Humanize MBA Text - 去除 AI 写作痕迹
🎯 项目简介
这是一个专门为中国 MBA 毕业论文设计的 AI 写作痕迹检测与去除工具。基于 MBA 论文的学术规范和实践要求，通过多维度检测方法识别文本中的 AI 生成特征，并提供具体的修改建议，帮助你将 AI 生成的文本改写为自然、人类化的学术写作风格。
✨ 版本 1.5 新特性（段落级句长 CV + 报告可读性升级）
- 📐 段落级句长 CV 分析：参考
AI_artifact_detection 方法，以段落内句子长度的变异系数（CV）作为核心 AI 信号，中文按 CJK 字符、英文按单词计数
- 📊 中文 CV 报告：检测 Markdown 报告末尾自动附加五段式 CV 报告——整体统计 / CV 分布 / Uniform 段落详情 / 章节汇总 / 句长分布
- 🔁 改写前后对比：新增
scripts/detect_compare.py，输入改写前、改写后两个文本，输出中文 Before/After 对比 Markdown
- 🌐 可选英文检测模式：
sentence_length.analyze(text, language="en") 支持英文散文的句长 CV 检测
- 🎯 内容片段带上下文：详细问题列表中的内容片段现在显示匹配处前后约 20 字，便于快速定位
- 📝 修改建议完整显示：不再截断修改建议，完整输出所有提示
- 📋 Uniform 段落完整表格：CV < 0.30 的段落全部以表格列出，不再限制 20 条
- ⏰ 真实生成时间：报告末尾显示实际生成时间（YYYY-MM-DD HH:MM:SS）
历史版本（1.4 / 1.3 / 1.2）特性已归档至 FEATURE.md。
核心功能
- ✅ 多层级 AI 检测：从规则匹配（regex）→ 散文统计（5 维 CV/指纹）→ 语义链（10 维跨段/跨章）三层叠加
- ✅ 段落级句长 CV 报告：基于
AI_artifact_detection 方法，输出 Uniform 段落、CV 分布、章节汇总、句长分布
- ✅ 改写前后对比：
scripts/detect_compare.py 一键生成 Before/After 中文对比报告
- ✅ 章节特定规则：针对绪论、理论、分析、建议、结论 5 个章节的优化策略
- ✅ MBA 论文规范：符合中国高校 MBA 论文字数、结构、格式要求
- ✅ 结构化改写计划：每个 issue 都附 location + skeleton + recommended replacements + 目标字数
- ✅ 自动修复：自动处理中英文混排空格等简单问题
- ✅ 智能反馈：生成详细的修改建议和前后对比示例
- ✅ Claude Skill 集成：可作为 Claude Code 的 Skill 直接使用
技术参考
本项目在优化策略设计上参考了 thesis-optimizer 项目的三维协同优化理念：
- 🔍 降AI检测率：句式多样化、语气自然化、逻辑人性化
- 📉 降查重率：深度语义改写、引用规范化、专业术语处理
- ✨ 学术润色：表达精准化、学术规范性、可读性优化
🎓 MBA 论文核心原则
本工具基于中国 MBA 论文的学术规范设计，遵循以下核心原则：
1. 实践导向
- 必须来源于企业管理实际，解决具体管理问题
- 避免纯理论空谈
2. 小题大做
- 选题聚焦明确，"小题深做"
- 核心概念不超过 2-3 个
- 避免选题过大、过于宽泛
3. 数据溯源
- 所有数据必须注明来源
- 确保准确性和可信度
- 删除"相关数据显示"等模糊表述
4. 理论支撑
- 运用 1-2 个相关理论作为分析框架
- 避免就事论事
5. 结构规范
- 正文字数 ≥ 3 万字
- 每章至少 4 节（含本章小结）
- 每节内容充实，避免一节不足一页
6. 学术诚信
🚀 快速开始
安装
# 克隆仓库
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git
cd humanize-mba-text-skill
# 安装依赖（如需使用 transformers 模型）
pip install transformers torch
基础使用
1. 基础检测
# 使用基础规则检测
python scripts/detect_ai_patterns.py your_text.txt --format markdown --output report.md
2. 多维度融合检测（推荐）
# 使用多维度检测
python scripts/multi_detector.py your_text.txt --format markdown --output report.md --plan plan.json
3. 生成修改建议
# 基于检测结果生成反馈
python scripts/feedback_generator.py detection_result.json --text your_text.txt --output feedback.md
4. 应用自动修复
# 自动修复空格等简单问题
python scripts/feedback_generator.py detection_result.json --text your_text.txt --apply
5. 改写前后对比（CV 报告）
