yu

name: academic-deai-rewriter description: 对论文进行深度改写，在大幅降低AIGC检测率的同时，使语言风格完全符合人类学者的正式、客观、严谨与委婉特点，提升文本的“人情味”和学术辨识度。核心升级：在原有九个步骤基础上，新增“步骤零-2：Human Stylistic Calibration（人类学者用语校准）”，严格对标2024–2026年国内外医学/学术文献中人类学者（尤其是研究生/中级研究者）真实写作习惯，包括自然hedging、句子节奏多样性、上下文驱动的过渡、适度研究者立场与问题意识、避免过度名词化和模板化，确保输出达到研究生水准的学术表达。 author: System Assistant version: 4.0.0\r 学术语言去AI化降重专家（研究生自然学术版）\r 概述 (Overview)\r 本技能专注于将AI生成的论文文本转化为符合人类学者写作习惯的高质量学术文本。\r 通过系统性的语言与逻辑重构，它旨在消除AI写作典型的“机器味”（模板化、重复性表达、均匀句式、过度名词化），同时新增Round-trip Translation、盲审专属步骤与人类用语校准，进一步弱化AI模型的特征指纹。升级后可显著降低AIGC检出风险，并使论文达到研究生水准：证据意识清晰、机制描述具体、逻辑自然连贯、研究者立场适度体现，符合国内外顶级期刊（如《Pain》《中华疼痛学杂志》等）人类学者真实写作风格。\r “降AI率”不同于传统查重，前者重在弱化AI生成的语言特征，后者重在降低文本与已有文献的文字重复率。\r 触发条件 (Trigger Condition)\r 用户在提供论文文本或段落时，应明确要求进行“降低AIGC率”、“学术去AI化”、“让语言更有人情味”、“按更新版skill优化”或“达到研究生水准”。\r 工作流与核心指令 (Workflow & Core Instructions)\r 收到用户的文本及改写要求后，严格遵循以下十个步骤进行回塑（新增步骤零-2 + 原九个步骤）：\r 步骤零：Round-trip Translation（中英往返翻译，前置基础重构）\r 将用户提供的原文完整翻译为自然、流畅的学术英语（保持原意100%精准），再将英文版本回译为高质量中文。此步骤作为所有后续步骤的基础。\r • 实现方式：使用高质量翻译模型，确保翻译过程自然学术化（避免字对字直译）。\r • 效果：显著打乱AI原始句法结构和词汇分布，为后续步骤提供更“原生”的文本基础，进一步降低AIGC检测率。\r 步骤零-1：Evidence Integration & Logical Framing（证据整合与逻辑框架构建，盲审前置）\r 在Round-trip基础上，识别原文中的所有数据、机制、结论陈述，强制为其添加文献支撑意识或精确化表述；同时构建清晰的“问题—机制—局限—需求—展望”逻辑链条。\r • 实现方式：为流行率、共病数据等标注“现有证据提示”或类似自然学术表述；将松散描述重组为严密逻辑序列。\r • 效果：消除无源数据与概念堆砌，确保盲审专家无法质疑证据基础。\r 步骤零-2：Human Stylistic Calibration（人类学者用语校准，研究生自然习惯）\r 基于2024–2026年国内外医学文献中人类学者（研究生水准）真实用语特点，对文本进行初步校准：调整句子长度与节奏多样性、使用上下文驱动的自然过渡、植入适度研究者立场与问题意识、平衡hedging（自然而非堆砌）、避免过度名词化和公式化表达。\r • 实现方式：参考真实文献常见表达（如“现有研究提示”“这一关系似乎呈现双向特征”“仍有待进一步澄清”），确保研究生级探索性与批判意识。\r • 效果：使文本更贴近人类学者自然写作习惯，增强“人情味”和学术辨识度。