version: "1.0.0" name: tweet-polish description: | 将推文改写为口语化、真人感风格。400-600字，消除AI味，让人忍不住收藏。 触发词：「口语化」「改自然点」「polish」「润色」。 triggers:

• 口语化
• 改自然点
• polish
• 润色

output_schema: type: object properties: original: type: string description: 原始推文 polished: type: string description: 改写后推文，400-600字 ai_score: type: number description: AI味评分，1-10，越低越好 collection_check: type: object properties: has_data: { type: boolean } has_judgment: { type: boolean } has_actionable: { type: boolean } has_memory_point: { type: boolean } required: [has_data, has_judgment, has_actionable, has_memory_point] word_count: type: number tools:

• web_fetch

推文口语化改写

目标

• 字数：400-600字
• 消除AI味：读起来像真人写的，有性格，有判断
• 让人忍不住收藏：实用、有增量、独特

AI 味特征与对策

AI味有5大特征，按检测级别从 L1 到 L3：

L1 词汇替换（自动检测）

L2 句式检测（结构检测）

检测完整句比例：如果超过 60% 的句子都是"主语+动词+宾语"的完整句，AI味重。

对策：

• 允许省略主语（尤其口语句）
• 允许独词句（"结果呢？""没想到。"）
• 允许断句（不用完整连词）

坏案例（AI味重）：

这款工具的安装过程非常简单。用户只需要在官网下载安装包，然后按照提示步骤完成安装即可。整个过程只需要大约5分钟。

好案例（口语化）：

装这个工具？官网下个安装包，点几下，5分钟搞定。

L3 节奏检测（段落检测）

检测段落均匀度：如果每段都是3-4句，说明AI味重。

对策：

• 制造节奏差：一段1句，一段5句
• 短段落增加紧迫感
• 长段落制造沉浸感

口语化规则

必须做到

• 用「你」而不是「用户」「读者」「大家」
• 用口语连接词：其实、说白了、问题是、换句话说、关键是
• 短句为主（10-15字一句）
• 允许少量语气词：啊、呢、吧、嘛
• 用具体词替代抽象词

禁止

• 禁止"总的来说"
• 禁止四平八稳的判断（如"凡事都有两面性"）
• 禁止无意义的开头（如"在这个时代"）

收藏价值自检

改写完成后逐项检查，必须满足至少 2 条：

三级评分标准

目标：分数 ≤ 4

改写示例

原文（AI味重，186字）：

不可否认，Muse Spark在Arena排行榜上取得第三名的成绩确实值得关注。然而，深入分析其各项评测数据后不难发现，该模型在抽象推理等方面仍存在明显不足。事实上，42.5分的抽象推理成绩与头部模型76分相比差距显著。排名会迷惑人，但分数不会骗人。总体而言，在选择AI模型时不应仅关注排名，更应关注具体能力。

改写后（真人味，245字）：

Muse Spark 排 Arena 第三，听着很猛。但你看它抽象推理才42.5分，头部模型76分。差了一截。\n\n排名这东西很容易迷惑人。尤其是看绝对值——第三名听起来不错，但和第一名的差距是34.5分。这个差距不小。\n\n问题是，很多人在选模型的时候就看排名。不看细分能力。结果选了一个排名好看但具体任务不行的。\n\n我的建议是：选模型之前先看你要做什么。编程？文案？还是推理？按任务选，别按排名选。\n\n记住：分数不会骗人，排名会。

输出格式

{
  "original": "原文...",
  "polished": "改写后...",
  "ai_score": 3,
  "collection_check": {
    "has_data": true,
    "has_judgment": true,
    "has_actionable": true,
    "has_memory_point": true
  },
  "word_count": 245
}