[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-2515":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":9,"language":10,"languages":9,"totalLinesOfCode":9,"stars":11,"forks":12,"watchers":13,"openIssues":14,"contributorsCount":15,"subscribersCount":15,"size":15,"stars1d":16,"stars7d":17,"stars30d":18,"stars90d":15,"forks30d":15,"starsTrendScore":19,"compositeScore":20,"rankGlobal":9,"rankLanguage":9,"license":21,"archived":22,"fork":22,"defaultBranch":23,"hasWiki":24,"hasPages":22,"topics":25,"createdAt":9,"pushedAt":9,"updatedAt":26,"readmeContent":27,"aiSummary":28,"trendingCount":15,"starSnapshotCount":15,"syncStatus":14,"lastSyncTime":29,"discoverSource":30},2515,"aigc-reduce","xiaofenggan01\u002Faigc-reduce","xiaofenggan01","降低学术论文 AIGC 查重率的 Claude Code Skill | A Claude Code skill for reducing AIGC detection rates in academic papers",null,"Python",361,14,69,2,0,19,47,226,57,93.53,"MIT License",false,"main",true,[],"2026-06-12 04:00:14","# AIGC Reduce\n\n降低学术论文 AIGC 查重率的 Claude Code Skill。\n\n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](https:\u002F\u002Fgithub.com\u002Fblader\u002Fhumanizer)（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 → 注入人类特征 → 自检审计）让文本呈现「人类写作」的统计特征。\n\n## 安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fxiaofenggan01\u002Faigc-reduce.git ~\u002F.claude\u002Fskills\u002Faigc-reduce\n```\n\n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。\n\n## 为什么需要这个工具？\n\nAIGC 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：\n\n- **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%\n- **跨平台结果不一致：** 同一篇论文知网 AI 率 35%，万方仅 12%\n- **术语密集型论文受害：** 术语密度 >20% 时假阳性率 8-12%\n- **检测器依赖浅层特征：** DPO 训练可使检测准确率下降 60%\n\n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。\n\n## 三条铁律\n\n1. **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%）\n2. **修改率必须 >40%** — 轻度修改（\u003C20%）仅 15-25% 规避率，深度修改（>40%）可达 60-80%\n3. **确定性替换** — 每次只改一小处，不经过 LLM 的 token 采样\n\n## 三轮降重协议\n\n### 第一轮：去除 AI 痕迹（减法）\n\n扫描文本 → 词级替换 → 句级重构 → 段落调整，确保修改率 >40%。\n\n替换操作覆盖三个层级：\n- **词级（10-15%）**：模板词、72 个中文 AI 高频词、动词的系统性替换\n- **句级（15-20%）**：语序重组、长句拆分、被动改主动、主语更换\n- **段落级（10-15%）**：对称段长打破、段间过渡、语义注入\n\n### 第二轮：注入人类特征（加法）\n\n> 源自 humanizer skill 的核心洞察：只去除 AI 痕迹不够，干净但无灵魂的文本和 AI 文本一样容易被检测。\n\n- **节奏工程**：故意制造长短句交错，目标突发性 CV > 0.45\n- **不确定性注入**：\"推测…\"\"猜测…\"\"不过还需要更多数据支持\"\n- **操作细节补充**：加入实验观察、参数波动、异常说明\n- **声音校准**：如果用户提供参考文本，分析并匹配其写作风格\n\n### 第三轮：Anti-AI 审计（自检）\n\n审视文本，回答\"这段话为什么还像 AI 写的？