/humanize-mba-text-skill

name: humanize-mba-text
description: 去除中文文本中的 AI 生成痕迹，使其更符合中国 MBA 毕业论文的自然写作风格。当用户提到"去 AI 痕迹"、"去除 AI 写作痕迹"、"MBA 论文改写"、"让这段文字更像人写的"、"去除机器感"等关键词时触发。适用于需要降低文本 AI 特征、提升学术写作自然度的场景。

去除 AI 写作痕迹 - MBA 论文风格优化

> **本文档是 manifest**：每节只保留导航 / 简介 / 边界，具体内容请读对应 TOML / Markdown 文件。 > 删繁就简的目的是让 Claude Code 在最小上下文里读到该项目最稳定的入口信息。

任务目标

将带有明显 AI 生成特征的中文文本改写为自然、人类化的 MBA 毕业论文风格文本，符合中国 MBA 毕业论文的学术规范和实践导向。

核心原则

1. **实践导向**：MBA 论文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"，避免选题过大、过于宽泛 3. **客观性优先**：用事实和数据替代主观评价和空泛论述 4. **具体化表达**：提供具体企业案例、数据支撑、时间节点，避免笼统描述 5. **数据溯源**：所有数据必须注明来源，确保准确性和可信度 6. **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 7. **简洁性**：删除冗余修饰、重复表述，保留核心信息 8. **学术规范**：符合中国高校 MBA 论文的写作规范和格式要求 9. **逻辑严密**：论证过程清晰，因果关系明确，避免跳跃式推理 10. **结构合理**：正文字数 3 万字以上，章节分配合理，避免节下无目或一节不足一页

识别与改写策略（数据化）

SKILL.md 不再展开具体的识别词表与改写规则——它们以**结构化数据**的形式存放在本目录下：

| 类别 | 数据文件 | 内容 | | --- | --- | --- | | 内容/语言/结构改写规则 | [`references/rules/categories/*.toml`](references/rules/index.toml) | regex 类规则，由 `scripts/rule_loader.iter_regex_categories` 自动加载 | | 三维协同优化 + 评估标准 | [`references/strategy_optimization.toml`](references/strategy_optimization.toml) | 维度 1/2/3 核心策略、改写流程、量化 / 定性评估表 | | 改写检查清单 | [`references/mba_rewrite_checklist.toml`](references/mba_rewrite_checklist.toml) | 4 类检查项 + 硬性量化阈值 | | 章节特定改写规则 | [`references/chapter_rewrite_rules.toml`](references/chapter_rewrite_rules.toml) | 5 章节 × 改写点的 before/after 示例 | | 高频 AI 词 / 连接词 | [`references/rules/categories/language.toml`](references/rules/categories/language.toml) | `ai_buzzwords` / `excessive_connectors` 等条目；与 `humanizer-academic-zh` 模式 10/12/21 交叉对应 |

> **使用方式**：写正文时按 `references/mba_rewrite_checklist.toml` 4 大类逐条核对；遇到具体痕迹词按 `references/rules/categories/language.toml` 词表替换；如果要引用某个章节的特定模式，查 `references/chapter_rewrite_rules.toml` 的 `chapter.section`。

改写流程

输入文本
    ↓
[多维度检测] → 生成检测报告（detect_ai_patterns.generate_report）
    ↓
[modify_plan] → 结构化骨架（analyzers.rewrite_planner.build_modify_plan）
    ↓
[反馈生成] → 修改建议（feedback_generator）
    ↓
[自动修复] → 中英文空格等可机械修复项
    ↓
[手动改写] → 按 checklist.toml / chapter_rewrite_rules.toml 逐项处理
    ↓
[质量验证] → 再次跑 detect_patterns，确认 modify_plan 清空

自动化检测与反馈工作流

多方案融合检测

检测层由三类组成，可独立运行也可组合：

1. **规则匹配检测** (`scripts/detect_ai_patterns.py`)

• 加载 `references/rules/**/*.toml` 的 7 个分类（structure / rhythm_quality / formatting / content / evidence / language / chapter-categories）
• 走 `iter_regex_categories` 渐进式加载，可按 group 或 category_id 选载
• 命中后产出 `PatternMatch(pattern_name, pattern_type, line_number, content, suggestion, severity)`

2. **散文统计 + 结构分析** (`scripts/analyzers/`)

• 5 个维度：`uniform_sentence_length` / `uniform_paragraph_length` / `paragraph_edge_template_repeat` / `paragraph_structure_uniformity` / `chapter_template_repeat`
• 输出 `AnalyzerIssue(analyzer_id, severity, confidence, location, evidence, suggestion)` + 统计指标

3. **语义链分析** (`scripts/analyzers/semantic_chain.py`)

