Humanize MBA Text - 去除 AI 写作痕迹

🎯 项目简介

这是一个专门为中国 MBA 毕业论文设计的 AI 写作痕迹检测与去除工具。基于 MBA 论文的学术规范和实践要求，通过多维度检测方法识别文本中的 AI 生成特征，并提供具体的修改建议，帮助你将 AI 生成的文本改写为自然、人类化的学术写作风格。

✨ 版本 1.5 新特性（段落级句长 CV + 报告可读性升级）

📐 段落级句长 CV 分析：参考 AI_artifact_detection 方法，以段落内句子长度的变异系数（CV）作为核心 AI 信号，中文按 CJK 字符、英文按单词计数
📊 中文 CV 报告：检测 Markdown 报告末尾自动附加五段式 CV 报告——整体统计 / CV 分布 / Uniform 段落详情 / 章节汇总 / 句长分布
🔁 改写前后对比：新增 scripts/detect_compare.py，输入改写前、改写后两个文本，输出中文 Before/After 对比 Markdown
🌐 可选英文检测模式：sentence_length.analyze(text, language="en") 支持英文散文的句长 CV 检测
🎯 内容片段带上下文：详细问题列表中的内容片段现在显示匹配处前后约 20 字，便于快速定位
📝 修改建议完整显示：不再截断修改建议，完整输出所有提示
📋 Uniform 段落完整表格：CV < 0.30 的段落全部以表格列出，不再限制 20 条
⏰ 真实生成时间：报告末尾显示实际生成时间（YYYY-MM-DD HH:MM:SS）

历史版本（1.4 / 1.3 / 1.2）特性已归档至 FEATURE.md。

核心功能

✅ 多层级 AI 检测：从规则匹配（regex）→ 散文统计（5 维 CV/指纹）→ 语义链（10 维跨段/跨章）三层叠加
✅ 段落级句长 CV 报告：基于 AI_artifact_detection 方法，输出 Uniform 段落、CV 分布、章节汇总、句长分布
✅ 改写前后对比：scripts/detect_compare.py 一键生成 Before/After 中文对比报告
✅ 章节特定规则：针对绪论、理论、分析、建议、结论 5 个章节的优化策略
✅ MBA 论文规范：符合中国高校 MBA 论文字数、结构、格式要求
✅ 结构化改写计划：每个 issue 都附 location + skeleton + recommended replacements + 目标字数
✅ 自动修复：自动处理中英文混排空格等简单问题
✅ 智能反馈：生成详细的修改建议和前后对比示例
✅ Claude Skill 集成：可作为 Claude Code 的 Skill 直接使用