\"，逐项排查 10 种深度 AI 痕迹模式：\n\n1. 重要性膨胀（\"至关重要\"\"不可忽视\"）\n2. 同义词轮换（同一概念被叫了 3 个以上名字）\n3. 三板斧强迫症（连续出现\"A、B和C\"三件套）\n4. 系词回避（AI 不用\"是\"，偏用\"作为\u002F体现\u002F代表\"）\n5. 模糊归因（\"有研究表明\"无引用）\n6. 公式化挑战段（\"尽管…但仍存在局限性\"）\n7. 悬浮式分析（一句话挂了 2+ 个\"从而\u002F进而\"）\n8. 空洞结论（\"具有良好的应用前景\"）\n9. 破折号过度使用\n10. 虚假范围（\"从宏观到微观\"）\n\n## 自动化扫描\n\n内置 `aigc_scan.py` 脚本，自动扫描文本的 7 个 AI 特征维度：\n\n```bash\npython3 scripts\u002Faigc_scan.py your_paper.txt\n```\n\n| 维度 | 对应检测器 |\n|------|-----------|\n| 模板句式密度 | 知网语义指纹 |\n| 突发性 CV | GPTZero 核心算法 |\n| 段落对称性 | 知网格式规范性校验 |\n| 嵌套编号 | 统计检测 |\n| 冒号并列 | 知网逻辑断层检测 |\n| 被动语态 | Turnitin 句式特征分析 |\n| 标点规律 | 万方 BERT 语义分析 |\n\n## 文件结构\n\n```\naigc-reduce\u002F\n├── SKILL.md                            # Skill 核心（120行，渐进式披露 Level 2）\n├── README.md                           # 本文件\n├── references\u002F\n│   ├── replacement-tables.md           # 替换表 + 72 词中文 AI 高频词清单\n│   ├── ai-patterns.md                  # 10 种深度 AI 痕迹识别模式\n│   └── detection-principles.md         # 检测器技术原理与弱点\n└── scripts\u002F\n    └── aigc_scan.py                    # 自动化扫描脚本（7 维度）\n```\n\n## 检测器参考数据\n\n### 国内产品\n\n| 产品 | 综合准确率 | 假阳性率 | 核心检测维度 |\n|------|-----------|---------|-------------|\n| 知网 3.0 | 98.6% | 1.2% | 语义指纹、格式规范性 |\n| 万方 | ~95% | ~3% | 多模型融合 |\n| PaperPass | ~97% | 0.3% | 语言风格一致性 |\n\n### 国际产品\n\n| 产品 | 综合准确率 | 假阳性率 | 中文支持 |\n|------|-----------|---------|---------|\n| Turnitin | 98%（英文）\u002F 85%（中文） | 2.1% | 一般 |\n| GPTZero | 90-99% | 16% | 良好 |\n| Copyleaks | 99%+ | 未公开 | 良好 |\n\n## 致谢\n\n方法论综合了以下来源的实证研究：\n\n- 《论文AIGC查重检测方法与原理深度研究报告》(2026-05)\n- [Wikipedia \"Signs of AI writing\"](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWikipedia:Signs_of_AI_writing)（WikiProject AI Cleanup 维护）\n- [Humanizer skill](https:\u002F\u002Fgithub.com\u002Fblader\u002Fhumanizer) — AI 痕迹识别 + 二次自检方法论\n- LINUX DO 论坛社区验证的 Prompt 工程\n- 微博博主\"厄加特特\"的句式变换方法论\n- 火山引擎开发者社区发布的降重 Prompt\n- GitHub 开源项目：BypassAIGC、Humanizer-zh、humanize-chinese\n- PaperPure 实测反馈\n\n## License\n\nMIT\n","AIGC Reduce 是一个旨在降低学术论文 AIGC 查重率的 Claude Code Skill。该项目基于知网 3.0、万方、PaperPass 等主流检测器的技术原理，结合 AI 痕迹识别方法论，通过三轮降重协议（去除痕迹 → 注入人类特征 → 自检审计）使文本呈现“人类写作”的统计特征。其核心功能包括词级替换、句级重构、段落调整以及节奏工程等，确保修改率超过 40%。该工具适合用于帮助那些本来由人撰写的高质量论文避免被误判为 AI 生成的情况，从而提高通过查重检测的概率。项目使用 Python 编写，并遵循 MIT 许可证。","2026-06-11 02:50:12","CREATED_QUERY"]