• 10 个维度（3 / 4 / 5）：三段式 / 作者罗列 / 方法堆叠 / 摘要模板 / 结论回声 / 笼统问题 / 无来源量化 / 宏观叙事 / 证据链 / 问题-对策追踪
• 跨段 / 跨章节的链状检测，捕捉段内看不到的模式

4. **融合评分** (`scripts/multi_detector.py`)

• `FusionEngine.detect` 把统计 + 链 + AI 模式三类 detector 合并
• `StatisticalDetector` 把散文指标 + 链指标并入 features 与 issues 通道

5. **按句高风险聚合** (`scripts/analyzers/high_risk_annotator.py`) 🆕v1.4

• 把规则匹配 / 散文 / 链三类 issue 按所在句合并成 `high_risk_annotations[]`
• 每条标注带 char 偏移、行号、原文、触发规则的 `phrase_replacements` 与 `before_after_example`
• LLM humanizer agent 可逐句消费，无需自己再做一次"哪句有问题"的二次判断

使用方法

# 基础检测（含 modify_plan）
python scripts/detect_ai_patterns.py input.txt --output report.json

# 多维度融合检测
python scripts/multi_detector.py input.txt --output report.md

# 生成修改建议
python scripts/feedback_generator.py detection_result.json --text input.txt --output feedback.md

# 自动修复空格等简单问题
python scripts/feedback_generator.py detection_result.json --text input.txt --apply

检测结果解读

`detect_ai_patterns.generate_report` 返回 JSON 含：

• `summary.ai_score`：0-100，越高 AI 痕迹越重
• `matches`：包含规则、散文、链三类问题的统一列表
• `modify_plan` ⭐：每条 `ModifyEntry` 含 location / evidence / rewrite_template / recommended_replacements / target_word_count_range / `before_after_example`
• `high_risk_annotations` 🆕：按句聚合的高风险标注（v1.4），每条 = 一句话 + 该句触发的所有规则 + 短语替换字典 + 真实改写对。LLM humanizer agent 可直接逐句消费
• `chapter_specific_advice`：根据检测到的章节类型提供的针对性建议
• `metrics`：包含 `sentence_cv` / `paragraph_cv` / `prose_*` / `chain_*` / `evidence_chain_completeness`

修改策略见 `references/strategy_optimization.toml` 的「评估标准」节：高风险 (>70%) 重写、中风险 (40-70%) 针对性优化、低风险 (<40%) 细节润色。

注意事项

1. **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 2. **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 3. **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 4. **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 5. **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 6. **查重控制**：改写后建议进行查重，确保复制率 < 15%（详见 `references/mba_rewrite_checklist.toml` `hard_limits.copy_rate`） 7. **功能边界**：本 Skill 专注于去除 AI 痕迹和格式规范，不涉及学术内容深度审查 8. **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

补充参考：humanizer-academic-zh（人机分工）

本 Skill 走**检测**路径——用正则、统计、链分析把 AI 痕迹定位到具体段落。在**改写**路径上，我们参考同生态的 [`cangtianhuang/humanizer-academic-zh`](https://github.com/cangtianhuang/humanizer-academic-zh)（其 `SYSTEM_PROMPT.md` 与 `SKILL.md`）。两份 Skill 的关系：

| 维度 | humanize-mba-text（本 Skill） | humanizer-academic-zh | | --- | --- | --- | | 主路径 | 检测 + 量化定位 | 改写 + 润色 | | 规则粒度 | 正则 / CV / 跨段指纹 | 25 类语义模式（每类带"警惕词 + 改写原则"） | | 输出 | `AnalyzerIssue` + `modify_plan` + `high_risk_annotations[]`（按句聚合，含短语替换字典与真实改写对） | 表格化识别人性化润色版本 | | 强项 | 维度 3-5 的跨段/跨章链检测、量化报告、按句精确定位 | 模式词典丰富、对中文学术语感的精确判断 |

`humanizer-academic-zh` 把 AI 模式分成 5 大类共 25 小类。本 Skill 已将其中部分模式并入**渐进式加载的 manifest**——具体落位：

| humanizer-academic-zh 模式 | 本 Skill 的 `category_id` | 状态 | | --- | --- | --- | | 模式 21 填充短语 | [`filler_phrases`](references/rules/categories/language.toml) | 增强 +3 条正则，覆盖「具有处理……的能力」「不难发现，两人之间存在」「需要指出的是，」 | | 模式 22 过度对冲 | [`hedging_overload`](references/rules/categories/language.toml) | 已有覆盖，本版本不动 | | 模式 23 协作式沟通痕迹 | [`chatbot_conversation_residue`](references/rules/categories/formatting.toml) | 增强 +2 条正则：「亲爱?的?读者」「如下所示」+「以下是 … 修改/改写/润色 …」 |