公式化挑战段（"尽管…但仍存在局限性"）
悬浮式分析（一句话挂了 2+ 个"从而/进而"）
空洞结论（"具有良好的应用前景"）
破折号过度使用
虚假范围（"从宏观到微观"）
成对转折收束（连续使用"不是…而是…"、"但至少…"、"不代表…"）

并新增三项语体守门自检（命中即改回书面学术表达，优先于修改率）：

□ 是否出现口语化 / 网络用语 / 情绪词？
□ 破折号是否每段 ≤1 个？
□ 是否为降重补进了原文没有的事实、数据或文献？

自动化扫描

内置 aigc_scan.py 脚本，自动扫描文本的 9 个维度（前 7 维查 AI 痕迹，后 2 维查"降重过度"）：

python3 scripts/aigc_scan.py your_paper.txt

维度	对应检测器 / 用途
模板句式密度	知网语义指纹
突发性 CV	GPTZero 核心算法
段落对称性	知网格式规范性校验
嵌套编号	统计检测
冒号并列	知网逻辑断层检测
被动语态	Turnitin 句式特征分析
标点规律	万方 BERT 语义分析
口语化 / 网络用语	降重过度预警（守学术语体）
破折号密度	降重过度预警（每段 ≤1 个）

后两个维度不是 AI 痕迹，而是"降重把语体改坏"的门禁：命中即提示对照 positive-style-academic.md 改回书面学术表达。

文件结构

aigc-reduce/
├── SKILL.md                            # Skill 核心（渐进式披露入口）
├── README.md                           # 本文件
├── agents/
│   └── openai.yaml                     # Codex UI 元数据，Claude Code 可忽略
├── references/
│   ├── positive-style-academic.md      # 降重正向标准 + 三级对照（守语体核心）
│   ├── protected-spans.md              # 受保护片段预检（引用/公式/数据/术语）
│   ├── replacement-tables.md           # 替换表 + AI 高频词 + 口语化负面清单
│   ├── ai-patterns.md                  # 深度 AI 痕迹识别模式
│   └── detection-principles.md         # 检测器技术原理与弱点
├── evals/
│   └── benchmark.md                    # 双向 benchmark（SF 该改 / SNF 不该误杀）
├── scripts/
│   └── aigc_scan.py                    # 自动化扫描脚本（9 维度）
└── tests/
    └── test_aigc_scan.py               # 扫描脚本单元测试

检测器参考数据

国内产品

产品	综合准确率	假阳性率	核心检测维度
知网 3.0	98.6%	1.2%	语义指纹、格式规范性
万方	~95%	~3%	多模型融合
PaperPass	~97%	0.3%	语言风格一致性

国际产品

产品	综合准确率	假阳性率	中文支持
Turnitin	98%（英文）/ 85%（中文）	2.1%	一般
GPTZero	90-99%	16%	良好
Copyleaks	99%+	未公开	良好

致谢

方法论综合了以下来源的实证研究：

《论文AIGC查重检测方法与原理深度研究报告》(2026-05)
Wikipedia "Signs of AI writing"（WikiProject AI Cleanup 维护）
Humanizer skill — AI 痕迹识别 + 二次自检方法论
LINUX DO 论坛社区验证的 Prompt 工程
微博博主"厄加特特"的句式变换方法论
火山引擎开发者社区发布的降重 Prompt
GitHub 开源项目：BypassAIGC、Humanizer-zh、humanize-chinese
shuorenhua（说人话） — 正向风格合同、受保护片段、双向 benchmark 的设计思路
PaperPure 实测反馈

License

MIT