# 对比改写前后的句长 CV 变化，输出中文 Markdown
python scripts/detect_compare.py before.txt after.txt --output compare.md
# 同时输出结构化 JSON
python scripts/detect_compare.py before.txt after.txt --output compare.md --json compare.json
示例文件见 examples/cv_before.txt、examples/cv_after.txt、examples/cv_compare.md。
作为 Claude Skill 使用
- 将本仓库克隆到 Claude Code 的 skills 目录：
cd ~/.config/opencode/skills
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git
- 在 Claude Code 中触发 Skill：
去 AI 痕迹：[粘贴你的文本]
或
帮我去除这段文字的 AI 写作痕迹
📊 检测维度
1. 规则匹配检测
识别以下 AI 写作特征：
- AI 词汇：赋能、抓手、闭环、痛点、赛道等
- 模糊归因："有研究指出"、"专家认为"等
- 过度强调："关键"、"核心"、"至关重要"等
- 宏观叙事："时代"、"趋势"、"浪潮"等
- 表面分析："凸显了"、"反映了"等 -ing 结尾分析
- 套话结尾："综上所述"、"由此可见"等
- 连接词过多："首先...其次...最后"等
- 中英文混排空格："MBA 论文" → "MBA论文"
2. 统计分析检测
- 句子长度均匀度：AI 文本通常句子长度更均匀
- 词汇多样性：AI 文本词汇多样性较低
- 标点符号分布：分析标点使用模式
- 段落结构：检测段落长度分布
3. 语言特征检测
- 连接词密度：统计逻辑连接词使用频率
- 正式表达模式：识别过度正式的学术表达
- 句式复杂度：分析复杂句式使用情况
4. 散文结构分析器（v1.3）
每个分析器返回 AnalyzerIssue(analyzer_id / severity / confidence / location / evidence / suggestion) 和统计指标：
| 维度 | analyzer_id | 触发 |
|---|
| 6 | uniform_sentence_length | 段落级 + 全文级句长方差/CV 超阈值 |
| 9 | uniform_paragraph_length | 段间字数高度均匀（CV < 0.25） |
| 10 | paragraph_edge_template_repeat | 段首/段末指纹连续 ≥ 3 段相同 |
| 8a | paragraph_structure_uniformity | 跨段四元句式指纹连续 ≥ 3 段相同 |
| 8b | chapter_template_repeat | 单章内 ≥ 3 节使用同一章法模板 |
5. 语义链分析器（v1.3）
跨段、跨章节检测 AI 在成链动作上的痕迹：
| 维度 | analyzer_id | 触发 |
|---|
| 3 | chain_three_part_rule | 连续 3+ 段使用「一是...二是...三是」或「首先...其次...最后」 |
| 3 | chain_author_listing | 单章 4+ 处「作者(年份)指出/认为」罗列 |
| 3 | chain_method_name | 单段堆叠 2+ 个方法/模型/理论名且无逐方法说明 |
| 3 | chain_abstract_template | 单段命中 3+ 个摘要模板短语 |
| 3 | chain_conclusion_echo | 结论章首段与绪论首段字符级 Jaccard ≥ 0.30 |
| 4 | chain_vague_problem_statement | 2+ 处笼统问题表述且 30 字内无数字支撑 |
| 4 | chain_unsupported_quantification | 2+ 个百分比/排名断言 80 字内无根据/N= 标记 |
| 4 | chain_macro_narrative | 1000 字窗口内 3+ 个宏观叙事短语 |
| 5 | evidence_chain_completeness | 跨 content+evidence 规则：2+ 个量化/调研断言无方法锚点 |
| 5 | cross_section_problem_trace | 问题章 ↔ 对策章关键词重叠率 < 30% |
6. 结构化改写计划（v1.3）
detect_ai_patterns.AIPatternDetector.generate_report() 和 multi_detector.FusionEngine.detect() 都会暴露 modify_plan 键，每行一条 ModifyEntry：
{
"analyzer_id": "chain_unsupported_quantification",
"severity": "high",
"location": "global",
"evidence": "出现 7 个百分比/排名类断言，其中 5 个 80 字内没有根据/来源",
"suggestion": "为每个量化断言补齐来源",
"rewrite_template": "为每个量化断言补齐来源：样本、时间、统计口径。",
