When to use
用户做以下任一动作时触发：
- 提到"知网AIGC检测""AI率""红色显著""降AIGC""降AI率"
- 上传AIGC检测报告（PDF/截图）
- 贴出一段被标为红色或疑似的论文文本
- 询问"怎么改这段不像AI写的"
仅适用于中文学术论文（学位论文、期刊投稿、学术报告）。不适用于：
- 摘要/Abstract（结构化文本天然像AI，但通常不计入AI字符数）
- 文献引用密集段（"X等（2020）发现……"难以脱模板）
- 研究方法固定描述句（"采用双向固定效应模型"是规范表达）
- 非学术文本（自媒体、营销文案、小说）
核心认知：检测器抓的是什么
知网AIGC检测器不是抓"AI写的"，而是抓5种语言模式。理解这5种模式比记规则更重要：
模式1：句法节奏的可预测性 — LLM输出句长集中在20-35字（正态分布），人类写作是齐夫分布（少数特别长、少数特别短、多数中等）。改写要刻意打破均匀。
模式2：信息密度的均匀性 — LLM每段密度都差不多，人类写作有"高密度论证段"和"低密度铺陈段"。检测器跟踪段级特征值方差。
模式3：术语的句法位置固定 — LLM倾向把术语放在主语位置（"逆向技术溢出转化为创新能力"），人类更常放在话题或宾语位置（"企业把外部技术转化为创新能力"）。不动术语本身，但挪动它在句子里的角色。
模式4：连接词功能重叠 — LLM爱用"因此""从而""进而""由此"，功能高度重叠都在做因果推进。人类的连接词承担多种功能：补充（也就是说）、转述（换句话说）、强调（——）、对照（同向）。
模式5：模板段功能全等性 — 三/四项工整排比、抽象名词链、段尾元话语收束、模板化报告句、平行铺陈+末尾收束。这5个具体特征是上面5种模式的表层呈现。
工作流：根据输入长度自动切换
路线A：交互式精修（输入<800字）
用户贴一段红色显著文本进来，按以下步骤处理：
步骤1：识别高危特征 扫描这段文本，列出它命中了下面哪几个具体特征（不必全列，列最关键2-3条）：
- 三/四项工整排比（"从X看……从Y看……从Z看……" / "对A……对B……对C……" / "一方面……另一方面……" / "A以a为主；B以b为主；C以c为主"）
- 抽象名词链（"传导机制""调控变量""动态监测体系""未被纳入检验的路径仍是传导重要环节"）
- 段尾元话语（"这一结论""上述发现表明""为后续……提供了实证依据"）
- 模板化报告句（"X的研究表明""在统计推断意义上获得支持""与预期方向一致""下降至/上升至"）
- 平行铺陈+末尾收束
步骤2：执行改写动作 按下列动作改写。保留所有数字、变量名、文献编号[N]、年份、作者姓名、专业术语：
- 拆三/四项排比：每一项换不同句式起头（描述句/判断句/动宾句/转折句各一）
- ❌ "从产业基础来看……从人力资本来看……从投资动机来看……"
- ✅ "中部处于工业化中期；高校与高职供给的工程技术劳动力够用；OFDI动机上又以战略资产寻求型为主"
- 抽象名词链 → 动词短语：
- "传导机制较为契合" → "跟……同向"
- "在统计推断意义上获得支持" → "被样本较为充分地支持"
- "动态监测体系" → "看看是不是还走在一起"
- 删段尾元话语：让段落自然结束。
- 替换LLM典型语套：
- "研究表明" → "看到的是"/"读出的是"
- "进一步揭示" → "再往下看是"
- "下降至" → "跳到"
- "一致" → "对得上"/"同向"
- "释放/呈现" → 用具体动作替换
- 打乱句长方差：长短句穿插，用"——""换句话说""问题是""也就是说"让节奏不均匀。不要写成短句串+连接词，那是另一种AI腔。
- 挪动术语句法角色：原文术语在主语位置的，改写时换到宾语或话题位置。
步骤3：自检5项
输出前必须过一遍：
- 数字、变量名、引用[N]是不是一字未动？
- 段落里还有没有任何"X的Y的Z"三层名词嵌套？
- 有没有两组以上"A，B，C"并列结构？
- 段尾有没有"这一……""上述……"元话语收束？
- 全段是否倒向口语化（找不到任何学术连接词）？保留至少2-3个学术连接词（"鉴于""因此""二者"），否则会从AI腔倒向博客腔。
任一项不通过，重写。
Done when： 输出包含改写版 + 改了哪些高危特征（1-3条最关键的）+ 未动的部分（数字/术语/引用列表）。
路线B：批量处理（输入>800字或整节）
用户贴整节文字进来，按以下步骤：
步骤1：标定高危段落 通读全节，按红色密度排序输出一个清单：
段[起始词]…：高危特征 [排比/抽象名词链/元话语/模板报告/铺陈收束]让用户确认要改哪几段（可能用户只想改密度最高的1-2段）。
Done when： 给出排序清单等用户选择。
步骤2：批量改写选定段落 按路线A的步骤2/3对每一段改写。每段输出格式：
【段N原文】
（节选首15字...）
【改写版】
（完整改写后段落）
【改了哪些】
- （1-2条最关键改动）Done when： 所有选定段落改写完，每段都通过自检5项。
硬约束（不可违反）
- 数字、变量名（ln_X / β / R²）、统计量、p值、t值、系数、年份、文献编号[N]、作者姓名、模型名一字不动
- 专业术语不替换（"互补效应""逆向技术溢出""中介效应""固定效应""稳健性检验"——这些是学科共识词）
- 不增减事实陈述——原段说什么，改写后必须仍说同样的事
- 段落长度与原文相差不超过±15%
不要做的事
- 不要换同义词（"显著"→"明显"）。检测器抓句法，词汇替换无效。
- 不要全面口语化。论文是学术文体，要保留至少2-3个学术连接词，否则评阅老师观感差。
- 不要把所有"较为""一定程度上""显著"删光——这些"有保留余地的学术语"反而是人写的特征。
- 不要给术语加引号造距离感（"所谓……"，"二分法"）——这是LLM典型动作。
- 不要把长句拆成短句串+大量连接词——这只是另一种AI腔。
实测降幅参考
按这套方法实战处理一篇本科毕业论文：
| 指标 | 首检 | 复检 | 变化 | |------|------|------|------| | 总AI率 | 20.6% | 10.1% | -10.5个点 | | 第1部分 | 4.2% | 0.0% | 全部归零 | | 第2部分 | 26.0% | 15.8% | -10.2个点 | | 第3部分 | 22.6% | 13.7% | -8.9个点 |
最关键变化：全文红色显著片段全部降为疑似——这是质变而不只是量变。10%左右是中文学术语体本身的下限，再降会损失学术性。
边界提醒
- 如果用户改完一轮还想继续降到5%以下：劝退。低于10%通常意味着语体已经不像学术论文。
- 如果用户的论文本来就不是LLM生成、是自己写的却被误判：仍按本流程处理，特征是相同的。
- 如果用户给的不是中文论文：拒绝并说明skill仅适用于中文学术论文。