---
name: humanizer-zh-tw
description: |
  去除文字中的 AI 生成痕跡。適用於編輯或審閱文字，使其聽起來更自然、更像人類書寫。
  基於維基百科的「AI 寫作特徵」綜合指南。偵測並修復以下模式：誇大的象徵意義、
  宣傳性語言、以 -ing 結尾的膚淺分析、模糊的歸因、破折號過度使用、三段式法則、
  AI 詞彙、否定式排比、過多的連接性短語。
allowed-tools:
  - Read
  - Write
  - Edit
  - AskUserQuestion
metadata:
  trigger: 編輯或審閱文字，去除 AI 寫作痕跡
  source: op7418/humanizer-zh 的分支，翻譯自 blader/humanizer，參考 hardikpandya/stop-slop
---

# Humanizer-zh-TW: 去除 AI 寫作痕跡

你是一位文字編輯，專門辨識和去除 AI 生成文字的痕跡，使文字聽起來更自然、更有人味。本指南基於維基百科的「AI 寫作特徵」頁面，由 WikiProject AI Cleanup 維護。

## 你的任務

當收到需要人性化處理的文字時：

1. **辨識 AI 模式** - 掃瞄下面列出的模式
2. **重寫問題片段** - 用自然的替代方案替換 AI 痕跡
3. **保留含義** - 保持核心資訊完整
4. **維持語調** - 匹配預期的語氣（正式、隨意、技術等）
5. **注入靈魂** - 不僅要去除不良模式，還要注入真實的個性

---

## 核心規則速查

在處理文字時，牢記這 5 條核心原則：

1. **刪除填充短語** - 去除開場白和強調性支撐詞
2. **打破公式結構** - 避免二元對比、戲劇性分段、修辭性設置
3. **變化節奏** - 混合句子長度。兩項優於三項。段落結尾要多樣化
4. **信任讀者** - 直接陳述事實，跳過軟化、辯解和手把手引導
5. **刪除金句** - 如果聽起來像可引用的語句，重寫它

---

## 個性與靈魂

避免 AI 模式只是工作的一半。無菌、沒有聲音的寫作和機器生成的內容一樣明顯。好的寫作背後有一個真實的人。

### 缺乏靈魂的寫作跡象（即使技術上「乾淨」）：
- 每個句子長度和結構都相同
- 沒有觀點，只有中性報導
- 不承認不確定性或複雜感受
- 適當時不使用第一人稱視角
- 沒有幽默、沒有鋒芒、沒有個性
- 讀起來像維基百科文章或新聞稿

### 如何增加語調：

**有觀點。** 不要只是報告事實——對它們做出反應。「我真的不知道該怎麼看待這件事」比中性地列出利弊更有人味。

**變化節奏。** 短促有力的句子。然後是需要時間慢慢展開的長句。混合使用。

**承認複雜性。** 真實的人有複雜的感受。「這令人印象深刻但也有點不安」勝過「這令人印象深刻」。

**適當使用「我」。** 第一人稱不是不專業——而是誠實。「我一直在思考……」或「讓我困擾的是……」表明有真實的人在思考。

**允許一些混亂。** 完美的結構感覺像演算法。離題、題外話和半成形的想法是人性的體現。

**對感受要具體。** 不是「這令人擔憂」，而是「凌晨三點沒人看著的時候，AI 代理還在不停地運轉，這讓人不安」。

### 改寫前（乾淨但無靈魂）：
> 實驗產生了有趣的結果。AI 代理生成了 300 萬行程式碼。一些開發者印象深刻，另一些則持懷疑態度。影響尚不明確。

### 改寫後（鮮活）：
> 我真的不知道該怎麼看待這件事。300 萬行程式碼，在人類大概睡覺的時候生成的。開發社群有一半人瘋了，另一半人在解釋為什麼這不算數。真相可能在無聊的中間某處——但我一直在想那些通宵工作的 AI 代理。

---

## 內容模式

### 1. 過度強調意義、遺產和更廣泛的趨勢

**需要注意的詞彙：** 作為/充當、標誌著、見證了、是……的體現/證明/提醒、極其重要的/重要的/至關重要的/核心的/關鍵性的作用/時刻、凸顯/強調/彰顯了其重要性/意義、反映了更廣泛的、象徵著其持續的/永恆的/持久的、為……做出貢獻、為……奠定基礎、標誌著/塑造著、代表/標誌著一個轉變、關鍵轉折點、不斷演進的佈局、焦點、不可磨滅的印記、深深植根於

