AI 生成文本有一种可识别的”指纹”——不是因为内容本身有错误，而是因为它的统计倾向性。大语言模型通过预测”最可能出现的下一个词”来生成文字，结果往往倾向于使用最通用、最高频、最四平八稳的表达。
| 类型 | 示例 | 问题 |
|---|
| 空洞强调词 | crucial、pivotal、significant | 没有承载实际信息 |
| 抽象名词堆砌 | landscape、tapestry、interplay | 用宏大词汇掩饰内容缺失 |
| 过度符号化 | underscore、highlight、showcase | 动词在 AI 文本中频率异常 |
| ”此外”类连接词 | Additionally、Moreover、Furthermore | 人类有更多样化过渡方式 |
| 虚假三段论 | Not only…but also… | 结构机械重复 |
| 规则三连 | 创新、灵感、洞见三要素 | 强行组织但缺乏实质 |
| 同义替换循环 | 主角→主要人物→中心人物→英雄 | 指代混乱 |
- 删除空洞强调：把”这是一个极其重要的发现”改为”研究人员发现了 X”
- 还原简单谓语：把”该系统具备处理大量数据的能力”改为”该系统能处理大量数据”
- 拆解 -ing 堆砌：把”彰显了团队对创新的承诺”拆成两三个具体的句子
- 移除虚假归属：把”业内专家表示”改为具体来源或直接删掉
- 打破规则三连：把三要素改为具体描述
- 加入第一视角：“我认为……""我试了一下……”
- 承认复杂性：“这很有趣，但也有点让人不安”
- 引入不确定性：“目前还不清楚……”
- 加入具体细节：把”效果很好”改为”转化率提升了 23%“
| 参数 | 推荐值 |
|---|
| AI 词汇扫描深度 | 全文扫描 |
| 高频 AI 词容忍度 | 每篇 ≤3 次 |
| 句子长度标准差 | >0.3 |
| 第一人称使用率 | ≥10% |
→ SkillsHub 首页 →