英文寫作去 AI 味：主流開源專案與最佳實踐架構指南
簡介
隨著 LLM 生成內容普及，「去 AI 味」（De-slopify / AI Humanizer）已成為內容工程的關鍵環節。本文整理 GitHub 上以 Star 數與社群討論度為指標的主流開源專案，並蒐羅頂尖 AI 工程師驗證的「風格優先、去味在後」兩階段管線架構，供內容團隊與開發者快速評估與落地。
一、主流開源專案快速比較
| 專案 | Star 數 | 核心機制 | 適用場景 | 特色亮點 |
|---|---|---|---|---|
| blader/humanizer | 21.7k | 基於 Wikipedia「Signs of AI Writing」規範，涵蓋 30 種 AI 寫作模式偵測與改寫 | Claude Code、OpenCode | 聲音校準：可輸入 2–3 段個人寫作樣本，分析句律與用詞習慣後再套用改寫 |
| hardikpandya/stop-slop | 4.3k | 五維度評分機制（Directness、Rhythm、Trust、Authenticity、Density），滿分 50 分，<35 分強制重寫 | 重視資訊密度與敘事真實感的創作者 | 評分驅動迭代：以量化指標取代禁詞清單，強迫多輪修訂 |
| lynote-ai/humanize-text | 802 | 開源免費，目標繞過 Turnitin、GPTZero 等主流偵測器 | 需快速線上試用、免登入的用戶 | 提供線上 Demo，零門檻體驗 |
| adenaufal/anti-slop-writing | 新專案 | 通用系統提示詞，相容 Claude Code、Gemini CLI、Codex CLI、Copilot、Cursor | 多平台 CLI 使用者 | 輕量、零依賴，即插即用 |
| Aboudjem/humanizer-skill | 新興 | 43 種模式偵測、5 種語氣風格、0–100 分 AI 痕跡評分 | 需精細控制語氣與可量化指標的團隊 | 純 Markdown、零依賴，SKILL.md 格式 |
| lguz/humanize-writing-skill | 9 | 3 階段編輯系統：36+ 禁用詞、10 種結構模式、品質檢查清單 | 任意 LLM（Claude、ChatGPT、Gemini、Cursor、Windsurf） | 結構化清單式把關 |
| 199-biotechnologies/humanise-text-skill | 8 | 內建 507 項禁用詞、結構模式偵測、12 項驗證檢查 | Claude Code 使用者 | 規模最大的禁用詞庫之一 |
觀察：主流技術路徑已從「規避偵測器」轉向 模式識別式改寫（Pattern-based Rewriting）——內建經整理的「AI 寫作特徵清單」（破折號濫用、三件式列舉、空泛結尾等），先偵測再逐一改寫或刪除。
二、關鍵技術趨勢
- 聲音校準成關鍵差異化因子
blader/humanizer三個月衝上 2 萬星，核心在於要求使用者先提供寫作樣本，分析句長分布、慣用轉折詞、段落開場模式等，產出「個人化改寫」而非「通用罐頭文字」。
- 評分驅動迭代取代單純禁詞
stop-slop的五維度打分機制，將「去 AI 味」轉化為可量化的工程指標，低於門檻自動觸發重寫，特別受重視資訊密度的創作者青睞。
- Claude Code Skill (SKILL.md) 成主流交付格式
- 幾乎所有專案皆以輕量級、零依賴的系統提示詞發布，非傳統需訓練模型的軟體，故能快速迭代（如 humanizer 已達 v2.7.0）。
三、頂尖工程師驗證的最佳實踐架構：Voice DNA → Ghost Writer → Humanizer
業界收斂出的最佳實踐是 「先注入風格、再事後糾錯」的三段式管線，而非簡單疊加兩個 Skill。
3.1 三階段管線設計
| 階段 | 名稱 | 核心任務 | 產出物 |
|---|---|---|---|
| 1 | 風格蒸餾 (Voice DNA Discovery) | 透過訪談式流程 + 樣本分析，萃取結構化「風格 DNA 文件」（句長分布、常用轉折詞、段落開場模式、比喻偏好等可量化維度） | voice-dna.md（獨立 Markdown 規格文件） |