技术参考

本项目在优化策略设计上参考了 thesis-optimizer 项目的三维协同优化理念：

🔍 降AI检测率：句式多样化、语气自然化、逻辑人性化
📉 降查重率：深度语义改写、引用规范化、专业术语处理
✨ 学术润色：表达精准化、学术规范性、可读性优化

🎓 MBA 论文核心原则

本工具基于中国 MBA 论文的学术规范设计，遵循以下核心原则：

1. 实践导向

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"
核心概念不超过 2-3 个
避免选题过大、过于宽泛

3. 数据溯源

所有数据必须注明来源
确保准确性和可信度
删除"相关数据显示"等模糊表述

4. 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

5. 结构规范

正文字数 ≥ 3 万字
每章至少 4 节（含本章小结）
每节内容充实，避免一节不足一页

6. 学术诚信

复制率 < 15%
不编造数据，所有引用可核实

🚀 快速开始

安装

# 克隆仓库
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git
cd humanize-mba-text-skill

# 安装依赖（如需使用 transformers 模型）
pip install transformers torch

基础使用

1. 基础检测

# 使用基础规则检测
python scripts/detect_ai_patterns.py your_text.txt --format markdown --output report.md

2. 多维度融合检测（推荐）

# 使用多维度检测
python scripts/multi_detector.py your_text.txt --format markdown --output report.md --plan plan.json

3. 生成修改建议

# 基于检测结果生成反馈
python scripts/feedback_generator.py detection_result.json --text your_text.txt --output feedback.md

4. 应用自动修复

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

5. 改写前后对比（CV 报告）

# 对比改写前后的句长 CV 变化，输出中文 Markdown
python scripts/detect_compare.py before.txt after.txt --output compare.md

# 同时输出结构化 JSON
python scripts/detect_compare.py before.txt after.txt --output compare.md --json compare.json

示例文件见 examples/cv_before.txt、examples/cv_after.txt、examples/cv_compare.md。

作为 Claude Skill 使用

将本仓库克隆到 Claude Code 的 skills 目录：

cd ~/.config/opencode/skills
git clone https://github.com/stephenlzc/humanize-mba-text-skill.git

在 Claude Code 中触发 Skill：

去 AI 痕迹：[粘贴你的文本]

或

帮我去除这段文字的 AI 写作痕迹

📊 检测维度

1. 规则匹配检测

识别以下 AI 写作特征：

AI 词汇：赋能、抓手、闭环、痛点、赛道等
模糊归因："有研究指出"、"专家认为"等
过度强调："关键"、"核心"、"至关重要"等
宏观叙事："时代"、"趋势"、"浪潮"等
表面分析："凸显了"、"反映了"等 -ing 结尾分析
套话结尾："综上所述"、"由此可见"等
连接词过多："首先...其次...最后"等
中英文混排空格："MBA 论文" → "MBA论文"

2. 统计分析检测

句子长度均匀度：AI 文本通常句子长度更均匀
词汇多样性：AI 文本词汇多样性较低
标点符号分布：分析标点使用模式
段落结构：检测段落长度分布

3. 语言特征检测

连接词密度：统计逻辑连接词使用频率
正式表达模式：识别过度正式的学术表达
句式复杂度：分析复杂句式使用情况

4. 散文结构分析器（v1.3）

每个分析器返回 AnalyzerIssue(analyzer_id / severity / confidence / location / evidence / suggestion) 和统计指标：

维度	analyzer_id	触发
6	`uniform_sentence_length`	段落级 + 全文级句长方差/CV 超阈值
9	`uniform_paragraph_length`	段间字数高度均匀（CV < 0.25）
10	`paragraph_edge_template_repeat`	段首/段末指纹连续 ≥ 3 段相同
8a	`paragraph_structure_uniformity`	跨段四元句式指纹连续 ≥ 3 段相同
8b	`chapter_template_repeat`	单章内 ≥ 3 节使用同一章法模板

5. 语义链分析器（v1.3）

跨段、跨章节检测 AI 在成链动作上的痕迹：

维度	analyzer_id	触发
3	`chain_three_part_rule`	连续 3+ 段使用「一是...二是...三是」或「首先...其次...最后」
3	`chain_author_listing`	单章 4+ 处「作者(年份)指出/认为」罗列
3	`chain_method_name`	单段堆叠 2+ 个方法/模型/理论名且无逐方法说明
3	`chain_abstract_template`	单段命中 3+ 个摘要模板短语
3	`chain_conclusion_echo`	结论章首段与绪论首段字符级 Jaccard ≥ 0.30
4	`chain_vague_problem_statement`	2+ 处笼统问题表述且 30 字内无数字支撑
4	`chain_unsupported_quantification`	2+ 个百分比/排名断言 80 字内无根据/N= 标记
4	`chain_macro_narrative`	1000 字窗口内 3+ 个宏观叙事短语
5	`evidence_chain_completeness`	跨 content+evidence 规则：2+ 个量化/调研断言无方法锚点
5	`cross_section_problem_trace`	问题章 ↔ 对策章关键词重叠率 < 30%

6. 结构化改写计划（v1.3）

detect_ai_patterns.AIPatternDetector.generate_report() 和 multi_detector.FusionEngine.detect() 都会暴露 modify_plan 键，每行一条 ModifyEntry：