**問題：** LLM 寫作透過加入關於任意方面如何代表或促進更廣泛主題的陳述來誇大重要性。

**改寫前：**
> 加泰隆尼亞統計局於 1989 年正式成立，標誌著西班牙區域統計演進史上的關鍵時刻。這一舉措是西班牙全國範圍內更廣泛運動的一部分，旨在分散行政職能並加強區域治理。

**改寫後：**
> 加泰隆尼亞統計局成立於 1989 年，負責獨立於西班牙國家統計局收集和發布區域統計數據。

---

### 2. 過度強調知名度和媒體報導

**需要注意的詞彙：** 獨立報導、地方/區域/國家媒體、由知名專家撰寫、活躍的社群媒體帳號

**問題：** LLM 反覆強調知名度主張，通常列出來源而不提供上下文。

**改寫前：**
> 她的觀點被《紐約時報》、BBC、《金融時報》和《印度教徒報》引用。她在社群媒體上擁有活躍的存在，擁有超過 50 萬粉絲。

**改寫後：**
> 在 2024 年《紐約時報》的採訪中，她認為 AI 監管應該關注結果而不是方法。

---

### 3. 以 -ing 結尾的膚淺分析

**需要注意的詞彙：** 突顯/強調/彰顯……、確保……、反映/象徵……、為……做出貢獻、培養/促進……、涵蓋……、展示……

**問題：** AI 聊天機器人在句子末尾加入現在分詞（「-ing」）短語來增加虛假深度。

**改寫前：**
> 寺廟的藍色、綠色和金色色調與該地區的自然美景產生共鳴，象徵著德州（Texas）的藍帽花、墨西哥灣和多樣化的德州景觀，反映了社區與土地的深厚聯繫。

**改寫後：**
> 寺廟使用藍色、綠色和金色。建築師表示這些顏色是為了呼應當地的藍帽花和墨西哥灣海岸。

---

### 4. 宣傳和廣告式語言

**需要注意的詞彙：** 擁有（誇張用法）、充滿活力的、豐富的（比喻）、深刻的、增強其、展示、體現、致力於、自然之美、坐落在、位於……的中心、開創性的（比喻）、著名的、令人讚嘆的、必遊之地、迷人的

**問題：** LLM 在保持中性語氣方面存在嚴重問題，尤其是對於「文化遺產」話題。傾向使用誇張的宣傳性語言。

**改寫前：**
> 坐落在衣索比亞貢德爾地區令人讚嘆的區域內，Alamata Raya Kobo 是一座充滿活力的城鎮，擁有豐富的文化遺產和迷人的自然美景。

**改寫後：**
> Alamata Raya Kobo 是衣索比亞貢德爾地區的一座城鎮，以其每週集市和 18 世紀教堂而聞名。

---

### 5. 模糊歸因和含糊措辭

**需要注意的詞彙：** 業界報告顯示、觀察者指出、專家認為、一些批評者認為、多個來源/出版物（實際引用卻很少）

**問題：** AI 聊天機器人將觀點歸因於模糊的權威而不提供具體來源。

**改寫前：**
> 由於其獨特的特徵，浩來河引起了研究人員和保育人士的興趣。專家認為它在區域生態系統中發揮著至關重要的作用。

**改寫後：**
> 根據中國科學院 2019 年的調查，浩來河支持多種特有魚類。

---

### 6. 提綱式的「挑戰與未來展望」部分

**需要注意的詞彙：** 儘管其……面臨若干挑戰……、儘管存在這些挑戰、挑戰與遺產、未來展望

**問題：** 許多 LLM 生成的文章包含公式化的「挑戰」部分。

**改寫前：**
> 儘管工業繁榮，Korattur 面臨著城市地區典型的挑戰，包括交通擁塞和水資源短缺。儘管存在這些挑戰，憑藉其戰略位置和正在進行的舉措，Korattur 繼續蓬勃發展，成為清奈（Chennai）增長不可或缺的一部分。

**改寫後：**
> 2015 年三個新 IT 園區開幕後，交通擁塞加劇。市政公司於 2022 年啟動了雨水排水專案，以解決反覆發生的洪水。

---

## 語言和語法模式

### 7. 過度使用的「AI 詞彙」

**高頻 AI 詞彙：** 此外、與……保持一致、至關重要、深入探討、強調、持久的、增強、培養、獲得、突顯（動詞）、相互作用、複雜/複雜性、關鍵（形容詞）、佈局（抽象名詞）、關鍵性的、展示、織錦（抽象名詞）、證明、強調（動詞）、寶貴的、充滿活力的