"recommended_replacements": [
"根据 2023 年 12 月客户问卷（N=120），...",
"样本说明：'问卷采用 5 分制李克特量表'",
"无法核实时标注：'该指标需要进一步核实'"
],
"target_word_count_range": [60, 140],
"before_after_example": {
"before": "客户满意度提升20%。",
"after": "根据2023年12月客户问卷（N=120），客户满意度从3.8分升至4.5分。"
}
}
7. 按句聚合的高风险标注（v1.4）
report["high_risk_annotations"] 是新增的第三数组——一句话一条，把正则命中和结构/链 issue 合并到同一个句子，避免 matches[]（540 条但每条只有笼统建议）与 modify_plan[]（4 条聚合但无具体行号）的信息断层。
{
"sentence_index": 17,
"char_offset_start": 1287,
"char_offset_end": 1335,
"sentence_text": "数字化转型赋能业务创新，形成从生产到服务的完整闭环。",
"line_number": 24,
"severity": "high",
"triggered_rules": [
{
"rule_id": "ai_buzzwords",
"pattern_name": "AI词汇/互联网黑话",
"pattern_type": "regex",
"evidence": "赋能",
"confidence": 1.0,
"severity": "high",
"phrase_replacements": [
"赋能 → 促进/支持",
"闭环 → 闭合回路/完整流程",
"抓手 → 切入点/措施"
],
"before_after_example": {
"before": "数字化转型赋能业务创新，形成从生产到服务的完整闭环。",
"after": "数字化改造使生产到售后的流程数据打通，订单处理时长从5天缩短至2天。"
}
}
],
"rewrite_template": "把互联网黑话替换为传统管理学术语。",
"recommended_replacements": [
"赋能 → 促进/支持",
"闭环 → 闭合回路/完整流程"
]
}
字段含义：
| 字段 | 说明 |
|---|
sentence_text | 原始句子原文 |
char_offset_start/end | 在原文中的字符偏移（含终止符） |
line_number | 原文 1-based 行号 |
severity | 该句所有规则中的最高严重度 |
triggered_rules[].rule_id | ai_buzzwords / empty_solution_verbs / chain_three_part_rule 等 |
triggered_rules[].phrase_replacements | 来自 TOML phrase_replacements：可直接复制的短语替换（如 "赋能 → 促进/支持"） |
triggered_rules[].before_after_example | 来自 TOML [[categories.examples]]：真实改写对 |
rewrite_template | 来自 rewrite_planner._SKELETONS：该句最高优先级规则的改写骨架 |
recommended_replacements | 同句所有规则替换短语的去重并集 |
保证：
- 数组按
severity 高→低、再按 char_offset_start 升序排序，可直接对接 LLM humanizer agent 逐句处理
- 同句多条规则 → 一条 annotation，
triggered_rules[] 聚合
- 现有
matches / modify_plan / summary / metrics 字段完全不变
🎓 分章节写作指南
本工具提供针对 MBA 论文 5 个核心章节的详细写作指南：
第1章 绪论
常见问题：
- ❌ 宏大叙事式开头："随着经济的发展..."
- ❌ 研究意义空泛："具有重要理论意义和实践价值"
- ❌ 文献综述罗列：A说、B说、C说
- ❌ 研究方法简单罗列
改进策略：
- ✅ 开门见山：直接点明研究企业、具体问题
- ✅ 意义具体：说明解决什么问题、带来什么价值
- ✅ 综述主题化：按主题组织，有批判性分析
- ✅ 方法具体：说明数据来源、样本、分析工具
📄 详细指南：chapter-1-introduction.md
第2章 理论基础
常见问题：
- ❌ 教科书式定义堆砌
- ❌ 理论罗列：介绍5-6个理论
- ❌ 理论与实践脱节
改进策略：
- ✅ 简洁界定：2-3 个核心概念
- ✅ 精选理论：1-2 个核心理论，说明选择理由
- ✅ 应用导向：理论为后续分析提供框架
📄 详细指南：chapter-2-theory.md
第3章 现状与问题分析
常见问题：
- ❌ 企业概况资料堆砌，与研究关联度低
- ❌ 现状描述定性为主，缺乏数据
- ❌ 问题识别笼统："管理不善"、"效率低下"
- ❌ 成因分析表面化：停留在现象描述
改进策略：
- ✅ 聚焦相关：只提供与研究相关的背景
- ✅ 数据说话：用具体指标和时间序列数据