{
  "analyzer_id": "chain_unsupported_quantification",
  "severity": "high",
  "location": "global",
  "evidence": "出现 7 个百分比/排名类断言，其中 5 个 80 字内没有根据/来源",
  "suggestion": "为每个量化断言补齐来源",
  "rewrite_template": "为每个量化断言补齐来源：样本、时间、统计口径。",
  "recommended_replacements": [
    "根据 2023 年 12 月客户问卷（N=120），...",
    "样本说明：'问卷采用 5 分制李克特量表'",
    "无法核实时标注：'该指标需要进一步核实'"
  ],
  "target_word_count_range": [60, 140],
  "before_after_example": {
    "before": "客户满意度提升20%。",
    "after": "根据2023年12月客户问卷（N=120），客户满意度从3.8分升至4.5分。"
  }
}

7. 按句聚合的高风险标注（v1.4）

report["high_risk_annotations"] 是新增的第三数组——一句话一条，把正则命中和结构/链 issue 合并到同一个句子，避免 matches[]（540 条但每条只有笼统建议）与 modify_plan[]（4 条聚合但无具体行号）的信息断层。

{
  "sentence_index": 17,
  "char_offset_start": 1287,
  "char_offset_end": 1335,
  "sentence_text": "数字化转型赋能业务创新，形成从生产到服务的完整闭环。",
  "line_number": 24,
  "severity": "high",
  "triggered_rules": [
    {
      "rule_id": "ai_buzzwords",
      "pattern_name": "AI词汇/互联网黑话",
      "pattern_type": "regex",
      "evidence": "赋能",
      "confidence": 1.0,
      "severity": "high",
      "phrase_replacements": [
        "赋能 → 促进/支持",
        "闭环 → 闭合回路/完整流程",
        "抓手 → 切入点/措施"
      ],
      "before_after_example": {
        "before": "数字化转型赋能业务创新，形成从生产到服务的完整闭环。",
        "after": "数字化改造使生产到售后的流程数据打通，订单处理时长从5天缩短至2天。"
      }
    }
  ],
  "rewrite_template": "把互联网黑话替换为传统管理学术语。",
  "recommended_replacements": [
    "赋能 → 促进/支持",
    "闭环 → 闭合回路/完整流程"
  ]
}

字段含义：

字段	说明
`sentence_text`	原始句子原文
`char_offset_start/end`	在原文中的字符偏移（含终止符）
`line_number`	原文 1-based 行号
`severity`	该句所有规则中的最高严重度
`triggered_rules[].rule_id`	`ai_buzzwords` / `empty_solution_verbs` / `chain_three_part_rule` 等
`triggered_rules[].phrase_replacements`	来自 TOML `phrase_replacements`：可直接复制的短语替换（如 "赋能 → 促进/支持"）
`triggered_rules[].before_after_example`	来自 TOML `[[categories.examples]]`：真实改写对
`rewrite_template`	来自 `rewrite_planner._SKELETONS`：该句最高优先级规则的改写骨架
`recommended_replacements`	同句所有规则替换短语的去重并集

保证：

数组按 severity 高→低、再按 char_offset_start 升序排序，可直接对接 LLM humanizer agent 逐句处理
同句多条规则 → 一条 annotation，triggered_rules[] 聚合
现有 matches / modify_plan / summary / metrics 字段完全不变

🎓 分章节写作指南

本工具提供针对 MBA 论文 5 个核心章节的详细写作指南：

第1章绪论

常见问题：

❌ 宏大叙事式开头："随着经济的发展..."
❌ 研究意义空泛："具有重要理论意义和实践价值"
❌ 文献综述罗列：A说、B说、C说
❌ 研究方法简单罗列

改进策略：

✅ 开门见山：直接点明研究企业、具体问题
✅ 意义具体：说明解决什么问题、带来什么价值
✅ 综述主题化：按主题组织，有批判性分析
✅ 方法具体：说明数据来源、样本、分析工具