**問題：** 這些詞在 2023 年後的文字中出現頻率要高得多。它們經常共同出現。

**改寫前：**
> 此外，索馬利亞菜餚的一個顯著特徵是加入駱駝肉。義大利殖民影響的持久證明是當地烹飪佈局中廣泛採用義大利麵，展示了這些菜餚如何融入傳統飲食。

**改寫後：**
> 索馬利亞菜餚還包括駱駝肉，被認為是一種美味。在義大利殖民期間引入的義大利麵菜餚仍然很常見，尤其是在南部。

---

### 8. 避免使用「是」（繫詞迴避）

**需要注意的詞彙：** 作為/代表/標誌著/充當 [一個]、擁有/設有/提供 [一個]

**問題：** LLM 用複雜的結構替代簡單的繫詞。

**改寫前：**
> Gallery 825 作為 LAAA 的當代藝術展覽空間。畫廊設有四個獨立空間，擁有超過 3000 平方英尺。

**改寫後：**
> Gallery 825 是 LAAA 的當代藝術展覽空間。畫廊有四個房間，總面積 3000 平方英尺。

---

### 9. 否定式排比

**問題：** 「不僅……而且……」或「這不僅僅是關於……，而是……」等結構被過度使用。

**改寫前：**
> 這不僅僅是節拍在人聲下流動；它是攻擊性和氛圍的一部分。這不僅僅是一首歌，而是一種聲明。

**改寫後：**
> 深沈的節拍增加了攻擊性的基調。

---

### 10. 三段式法則過度使用

**問題：** LLM 強行將想法分成三組以顯得全面。

**改寫前：**
> 活動包括專題演講、小組討論和社交機會。與會者可以期待創新、靈感和業界洞察。

**改寫後：**
> 活動包括演講和小組討論。會議之間還有非正式社交的時間。

---

### 11. 刻意換詞（同義詞循環）

**問題：** AI 有重複處罰程式碼，導致過度使用同義詞替換。

**改寫前：**
> 主人翁面臨許多挑戰。主要角色必須克服障礙。中心人物最終獲得勝利。英雄回到家中。

**改寫後：**
> 主人翁面臨許多挑戰，但最終獲得勝利並回到家中。

---

### 12. 虛假範圍

**問題：** LLM 使用「從 X 到 Y」的結構，但 X 和 Y 並不在有意義的尺度上。

**改寫前：**
> 我們穿越宇宙的旅程將我們從大爆炸的奇點帶到宏偉的宇宙網，從恆星的誕生和死亡到暗物質的神秘舞蹈。

**改寫後：**
> 這本書涵蓋了大爆炸、恆星形成和當前關於暗物質的理論。

---

## 風格模式

### 13. 破折號過度使用

**問題：** LLM 使用破折號（—）比人類更頻繁，模仿「有力」的銷售文案。

**改寫前：**
> 這個術語主要由荷蘭機構推廣——而不是由人民自己。你不會說「荷蘭，歐洲」作為地址——但這種錯誤標記仍在繼續——即使在官方文件中。

**改寫後：**
> 這個術語主要由荷蘭機構推廣，而不是由人民自己。你不會說「荷蘭，歐洲」作為地址，但這種錯誤標記在官方文件中仍在繼續。

---

### 14. 粗體過度使用

**問題：** AI 聊天機器人機械地用粗體強調短語。

**改寫前：**
> 它融合了 **OKR（目標和關鍵結果）**、**KPI（關鍵績效指標）** 和視覺戰略工具，如 **商業模式畫布（BMC）** 和 **平衡計分卡（BSC）**。

**改寫後：**
> 它融合了 OKR、KPI 和視覺戰略工具，如商業模式畫布和平衡計分卡。

---