- ✅ 问题具体：每个问题都有衡量指标和调研数据
- ✅ 深入挖掘：用理论框架分析根本原因
📄 详细指南：chapter-3-analysis.md
第4章 对策建议
常见问题：
- ❌ 建议空泛："加强管理"、"优化流程"
- ❌ 缺乏可操作性
- ❌ 忽视约束条件
- ❌ 套用模板：SWOT 流于形式
改进策略：
- ✅ 具体可操作：明确做什么、怎么做、谁来做
- ✅ 分阶段实施：区分短期、中期、长期
- ✅ 考虑约束：分析资源、能力、文化限制
- ✅ 效果量化：预期效果尽可能量化
📄 详细指南：chapter-4-solutions.md
第5章 结论
常见问题：
- ❌ 重复摘要内容
- ❌ 简单罗列各章内容
- ❌ 创新点空泛："首次研究"、"填补空白"
- ❌ 回避研究局限
改进策略：
- ✅ 研究发现：突出核心发现，不与摘要重复
- ✅ 创新具体：客观说明理论、方法、应用创新
- ✅ 诚实局限：具体分析局限和影响
- ✅ 未来展望：提出具体可行的研究方向
📄 详细指南：chapter-5-conclusion.md
📝 格式规范
独立的格式规范文档覆盖：
- 中英文/数字混排规范
- 图表编号与排版规范
- 引用与参考文献规范
- 数字与单位规范
- 标点符号规范
- 段落与层级规范
📄 详细规范：format-standards.md
📈 检测结果解读
检测报告包含以下维度：
- AI 生成概率：0-100%，分数越高 AI 痕迹越明显
- 风险等级：🔴 高风险 / 🟡 中风险 / 🟢 低风险
- 检测器一致性：三种检测方法的结果一致性
- 优先修复项：按严重程度排序的修改建议
- 章节特定建议：根据检测到的章节类型提供针对性建议
修改策略
根据 AI 概率分数采取不同策略：
🔴 高风险 (>70%)：深度改写
- 全面重构段落结构
- 删除所有 AI 特征词汇
- 补充具体数据和案例
- 预计时间：2-3小时
🟡 中风险 (40-70%)：针对性优化
- 修复高优先级 AI 特征
- 调整套话和模板化表达
- 补充关键数据支撑
- 预计时间：1-2小时
🟢 低风险 (<40%)：细节润色
- 修复少量 AI 痕迹
- 优化语言表达
- 最终校对
- 预计时间：30分钟-1小时
💡 使用示例
示例 1：去除 AI 词汇
原文：
数字化转型已成为推动企业高质量发展的关键抓手，
通过赋能业务创新，为企业创造显著价值。
改写后：
本研究探讨数字化转型对企业绩效的影响。
通过分析XX公司2018-2023年的财务数据，
发现数字化投入与营业收入增长呈正相关关系。
示例 2：去除模糊归因
原文：
有研究指出，企业文化对组织绩效具有重要影响。
改写后：
Schein(2010)的研究表明，强势企业文化与组织绩效
存在正相关关系（r=0.42, p<0.05）。
示例 3：MBA 论文小题大做
原文：
企业数字化转型研究
改写后：
XX公司生产部门数字化转型中的流程优化研究
示例 4：数据溯源
原文：
企业营收增长20%，员工满意度为85%。
改写后：
根据XX公司2023年年报，企业营收同比增长20%。
根据2023年12月开展的问卷调查（N=120），员工满意度为85%。
示例 5：修复中英文混排空格
原文：
MBA 论文写作需要关注 AI 痕迹问题。
2023 年的研究表明，15 % 的企业存在此类问题。
改写后：
MBA论文写作需要关注AI痕迹问题。
2023年的研究表明，15%的企业存在此类问题。
📁 项目结构
humanize-mba-text-skill/
├── SKILL.md # Claude Skill 主文件
├── README.md # 本文件（中文）
├── README_EN.md # English README
├── README_JP.md # 日本語 README
├── README_KR.md # 한국어 README
├── LICENSE # MIT 许可证
│
├── references/ # 参考文档 + AI 检测规则数据
│ ├── ai-writing-patterns.md # AI写作特征详细指南
│ ├── chapter-1-introduction.md # 第1章：绪论写作指南
│ ├── chapter-2-theory.md # 第2章：理论基础写作指南
│ ├── chapter-3-analysis.md # 第3章：现状与问题分析写作指南
│ ├── chapter-4-solutions.md # 第4章：对策建议写作指南
│ ├── chapter-5-conclusion.md # 第5章：结论写作指南
│ ├── format-standards.md # 格式规范
│ ├── strategy_ai_reduction.md # 降AI检测率策略
│ ├── strategy_plagiarism.md # 降查重率策略
│ ├── strategy_polishing.md # 学术润色策略
│ ├── chinese-paper-humanization-rules.toml # 规则单体入口（fallback）
│ └── rules/ # ⭐v1.3：渐进式加载的 AI 规则集
│ ├── index.toml # 轻量 manifest
│ ├── categories/
│ │ ├── structure.toml # 句法结构类