📄 详细指南：chapter-1-introduction.md

第2章理论基础

常见问题：

❌ 教科书式定义堆砌
❌ 理论罗列：介绍5-6个理论
❌ 理论与实践脱节

改进策略：

✅ 简洁界定：2-3 个核心概念
✅ 精选理论：1-2 个核心理论，说明选择理由
✅ 应用导向：理论为后续分析提供框架

📄 详细指南：chapter-2-theory.md

第3章现状与问题分析

常见问题：

❌ 企业概况资料堆砌，与研究关联度低
❌ 现状描述定性为主，缺乏数据
❌ 问题识别笼统："管理不善"、"效率低下"
❌ 成因分析表面化：停留在现象描述

改进策略：

✅ 聚焦相关：只提供与研究相关的背景
✅ 数据说话：用具体指标和时间序列数据
✅ 问题具体：每个问题都有衡量指标和调研数据
✅ 深入挖掘：用理论框架分析根本原因

📄 详细指南：chapter-3-analysis.md

第4章对策建议

常见问题：

❌ 建议空泛："加强管理"、"优化流程"
❌ 缺乏可操作性
❌ 忽视约束条件
❌ 套用模板：SWOT 流于形式

改进策略：

✅ 具体可操作：明确做什么、怎么做、谁来做
✅ 分阶段实施：区分短期、中期、长期
✅ 考虑约束：分析资源、能力、文化限制
✅ 效果量化：预期效果尽可能量化

📄 详细指南：chapter-4-solutions.md

第5章结论

常见问题：

❌ 重复摘要内容
❌ 简单罗列各章内容
❌ 创新点空泛："首次研究"、"填补空白"
❌ 回避研究局限

改进策略：

✅ 研究发现：突出核心发现，不与摘要重复
✅ 创新具体：客观说明理论、方法、应用创新
✅ 诚实局限：具体分析局限和影响
✅ 未来展望：提出具体可行的研究方向

📄 详细指南：chapter-5-conclusion.md

📝 格式规范

独立的格式规范文档覆盖：

中英文/数字混排规范
图表编号与排版规范
引用与参考文献规范
数字与单位规范
标点符号规范
段落与层级规范

📄 详细规范：format-standards.md

📈 检测结果解读

检测报告包含以下维度：

AI 生成概率：0-100%，分数越高 AI 痕迹越明显
风险等级：🔴 高风险 / 🟡 中风险 / 🟢 低风险
检测器一致性：三种检测方法的结果一致性
优先修复项：按严重程度排序的修改建议
章节特定建议：根据检测到的章节类型提供针对性建议

