跳到主要内容
AI教程

如何使用 AI Slop Detector 撰写更清晰、更具人情味的内容

本教程将介绍 AI Slop Detector 的工作原理、如何安装其 Claude Code 技能、如何将模式列表用于聊天应用和自定义工具，以及如何检查草稿中含糊、重复或过度润色的语言。

AI我搜编辑部阅读约 7 分钟
如何使用 AI Slop Detector 撰写更清晰、更具人情味的内容

AI Slop Detector 的功能

AI Slop Detector 是一份参考清单，列出了 120 种可能让文本听起来泛泛、套路化或像 AI 生成的写作模式。这些模式分为九类，包括词汇、固定短语、句式、结构与节奏、意象与隐喻、内容实质、格式与标点、聊天机器人痕迹，以及社交媒体和 LinkedIn 写作。

每种模式都包含简短说明、反面示例和更朴素的改写。你可以在 AI 写作前将这份清单提供给它，也可以在写作后把它作为检查草稿的清单。

该项目无法判断一段文字是由人还是 AI 写成的。人类也会使用这些模式，而 AI 模型也可以被要求避免它们。核心观点是：单独出现一种模式可能很正常，但同一段中出现多种模式，可能会让文字读起来像低质的 AI 生成内容。

选择使用检测器的方式

使用该项目主要有三种方式：

  • 为 Claude Code、Codex 或其他受支持的代理安装技能。
  • 将 README 粘贴到 ChatGPT、Claude 或其他聊天应用中。
  • 在你自己的工具中将 patterns.json 作为结构化数据使用。

你也可以直接在浏览器中使用免费的 AI Slop Detector 检查草稿。

为 Claude Code 安装技能

对于 Claude Code，克隆代码库并将其中的技能复制到本地 Claude 技能目录：

git clone https://github.com/FeedHive/ai-slop-detector.git
cp -r ai-slop-detector/skills/ai-slop-detector ~/.claude/skills/

安装后，Claude Code 就能在生成或审阅内容时使用代码库中的 AI Slop Detector 技能。

你也可以要求 Claude Code、Codex 和其他编码助手直接安装该技能。向代理发送以下请求：

Install the AI Slop Detector skill from https://github.com/FeedHive/ai-slop-detector

在生成文本前使用清单

使用 ChatGPT、Claude 或其他聊天应用时，将 README 粘贴到对话中，并要求模型在下一次回复中避免清单中的所有模式。

一个实用的指令可以这样写：

将 AI Slop Detector 中的模式作为写作约束。避免使用清单中的词汇、固定短语、重复句式、空泛表述、不必要的隐喻和套路化格式。尽量用朴素的语言，并在可能的情况下使用具体事实。

当你希望初稿避开泛泛的 AI 写作常见特征时，这种方法很有用。但它不能保证每句话都读起来自然，因此仍应自行审阅结果。

审阅现有草稿

要检查一份草稿，请将 README 和草稿同时粘贴到聊天应用中。要求模型找出它发现的每一种模式，并标明每种模式出现的行。

例如：

根据 AI Slop Detector 清单审阅下面的草稿。找出所有匹配的模式，引用其出现的行，解释匹配原因，并提出朴素的改写。不要声称文本是由 AI 写成的。

这一点很重要。检测器识别的是可能听起来套路化的语言和结构，并不提供作者身份检测。

理解模式分类

词汇和固定短语

当 delve、leverage、seamless 和 game changer 等词被用作装饰，而不是传达精确事实时，词汇部分会标记它们。固定短语部分涵盖 let's dive in、at its core 和 in conclusion 等填充性表达。

一个有用的编辑方法是将抽象短语替换为具体结果。与其说“利用 AI 简化工作流程”，不如说明具体行动：“使用 AI 起草每周报告。”

句式和节奏

有些问题源于句子结构，而不是个别词语。清单包含反复使用的“不是 X，而是 Y”结构、紧接着就给出答案的反问句、层层堆叠的模糊限定语、同义词循环，以及可预测的三段式列表。

结构与节奏类别涵盖一行一段的堆叠、充斥残句的写法、重复的句首、冗长的列表倾倒、过多的项目符号，以及套路化的结尾。大声朗读草稿有助于你注意到这些模式。

意象和内容实质

意象部分提醒读者避免使用装饰性隐喻，例如把内容称为“增长引擎”，或说数据“低声诉说洞见”。内容实质部分涉及更严重的问题：模糊的归因、捏造的具体细节、泛泛的主张、没有步骤的建议，以及空洞的承诺。

编辑时，应在有证据的地方用证据替代主张。“每天发布内容有效”不如指出支持这一说法的研究，或描述一次有记录的测试所得出的实际结果。

在自己的工具中使用结构化数据

代码库包含 patterns.json，其中以结构化数据的形式保存了完整的模式清单。你可以将它作为自定义写作检查器、提示词构建器、编辑工作流或内部审阅工具的数据源。

如果你编辑了结构化清单，请运行构建脚本以重新生成 README 和技能：

node scripts/build.mjs

请让生成的输出与源数据保持同步，这样你的提示词、文档和已安装的技能就会使用相同的模式定义。

实用的编辑工作流

  1. 先起草有用的信息。 聚焦读者需要的事实、说明、示例和决策。
  2. 检查容易辨认的模式。 查看词汇、惯用短语、句式、格式和段落节奏。
  3. 用具体内容替换空话。 在可用的情况下，加入数字、姓名、行动、日期或可验证的示例。
  4. 删除缺乏依据的说法。 除非能够确定相关来源，否则删去“专家一致认为”等模糊表述。
  5. 大声朗读修改后的版本。 这样更容易发现重复的开头、残句和不自然的过渡。
  6. 进行最终审查。 使用浏览器工具、聊天应用、Claude Code 技能，或根据 patterns.json 使用你自己的工具。

高级技巧

不要盲目禁止所有被标记的模式

项目并没有说列出的每个词语或结构都总是错误的。单个短语在具体语境中可能很自然。目标是减少成组出现的、可预测的语言，而不是强迫所有文字都采用同一种风格。

用证据代替更强烈的形容词

关键的、引人注目的或世界一流的等词本身并不能证明任何事情。应替换为支持该观点的事实。例如，描述系统同步的速度或测试了多少篇文章，而不是称其“无缝”或“经过精心打造”。

让工具专注于写作质量

使用检测器来提升清晰度、具体性和可信度。不要把检测结果当作人工智能创作的证据，也不要仅仅为了让句子听起来更具体而编造统计数据或示例。

结论

AI Slop Detector 为减少泛泛的 AI 风格语言提供了一份实用清单。为 Claude Code 安装其技能，在写作前将列表提供给聊天应用，根据这些模式审查草稿，或使用 patterns.json 构建自己的工作流程。最可靠的改进其实很简单：说明发生了什么，展示证据，并删除那些只增加语气、不增加意义的语言。