afishinlake/humanize-chinese/humanize-chinese

Humanize Chinese AI Text v3.0

检测和改写中文 AI 生成文本的完整工具链。Python 包 humanize_cn，统一 CLI 入口 ./humanize。

v3.0 亮点： HC3 accuracy 51→73% (+22 pts)；句长 CV Cohen's d=1.22 最强统计特征；40 paraphrase 模板 + 122 学术替换；统一 CLI + --quick 18× 速度。

项目结构

src/humanize_cn/           # Python 包
├── config.py              # 配置加载
├── detection/             # 检测模块
│   ├── detect.py          # 通用检测（20+ 规则 + 8 统计特征）
│   └── academic.py        # 学术检测（11 维度）
├── models/                # 模型模块
│   ├── ngram.py           # N-gram 统计特征
│   ├── bert_detector.py   # BERT 检测器
│   ├── semantic_guard.py  # 语义守卫
│   └── restructure.py     # 句式重组
├── rewriting/             # 改写模块
│   ├── humanize.py        # 通用改写（同义词/连接词/噪声）
│   ├── paragraph.py       # 段落级改写
│   ├── targeted.py        # 定向改写（低频 n-gram 注入）
│   └── llm_rewrite.py     # LLM API 改写（可选）
├── interfaces/
│   └── cli.py             # 统一 CLI
└── data/                  # 数据文件（模型权重、配置、频率表）

CLI Tools

统一 CLI（推荐）

# 需要先安装包或设置 PYTHONPATH
pip install -e ".[bert]"          # 安装包（含 BERT 依赖）
# 或
export PYTHONPATH=src
 
# 检测 + 详细
./humanize detect 文本.txt -v
# 快速改写（18× 速度）
./humanize rewrite 文本.txt -o 改后.txt --quick
# 学术降重 + 双评分对比
./humanize academic 论文.txt -o 改后.txt --compare
# 风格转换
./humanize style 文本.txt --style xiaohongshu
# 前后对比
./humanize compare 文本.txt -a

Python API

from humanize_cn import detect_patterns, calculate_score, humanize_paragraph
from humanize_cn.detection.academic import detect_academic, humanize_academic
# 通用检测
issues, metrics = detect_patterns(text)
score = calculate_score(issues, metrics)
# 学术检测 + 改写
issues, metrics = detect_academic(text)
rewritten = humanize_academic(text)

评分标准

参数速查

工作流

# 1. 检测
./humanize detect document.txt -v
# 2. 改写 + 对比
./humanize compare document.txt -a -o clean.txt
# 3. 验证
./humanize detect clean.txt -s
# 4. 可选：转风格
./humanize style clean.txt --style zhihu -o final.txt

