文稿润色师

先确认哪些问题、判断、取舍和未决处真正属于作者，再审整篇如何组织因果、反例与 结尾，最后才量出 30 项中文表层指标并复测。目标是保住作者性，不是逃过检测。

验收依据

指标可以复算，文风仍需审读。句长、段长、套话统计全部通过的稿件，也可能充满 教学铺垫、抽象提醒和重复总结。measure.py 的 overall 只表示表层统计状态， publication_readiness 固定为 not_assessed。

discourse_gate.py 扫描部分可观察句式，要求审读全部标题和段落，并校验记录与最终 正文散列。无命中不自动通过。审读理由可复核，但程序不证明这些判断一定正确。 具体命令及记录格式见 篇章审读。

一次真实的改写记录（cases/cases.json case-01）：

表层统计 fail -> pass      压力分 18 -> 3      越界项 8 -> 1

句长变异系数 CV          0.452 -> 0.657   fail -> pass
段落长度变异系数         0.22  -> 0.818   fail -> pass
一句成段占比             0.0   -> 0.417   fail -> pass
分句尾「体现/彰显了…」   1.16  -> 0.0     fail -> pass
数字串（个/千字）        0.0   -> 28.95   fail -> pass
「的」字占比             0.044 -> 0.0274  fail -> pass
否定式排比               1.16  -> 1.56    pass -> warn   ← 副作用，照实记录

最后一行是重点：改写会有副作用，工具要能把它显示出来，而不是只报喜。

阈值从哪来

不是拍脑袋。351 篇真人中文长文（约 169 万字）的实测分位数，方法与清洗规则见 references/benchmark.md。

这一步推翻了初版的手工阈值，而且错在两个方向：7 项过严（句首重复率上限设 0.10，真人中位数其实是 0.29）、4 项过松（四字格套话真人 p90 就是 0，却给了 0.5 的余量）。还有两项指标的定义就是错的——按出现总数数破折号和弯引号， 可中文正规写法本就用「——」和成对引号。

更关键的是聚合逻辑：原实现 29 项设区间的指标里任何一项越界即判 fail，而按 p10/p90 定界 每项本身带约 10% 的设计内尾部概率，1 - 0.9²⁹ ≈ 95%。实测真人语料 66% 被 判 fail，但 fail 项数中位数只有 1——单项越界是定界噪声，不是文本问题。改成 累计压力分之后：

profile	真人判 fail 率
wechat	66% → 9%
zhuque	76% → 7%
neutral	63% → 7%
thesis	88% → 7%

它不做什么

不判断一篇文章是否由 AI 生成。 fail 的准确含义是「越界密度超过 90% 的 真人长文」。判别侧（对 AI 稿的召回率）尚无带标签语料验证，局限记录在 references/benchmark.md 第 5 节。

不要用它做学术诚信或平台合规的举证。

它也不会为了“像人”故意加入错别字、口头禅、无关支线、开放结尾或虚构经历。 篇章审计只修改能够回指原文和作者性账本的问题。

一个入口，四个内部阶段

本仓库只安装和发现 lov-human-writing。完整流程内部拆成四个阶段：

1. authorship-ledger：记录作者问题、判断、亲历、删留决定、反例和禁编项；
2. discourse-audit：审命题来源、因果压缩、反例存活、收束压力和读者推理空间；
3. editorial-rewrite：按证据做最小结构编辑，不套统一“人味”模板；
4. surface-audit：运行 30 项中文指标与 --compare。

这些阶段位于 references/workflows/，不再作为独立 Skills 暴露。完整契约见 references/authorship-integrity.md。

本地安装

npx skills add lovstudio/human-writing-skill -g -y

本地真源安装：

在本仓库根目录执行：

export SKILL_SOURCE_DIR="$(pwd)"
mkdir -p "${SKILL_SKILLS_INSTALL_DIR:?请设置本地 Skills 目录}"
ln -s "$SKILL_SOURCE_DIR" "$SKILL_SKILLS_INSTALL_DIR/lov-human-writing"

使用

例一：改一篇 AI 味重的公众号稿

# 1. 先建立作者性账本并审计整篇结构
# 2. 再度量表层压力分与靶点句
python3 scripts/measure.py -i draft.md -p wechat

# 3. 按篇章证据与越界指标定向改写

# 4. 重跑篇章审计，再复测表层指标
python3 scripts/measure.py -i draft-v2.md -p wechat --compare draft.md

档位按编辑场景选：wechat（公众号，默认）、zhuque（高强度表层审计）、 neutral（通用非虚构）、thesis（学术正式，禁 emoji、收紧加粗）。这些档位 只改变编辑阈值，不对应任何平台检测器。

例二：用自己的文风建个人基线

默认阈值来自一批公开中文长文，不是你本人的文风。有 ≥ 30 篇本人手写稿件时：

python3 scripts/measure.py --calibrate ~/writing/ --out baseline.json
python3 scripts/measure.py -i draft.md -b baseline.json -p wechat

基线会自带压力标尺（区间和标尺必须同源，否则等于用别人的尺子量自己）。

语料必须是本人手写的——混入 AI 生成物或口语转写会污染基线。 references/benchmark.md 第 1 节记录了一次真实的污染事故：669 篇初筛样本里 有 315 篇是生成物、转写稿或技术文档搬运。

用户 Profile（跨 session）

skill.yaml 声明 user-profile/v1，从共享 Profile 读取用户、品牌、工作区与 本 Skill 的长期记录。本 Skill 持久化两项：

• records.default_profile — 常用档位
• records.baseline_path — 个人基线路径（最重要的一项）

用户直接说出的持久偏好由 scripts/profile_store.py 写回，源代码保持可移植。 详见 references/user-profile.md。

原子组合

references/skill-composition.md 记录已检查 的相邻 Skill、重叠决策与可选交接。要点：

• lov-anti-wechat-ai-check 已收敛为旧命令兼容入口；新任务统一路由到本 Skill。
• 文风类 Skill 提供画像与作者声音；本 Skill 的作者性账本必须在成文前建立，表层 度量则在文风成形后运行。指标与真实个人风格冲突时保留作者选择。
• 反 AI 编辑流程不依赖其他写作 Skill；唯一横切依赖 lov-branding-consistency 只负责最终受众与品牌语境。lov-writing-style 可以把本 Skill 作为必经成稿门。

可信度卡与用户案例

• skill-card.yaml / skill-card.md — 用途、负责人、风险、输出与维度地图
• cases/cases.json — 两个真实案例（AI 稿改写、351 篇误判审计）
• pricing-card.yaml — 免费的理由、交付边界与复评触发条件

维度地图里 detection-recall（对 AI 稿的召回率）明确记为未验证空缺，不给分。 四个维度的 score 全部为 null 并附 score_note 说明为何不打分——同批语料 回测出的数字不构成独立验证。

质量门

python3 scripts/validate_skill.py .

依赖

• lov-branding-consistency：只处理最终可见文案的媒介、受众与品牌语境，不接管 作者性、反 AI 规则或正文观点。
• Python 3.8+ 标准库。scripts/measure.py 与 scripts/profile_store.py 无 第三方依赖。
• PyYAML — 仅 scripts/validate_skill.py 质量门需要，不影响 Skill 运行。

License

MIT。内置词表参考了 humanizer-zh 的 AI 写作模式分类（同为 MIT）。实测分位数 由私人语料生成，仓库内只含聚合统计量，不含任何语料原文。