| 2 | 草稿生成 (Ghost Writer) | 載入 Voice DNA 文件作為系統提示詞一部分，從第一個字就貼近作者風格寫作，而非事後修飾 | 初稿（已具備 ~80% 風格還原度） |
| 3 | 去味把關 (Humanizer as Linter) | 掃描殘留 AI 痕跡（空泛結尾、機械對稱句式、破折號濫用等），做最後一層規則式修正 | 成稿 |
3.2 設計要素對比
| 設計要素 | 一般做法（風險較高） | 頂尖工程師做法 |
|---|---|---|
| 執行順序 | 先 Humanizer 去味，再套用作者風格 | 先注入風格 DNA 寫初稿，Humanizer 放最後把關 |
| 風格提取 | 一次性丟 100 篇文章給 AI 總結 | 結構化訪談 + 樣本分析，產出可量化 DNA 文件 |
| Skill 關係 | 兩個獨立 Skill 各自執行，互不通信 | 前一階段輸出成為後一階段輸入，形成管線 |
| 衝突處理 | 依賴 LLM 自行判斷優先順序 | 明確定義各 Skill 職責邊界，避免規則重疊 |
| 品質驗證 | 人工肉眼檢查 | 引入評分機制（如 stop-slop 五維度）做迭代修正，低於門檻自動重寫 |
實務參考：
robertguss/claude-code-toolkit的 writing-toolkit pipeline、aaddrick/written-voice-replication已將此流程模組化，輸入任意作者語料，輸出可重複使用的風格化寫作 Agent。
四、落地實作步驟建議
- 準備語料：蒐集目標作者 20–100 篇代表性作品（涵蓋不同主題、長度）。
- 執行風格訪談：設計結構化問題（如「你習慣如何開啟段落？」、「常用哪些轉折詞？」、「比喻偏好為何？」），配合樣本分析產出
voice-dna.md。 - 建立 Ghost Writer Agent：在系統提示詞中載入
voice-dna.md，並加入寫作任務指令。 - 串接 Humanizer 把關層：選擇適合的專案（建議
blader/humanizer或stop-slop），作為生成後的自動化 Linter。 - 設定評分門檻：引入五維度評分（Directness、Rhythm、Trust、Authenticity、Density），低於 35/50 分自動觸發重寫迴圈。
- 持續校準：每月更新聲音校準樣本，同步調整
voice-dna.md版本。
五、常見陷阱與限制
| 陷阱 | 成因 | 緩解策略 |
|---|---|---|
| 風格被磨平 | 作者風格偏好長句堆疊，但 Humanizer 強制要求長短句交錯 | 明確定義職責邊界：Humanizer 僅處理「公認 AI 痕跡」，不干涉作者核心句律 |
| 深層思考框架無法蒸餾 | LLM 僅能捕捉表層語言特徵，難以還原「觀點角度」類風格 | 補充「思考框架模組」：在 Voice DNA 中加入論證結構、切入點習慣等元認知描述 |
| 新模式漏網 | 規則庫基於已知 29–43 種模式，訓練語料外的新模式會漏網 | 定期更新規則庫；引入人工抽樣審核機制 |
| 過度去味導致資訊損失 | 激進改寫刪除必要修飾語或限定語 | 設定「資訊密度」為核心指標，Density 分數不得低於門檻 |
| 多平台提示詞不相容 | 不同 CLI（Claude Code、Cursor、Gemini CLI）對系統提示詞解析差異 | 採用通用 Markdown 格式的 SKILL.md，並針對目標平台做微調測試 |
六、結語
「去 AI 味」不再是單純的禁詞替換，而是演進為 風格蒸餾 + 模式識別改寫 + 評分驅動迭代 的工程化管線。核心原則：Voice DNA 先行，Ghost Writer 貼近，Humanizer 把關。採用三段式架構並引入量化評分機制，可將輸出從「通順的 AI 文字」提升為「可辨識的真人作者風格」，同時將 AI 痕跡密度壓至最低。建議團隊先從 blader/humanizer 的聲音校準或 stop-slop 的評分機制切入，再逐步建構完整管線。