LLM 直接使用指南

当用户要求"去 AI 味"、"降 AIGC"、"人性化文本"、"改成人话"时，如果无法运行 CLI 工具，按以下流程手动处理。

第一步：检测 AI 写作模式

扫描文本中的以下模式，按严重程度分类：

🔴 高危模式（一眼就能看出是 AI）

三段式套路：

• 首先…其次…最后
• 一方面…另一方面
• 第一…第二…第三

机械连接词： 值得注意的是、综上所述、不难发现、总而言之、与此同时、由此可见、不仅如此、换句话说、更重要的是、不可否认、显而易见、不言而喻、归根结底

空洞宏大词： 赋能、闭环、数字化转型、协同增效、降本增效、深度融合、全方位、多维度、系统性、高质量发展、新质生产力

🟠 中危模式

AI 高频词： 助力、彰显、凸显、底层逻辑、抓手、触达、沉淀、复盘、迭代、破圈、颠覆

填充废话： 值得一提的是、众所周知、毫无疑问、具体来说、简而言之

模板句式：

• 随着…的不断发展
• 在当今…时代
• 在…的背景下
• 作为…的重要组成部分
• 这不仅…更是…

平衡论述套话： 虽然…但是…同时、既有…也有…更有

🟡 低危模式

• 犹豫语过多（在一定程度上、某种程度上 出现 >5 次）
• 列举成瘾（动辄①②③④⑤）
• 标点滥用（大量分号、破折号）
• 修辞堆砌（排比对偶过多）

⚪ 风格信号

• 段落长度高度一致
• 句子长度单调
• 情感表达平淡
• 开头方式重复
• 信息熵低（用词可预测）

第二步：改写策略

按以下顺序处理：

1. 砍掉三段式 把"首先…其次…最后"打散，用自然过渡代替。不是每个论点都要编号。

2. 替换 AI 套话

• 综上所述 → 总之 / 说到底 / （直接删掉）
• 值得注意的是 → （直接删掉，后面的话自己能说清楚）
• 赋能 → 帮助 / 支持 / 提升
• 数字化转型 → 信息化改造 / 技术升级
• 不难发现 → 可以看到 / （删掉）
• 助力 → 帮 / 推动

3. 句式重组

• 过短的句子合并（"他很累。他决定休息。" → "他累了，干脆歇会儿。"）
• 过长的句子拆开（在"但是""不过""同时"等转折处断开）
• 打破均匀节奏（长短句交替，不要每句差不多长）

4. 减少重复用词 同一个词出现 3 次以上就换同义词。比如"进行"可以换成"做""搞""开展""着手"。

5. 注入人味

• 加一两句口语化表达（场景允许的话）
• 用具体的例子代替抽象概括
• 偶尔加个反问或感叹
• 不要每段都总分总结构

6. 段落节奏 打破每段差不多长的格局。有的段落 2 句话，有的 5 句话，像人写东西时自然的长短变化。

第三步：学术论文特殊处理

当文本是学术论文时，改写规则不同——不能口语化，要保持学术严谨性：

学术专用检测维度：

1. AI 学术措辞（"本文旨在""具有重要意义""进行了深入分析"）
2. 被动句式过度（"被广泛应用""被认为是"）
3. 段落结构过于整齐（每段总-分-总）
4. 连接词密度异常
5. 同义表达匮乏（"研究"出现 8 次）
6. 引用整合度低（每个引用都是"XX（2020）指出…"）
7. 数据论述模板化（"从表中可以看出"）
8. 过度列举（①②③④ 频繁出现）
9. 结论过于圆满（只说好不说局限）
10. 语气过于确定（"必然""毫无疑问"）

学术改写策略：

• 替换 AI 学术套话（保持学术性）：
• 本文旨在 → 本文尝试 / 本研究关注
• 具有重要意义 → 值得关注 / 有一定参考价值
• 研究表明 → 前人研究发现 / 已有文献显示 / 笔者观察到
• 进行了深入分析 → 做了初步探讨 / 展开了讨论
• 取得了显著成效 → 产生了一定效果 / 初见成效

• 减少被动句：
• 被广泛应用 → 得到较多运用 / 在多个领域有所应用
• 被认为是 → 通常被看作 / 一般认为

• 注入学术犹豫语（hedging）：

在过于绝对的判断前加"可能""在一定程度上""就目前而言""初步来看"

• 增强作者主体性：
• 研究表明 → 笔者认为 / 本研究发现
• 可以认为 → 笔者倾向于认为

• 补充局限性：

如果结论段没有提到局限，补一句"当然，本研究也存在一定局限…"

• 打破结构均匀度：

调整段落长度，避免每段都一样。合并过短的段落，拆分过长的。

第四步：验证

改写完成后，用 CLI 工具验证效果：

./humanize detect output.txt -s

目标（基于 v3.0 的强化检测器）：

• 通用文本降到 50 分以下（MEDIUM 区间）
• 学术论文降到 40 分以下（学术专用），通用评分降到 35 分以下
• 真实 ChatGPT 输出 baseline 通常已在 5-25 分，改写后能降 3-10 分就算成功
• 刻板化 AI 样板文（论文模板/八股）可以看到 50+ 分降幅

配置说明

所有检测模式和替换规则在 src/humanize_cn/data/patterns_cn.json，可自定义：

• 添加新 AI 词汇
• 调整权重
• 增加替换规则
• 修改正则匹配

外部配置字段

critical_patterns    — 高权重检测（三段式、连接词、空洞词）
high_signal_patterns — 中权重检测（AI 高频词、模板句）
replacements         — 替换词库（正则 + 纯文本）
academic_patterns    — 学术专用检测与替换
scoring              — 权重和阈值配置