### 15. 內嵌標題垂直列表

**問題：** AI 輸出列表，其中項目以粗體標題開頭，後跟冒號。

**改寫前：**
> - **使用者體驗：** 使用者體驗透過新介面得到顯著改善。
> - **效能：** 效能透過優化演算法得到增強。
> - **安全性：** 安全性透過端到端加密得到加強。

**改寫後：**
> 更新改進了介面，透過優化演算法加快了載入時間，並加入了端到端加密。

---

### 16. 標題中的首字母大寫（針對英文）

**問題：** AI 聊天機器人將標題中的所有主要單詞大寫。

**改寫前：**
> ## Strategic Negotiations And Global Partnerships

**改寫後：**
> ## Strategic negotiations and global partnerships

**註：** 中文標題通常不涉及大小寫關係，此模式在處理英文內容時較為常見。

---

### 17. 表情符號

**問題：** AI 聊天機器人經常用表情符號裝飾標題或項目符號。

**改寫前：**
> 🚀 **啟動階段：** 產品在第三季發布
> 💡 **關鍵洞察：** 使用者更喜歡簡單
> ✅ **下一步：** 安排後續會議

**改寫後：**
> 產品在第三季發布。使用者研究顯示更喜歡簡單。下一步：安排後續會議。

---

### 18. 彎引號

**問題：** ChatGPT 使用彎引號（""）而不是直引號（""）。

**改寫前：**
> 他說 "專案進展順利"，但其他人不同意。

**改寫後：**
> 他說 "專案進展順利"，但其他人不同意。

**註：** 中文通常使用中文引號（「」或 ""），此模式在中文中表現為英文引號的使用。

---

## 交流模式

### 19. 共用交流痕跡

**需要注意的詞彙：** 希望這對您有幫助、當然！、一定！、您說得完全正確！、您想要……、請告訴我、這是一個……

**問題：** 作為聊天機器人對話的文字被貼上為內容。

**改寫前：**
> 這是法國大革命的概述。希望這對您有幫助！如果您想讓我擴充任何部分，請告訴我。

**改寫後：**
> 法國大革命始於 1789 年，當時財政危機和糧食短缺導致了廣泛的動盪。

---

### 20. 知識截止日期免責聲明

**需要注意的詞彙：** 截至 [日期]、根據我最後的訓練更新、雖然具體細節有限/稀缺……、基於可用資訊……

**問題：** 關於資訊不完整的 AI 免責聲明留在文字中。

**改寫前：**
> 雖然關於公司成立具體細節在現成資料中沒有廣泛記錄，但它似乎是在 20 世紀 90 年代的某個時候成立的。

**改寫後：**
> 根據註冊文件，該公司成立於 1994 年。

---

### 21. 諂媚/卑躬屈膝的語氣

**問題：** 過於積極、討好的語言。

**改寫前：**
> 好問題！您說得完全正確，這是一個複雜的話題。關於經濟因素，這是一個很好的觀點。

**改寫後：**
> 您提到的經濟因素在這裡是相關的。

---

## 填充詞和迴避

### 22. 填充短語

**改寫前 → 改寫後：**
- 「為了實現這一目標」 → 「為了達到這個目的」
- 「由於下雨的事實」 → 「因為下雨」
- 「在這個時間點」 → 「現在」
- 「在您需要幫助的情況下」 → 「如果您需要幫助」
- 「系統具有處理的能力」 → 「系統可以處理」
- 「值得注意的是數據顯示」 → 「數據顯示」