│ │ ├── rhythm_quality.toml # 节奏类
│ │ ├── formatting.toml # 格式类
│ │ ├── content.toml # 内容类（含宏观叙事/笼统问题/无来源量化）
│ │ ├── evidence.toml # 证据类（含数据无方法/因果跳跃）
│ │ └── language.toml # 语言类
│ ├── chapter-categories.toml # 章节类型识别
│ └── metrics.toml # 通用度量词表
│
└── scripts/ # 检测脚本
├── rule_loader.py # ⭐v1.3：TOML 规则渐进式加载器
├── detect_ai_patterns.py # AIPatternDetector 入口（含 modify_plan）
├── multi_detector.py # FusionEngine 多源融合入口
├── feedback_generator.py # 反馈生成器
└── analyzers/ # ⭐v1.3：分析器包（散文 + 语义链 + planner）
├── __init__.py # 统一导出 run_prose_analyzers / run_semantic_chain_analyzers / build_modify_plan
├── _types.py # AnalyzerIssue / AnalyzerReport 数据契约
├── _segments.py # 共享分词工具
├── _regex_categories.py # hit-level 包装（供链层用）
├── sentence_length.py # 维度 6
├── paragraph_length.py # 维度 9
├── paragraph_edges.py # 维度 10
├── paragraph_structure.py # 维度 8a
├── chapter_template.py # 维度 8b
├── semantic_chain.py # 维度 3/4/5：10 个链分析器
└── rewrite_planner.py # AnalyzerIssue → 结构化 ModifyEntry
🔧 高级用法
交互式修改
python scripts/multi_detector.py your_text.txt --interactive
导出修改计划
python scripts/multi_detector.py your_text.txt --plan modification_plan.json
批量处理
# 处理多个文件
for file in *.txt; do
python scripts/multi_detector.py "$file" --output "reports/${file%.txt}_report.md"
done
⚠️ 注意事项
- 学术诚信：改写时保持学术诚信，不编造数据；所有数据必须有真实来源
- 数据核实：对于不确定的引用和数据，建议用户核实原始资料
- 理论适配：建议用户根据具体研究问题选择合适的理论框架
- 企业授权：如涉及企业内部数据，建议获得企业书面授权或做脱敏处理
- 查重控制：改写后建议进行查重，确保复制率 < 15%
- 个性化调整：改写后的文本需用户根据具体学校和导师要求调整
- 范围限制：本工具专注于去除 AI 痕迹和格式规范，不涉及学术内容深度审查
- 参考文献：改写不自动生成参考文献，需用户根据实际引用补充完整
🤝 贡献指南
欢迎提交 Issue 和 Pull Request！
提交 Issue
- 描述清楚遇到的问题
- 提供示例文本（可脱敏）
- 说明期望的行为
提交 Pull Request
- Fork 本仓库
- 创建你的特性分支 (
git checkout -b feature/AmazingFeature)
- 提交你的修改 (
git commit -m 'Add some AmazingFeature')
- 推送到分支 (
git push origin feature/AmazingFeature)
- 打开一个 Pull Request
📝 更新日志
v1.4.0 (2026-07-05)
- 🧭
high_risk_annotations[] 按句聚合：detect_ai_patterns.generate_report 返回的 JSON 新增顶层键，把正则命中和结构/链 issue 按句合并；每条标注同时具备句级字符偏移、原文、触发的全部规则、每条规则的短语替换字典与真实改写对
- 🔁 TOML
phrase_replacements 字段：为 4 类高频规则提供短语级替换映射（ai_buzzwords / empty_solution_verbs / vague_attribution / unsupported_quantification）；接口预留 LLM 兜底扩展点
- 📐
ModifyEntry.before_after_example：modify_plan 现有 schema 增量增加 before_after_example 字段（None 或 {before, after}），直接复用 [[categories.examples]] 中的真实改写对
- 🆕