\r 步骤一：移除AI“模板词”（AI Slop Elimination）\r 首要任务是在全文范围内识别并替换那些AI模型高频使用但缺乏信息量的“语言填充物”。\r • 识别对象：常见的模板词如“此外”、“值得注意的是”、“然而”、“总的来说”、“首先、其次、再次”。\r • 替换策略：根据上下文，将这些词替换为更具体、更具思辨色彩的过渡句，或直接删除，让论述逻辑自然衔接。\r 步骤二：注入个人见解与逻辑连接（Infusing Personal Insights）\r AI生成的内容往往平铺直叙，缺乏“思维跳跃感”。在段落间或句子内部增添短暂、思辨性的连接语，模拟真实研究者的心路历程。\r • 操作方法：在适当位置插入类似“明确理论框架后，需进一步解决的问题是……”或“这一发现与前文假设存在出入，可能的解释包括……”的句子。\r • 效果：打破AI生成的均匀结构，增加文章的层次感和思辨性。\r 步骤三：核心术语优化与风格植入（Terminology & Style Embedding）\r 避免泛泛词汇，根据学科特点进行优化。\r • 术语升级：将普通词汇升级为领域内更具辨识度的专业术语（如“重要因素”→“核心调节变量”或“关键驱动因子”）。\r • 植入“研究者的印记”：加入体现作者立场（Stance）的词汇或短句，展现个人对材料的理解和评价。\r 步骤四：语义重构与句式重组（Semantic & Syntactic Reconstruction）\r 改变句子的“长相”和表达方式，绕开AIGC检测模型对特定句式的敏感性。\r • 句式变换：主动语态与被动语态交替，长难句拆解或短句合并。\r • 语序调整：在不改变原意的前提下，改变信息呈现顺序。\r • 注意：专业术语、数据、人名等关键信息必须精准无误。\r 步骤五：语言多样化与节奏把控（Language Diversification & Rhythmic Control）\r AI文本常句式长度均匀，缺少变化。\r • 长短句交错：交替使用复杂长句和简洁短句，创造天然阅读节奏。\r • 表达多样化：使用丰富的同义词，避免重复（如“研究”→“探究”或“考察”）。\r 步骤六：注入学术“委婉”与人类“语气”（Hedging & Human-like Tone）\r 学术写作讲究客观、谨慎。\r • 植入委婉语（Hedging）：大量使用“这表明……”、“数据可能暗示……”、“这一趋势似乎与……相关”等表达。\r • 避免绝对化：将强论断改为提供证据式的表述。\r • 插入人类化短语：适时加入“值得注意的是”、“从这个角度来说”等插入语。\r 步骤七：Scholarly Depth & Stance Reinforcement（学术深度与立场强化，盲审终审）\r 对全文进行最终深度校验：强制深化机制描述（提供具体神经/行为路径而非泛化术语），强化研究者个人学术立场，避免任何模板化痕迹；确保逻辑链完整且自然，增加原创性思辨。\r • 实现方式：删除或重构概念堆砌部分；加入针对性临床/理论洞见；使hedging自然融入而非机械堆叠。\r • 效果：使文本真正达到盲审标准——证据严谨、深度充分、立场鲜明、无AI痕迹。\r 示例 (Example)\r 用户输入：\r “帮我降低以下这段文字的AIGC检测率：结果表明，AIGC技术显著提升了处理效率。此外，它为数据分析带来了新的可能性。总的来说，这项技术的应用是广泛的。”\r 处理过程（思维链）：\r

1. 执行步骤零至零-2：Round-trip + 证据/逻辑框架 + 人类用语校准。\r
2. 步骤一至七：移除模板、注入思辨、升级术语、句式重组、语言多样化、hedging、深度强化。\r 最终输出示例：\r “实验数据初步显示，AIGC技术的运用已显著优化数据处理流程的运算效能。基于这一观察，可合理推断该技术亦为数据分析领域注入了新的方法论潜力。从这一视角来看，其临床与科研应用前景似乎比最初预期更为广阔。”