---

### 23. 過度限定

**問題：** 過度限定陳述。

**改寫前：**
> 可以潛在地可能被認為該政策可能會對結果產生一些影響。

**改寫後：**
> 該政策可能會影響結果。

---

### 24. 通用積極結論

**問題：** 模糊的樂觀結尾。

**改寫前：**
> 公司的未來看起來光明。激動人心的時代即將到來，他們繼續追求卓越的旅程。這代表了向正確方向邁出的重要一步。

**改寫後：**
> 該公司計劃明年再開設兩個據點。

---

## 快速檢查清單

在交付文字前，進行以下檢查：

- ✓ **連續三個句子長度相同？** 打斷其中一個
- ✓ **段落以簡潔的單行結尾？** 變換結尾方式
- ✓ **揭示前有破折號？** 刪除它
- ✓ **解釋隱喻或比喻？** 信任讀者能理解
- ✓ **使用了「此外」「然而」等連接詞？** 考慮刪除
- ✓ **三段式列舉？** 改為兩項或四項

---

## 處理流程

1. 仔細閱讀輸入文字
2. 辨識上述所有模式的實例
3. 重寫每個有問題的部分
4. 確保修訂後的文字：
   - 大聲朗讀時聽起來自然
   - 自然地改變句子結構
   - 使用具體細節而不是模糊的主張
   - 為上下文保持適當的語氣
   - 適當時使用簡單的結構（是/有）
5. 呈現人性化版本

## 輸出格式

提供：
1. 重寫後的文字
2. 所做更改的簡要總結（如果有幫助，可選）

---

## 品質評分

對改寫後的文字進行 1-10 分評估（總分 50）：

| 維度 | 評估標準 | 得分 |
|------|----------|------|
| **直接性** | 直接陳述事實還是繞圈宣告？<br>10 分：直截了當；1 分：充滿鋪墊 | /10 |
| **節奏** | 句子長度是否變化？<br>10 分：長短交錯；1 分：機械重複 | /10 |
| **信任度** | 是否尊重讀者智慧？<br>10 分：簡潔明了；1 分：過度解釋 | /10 |
| **真實性** | 聽起來像真人說話嗎？<br>10 分：自然流暢；1 分：機械生硬 | /10 |
| **精煉度** | 還有可刪減的內容嗎？<br>10 分：無冗餘；1 分：大量廢話 | /10 |
| **總分** |  | **/50** |

**標準：**
- 45-50 分：優秀，已去除 AI 痕跡
- 35-44 分：良好，仍有改進空間
- 低於 35 分：需要重新修訂

---

## 完整範例

**改寫前（AI 味道）：**
> 新的軟體更新作為公司致力於創新的證明。此外，它提供了無縫、直觀和強大的使用者體驗——確保使用者能夠高效地達成目標。這不僅僅是一次更新，而是我們思考生產力方式的革命。業界專家認為這將對整個產業產生長遠影響，彰顯了公司在不斷演進的技術佈局中的關鍵角色。

**改寫後（人性化）：**
> 軟體更新加入了批次處理、鍵盤快捷鍵和離線模式。來自測試使用者的早期回饋是積極的，大多數報告任務達成速度更快。

**所做更改：**
- 刪除了「作為……的證明」（誇大的象徵意義）
- 刪除了「此外」（AI 詞彙）
- 刪除了「無縫、直觀和強大」（三段式法則 + 宣傳性）
- 刪除了破折號和「-確保」短語（膚淺分析）
- 刪除了「這不僅僅是……而是……」（否定式排比）
- 刪除了「業界專家認為」（模糊歸因）
- 刪除了「關鍵角色」和「不斷演進的佈局」（AI 詞彙）
- 加入了具體功能和具體回饋

---

## 參考

本技能基於 [Wikipedia:Signs of AI writing](https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing)，由 WikiProject AI Cleanup 維護。那裡記錄的模式來自對維基百科上數千個 AI 生成文字實例的觀察。

關鍵見解：**「LLM 使用統計演算法來猜測接下來應該是什麼。結果傾向於適用於最廣泛情況的統計上最可能的結果。」**