scripts/analyzers/high_risk_annotator.py：新模块负责句子切分（带字符偏移）+ 双轨桶聚合（regex 按行号 / issue 按 location + evidence 子串）+ 严重度排序；与 detect_ai_patterns.py 通过懒导入解耦
- ✅ 向后兼容：现有
matches / modify_plan / summary / metrics 字段顺序与类型完全不变；target_word_count_range 仍为 2 元素 list；117 个测试全部通过
v1.3.0 (2026-07-05)
主体发布 — feat: rule-driven AI-trace detection with prose + semantic-chain analyzers
- 🔬 规则外置：所有 AI 检测规则改为外部 TOML，按 7 个分类目录拆分；
scripts/rule_loader.py 提供渐进加载
- 📊 散文结构分析器：新增 5 个统计 / 指纹分析器（维度 6 / 8a / 8b / 9 / 10）
- 🔗 语义链分析器：新增 10 个跨段 / 跨章节链分析器（维度 3 / 4 / 5）
- 📋 结构化改写计划：
detect_ai_patterns.generate_report 返回 modify_plan 键
- 🎯 三方统一接入：
AIPatternDetector / StatisticalDetector / FeedbackGenerator 共用同一份 TOML 规则
- 🛠 新增 scripts/analyzers/：作为分析器包统一目录
v1.3.0 增量
- 📐 SKILL.md Harris 拆分：576 行 → 197 行（-66%）；识别与改写策略 / 三维协同 + 评估 / 改写检查清单 / 章节特定规则等数据化到
references/strategy_optimization.toml / mba_rewrite_checklist.toml / chapter_rewrite_rules.toml；SKILL.md 仅保留导航入口
- 🔁 与 humanizer-academic-zh 互引：检测（我们）↔ 改写（他们）路径互补，模式 21-25 通过渐进式 manifest 接进
references/rules/categories/*.toml
- 📊 规则 data 升级：
filler_phrases（模式 21 填充短语）：5 → 8 条 regexchatbot_conversation_residue（模式 23 协作式沟通痕迹）：4 → 7 条 regex- 新增
sycophantic_praise（模式 25 谄媚语气）：9 条 regex + 3 条 before/after 示例，severity=medium / weight=0.5
- 🌐 多语言 README 同步：v1.3.0 内容同步到中文 / 英文 / 日文 / 韩文四份，致谢与「相关项目」节都加 cross-link 到
humanizer-academic-zh
v1.2.0 (2024-03-11)
- 📚 三维优化策略文档化：新增 AI 检测率降低 / 查重率降低 / 学术润色三份策略文档
- 🔍 增强检测能力：规则匹配、统计分析、语言特征三层全面调优
- 🎓 细化 MBA 规范：MBA 论文核心原则和分章节写作指南进一步细化
- 📝 完善格式规范：扩展格式标准文档的边界场景覆盖
- 🌐 多语言 README：补齐英文 / 日文 / 韩文版本
v1.1.0 (2024-02-05)
- 📚 重构章节文档：将章节规则拆分为 5 个独立文件
- chapter-1-introduction.md：绪论详细指南
- chapter-2-theory.md：理论基础详细指南
- chapter-3-analysis.md：现状与问题分析详细指南
- chapter-4-solutions.md：对策建议详细指南
- chapter-5-conclusion.md：结论详细指南
- format-standards.md：格式规范独立文档
- 🎓 细化 MBA 规范：新增 MBA 论文核心原则章节
- 🎯 强化实践导向：更强调数据支撑、理论应用和具体案例
- 📝 完善格式规范：独立整理格式标准，覆盖中英文混排、图表、引用等
- 🏗️ 优化项目结构：更清晰的文件组织和索引
v1.0.0 (2024-02-04)
- ✨ 初始版本发布
- 🎯 支持多维度 AI 特征检测
- 📚 添加章节特定规则
- 🔧 实现自动修复功能
- 🎓 集成 Claude Skill
📄 许可证
本项目采用 MIT 许可证 - 详见 LICENSE 文件
🙏 致谢
📮 联系方式
🔗 相关项目
- thesis-optimizer - 学术论文智能优化系统（计算机深度学习方向）
- cangtianhuang/humanizer-academic-zh - Humanizer 中文学术版：与本项目「检测 + 量化定位」路径互补的「改写 + 润色」Skill；25 类语义模式按表达 / 语言 / 风格 / 填充词 / 交流痕迹五大类组织。本项目 v1.3.0 已将其中「模式 21-25」并入渐进式加载的
references/rules/categories/*.toml（filler_phrases / chatbot_conversation_residue / sycophantic_praise 等）。