修改策略

根据 AI 概率分数采取不同策略：

🔴 高风险 (>70%)：深度改写

全面重构段落结构
删除所有 AI 特征词汇
补充具体数据和案例
预计时间：2-3小时

🟡 中风险 (40-70%)：针对性优化

修复高优先级 AI 特征
调整套话和模板化表达
补充关键数据支撑
预计时间：1-2小时

🟢 低风险 (<40%)：细节润色

修复少量 AI 痕迹
优化语言表达
最终校对
预计时间：30分钟-1小时

💡 使用示例

示例 1：去除 AI 词汇

原文：

数字化转型已成为推动企业高质量发展的关键抓手，
通过赋能业务创新，为企业创造显著价值。

改写后：

本研究探讨数字化转型对企业绩效的影响。
通过分析XX公司2018-2023年的财务数据，
发现数字化投入与营业收入增长呈正相关关系。

示例 2：去除模糊归因

原文：

有研究指出，企业文化对组织绩效具有重要影响。

改写后：

Schein(2010)的研究表明，强势企业文化与组织绩效
存在正相关关系（r=0.42, p<0.05）。

示例 3：MBA 论文小题大做

原文：

企业数字化转型研究

改写后：

XX公司生产部门数字化转型中的流程优化研究

示例 4：数据溯源

原文：

企业营收增长20%，员工满意度为85%。

改写后：

根据XX公司2023年年报，企业营收同比增长20%。
根据2023年12月开展的问卷调查（N=120），员工满意度为85%。

示例 5：修复中英文混排空格

原文：

MBA 论文写作需要关注 AI 痕迹问题。
2023 年的研究表明，15 % 的企业存在此类问题。

改写后：

MBA论文写作需要关注AI痕迹问题。
2023年的研究表明，15%的企业存在此类问题。

📁 项目结构

humanize-mba-text-skill/
├── SKILL.md                          # Claude Skill 主文件
├── README.md                         # 本文件（中文）
├── README_EN.md                      # English README
├── README_JP.md                      # 日本語 README
├── README_KR.md                      # 한국어 README
├── LICENSE                           # MIT 许可证
│
├── references/                       # 参考文档 + AI 检测规则数据
│   ├── ai-writing-patterns.md        # AI写作特征详细指南
│   ├── chapter-1-introduction.md     # 第1章：绪论写作指南
│   ├── chapter-2-theory.md           # 第2章：理论基础写作指南
│   ├── chapter-3-analysis.md         # 第3章：现状与问题分析写作指南
│   ├── chapter-4-solutions.md        # 第4章：对策建议写作指南
│   ├── chapter-5-conclusion.md       # 第5章：结论写作指南
│   ├── format-standards.md           # 格式规范
│   ├── strategy_ai_reduction.md      # 降AI检测率策略
│   ├── strategy_plagiarism.md        # 降查重率策略
│   ├── strategy_polishing.md         # 学术润色策略
│   ├── chinese-paper-humanization-rules.toml   # 规则单体入口（fallback）
│   └── rules/                        # ⭐v1.3：渐进式加载的 AI 规则集
│       ├── index.toml                #   轻量 manifest
│       ├── categories/
│       │   ├── structure.toml        #   句法结构类
│       │   ├── rhythm_quality.toml  #   节奏类
│       │   ├── formatting.toml       #   格式类
│       │   ├── content.toml          #   内容类（含宏观叙事/笼统问题/无来源量化）
│       │   ├── evidence.toml         #   证据类（含数据无方法/因果跳跃）
│       │   └── language.toml         #   语言类
│       ├── chapter-categories.toml  #   章节类型识别
│       └── metrics.toml              #   通用度量词表
│
└── scripts/                          # 检测脚本
    ├── rule_loader.py                # ⭐v1.3：TOML 规则渐进式加载器
    ├── detect_ai_patterns.py         # AIPatternDetector 入口（含 modify_plan）
    ├── multi_detector.py             # FusionEngine 多源融合入口
    ├── feedback_generator.py         # 反馈生成器
    └── analyzers/                    # ⭐v1.3：分析器包（散文 + 语义链 + planner）
        ├── __init__.py               #   统一导出 run_prose_analyzers / run_semantic_chain_analyzers / build_modify_plan
        ├── _types.py                 #   AnalyzerIssue / AnalyzerReport 数据契约
        ├── _segments.py              #   共享分词工具
        ├── _regex_categories.py      #   hit-level 包装（供链层用）
        ├── sentence_length.py        #   维度 6
        ├── paragraph_length.py       #   维度 9
        ├── paragraph_edges.py        #   维度 10
        ├── paragraph_structure.py    #   维度 8a
        ├── chapter_template.py       #   维度 8b
        ├── semantic_chain.py         #   维度 3/4/5：10 个链分析器
        └── rewrite_planner.py        #   AnalyzerIssue → 结构化 ModifyEntry

🔧 高级用法

交互式修改

python scripts/multi_detector.py your_text.txt --interactive

导出修改计划

python scripts/multi_detector.py your_text.txt --plan modification_plan.json

批量处理

# 处理多个文件
for file in *.txt; do
    python scripts/multi_detector.py "$file" --output "reports/${file%.txt}_report.md"
done

⚠️ 注意事项

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
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
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
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
查重控制：改写后建议进行查重，确保复制率 < 15%
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
范围限制：本工具专注于去除 AI 痕迹和格式规范，不涉及学术内容深度审查
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

🤝 贡献指南

欢迎提交 Issue 和 Pull Request！

提交 Issue

描述清楚遇到的问题
提供示例文本（可脱敏）
说明期望的行为

提交 Pull Request

Fork 本仓库
创建你的特性分支 (git checkout -b feature/AmazingFeature)
提交你的修改 (git commit -m 'Add some AmazingFeature')
推送到分支 (git push origin feature/AmazingFeature)
打开一个 Pull Request

📝 更新日志

v1.4.0 (2026-07-05)

🧭 high_risk_annotations[] 按句聚合：detect_ai_patterns.generate_report 返回的 JSON 新增顶层键，把正则命中和结构/链 issue 按句合并；每条标注同时具备句级字符偏移、原文、触发的全部规则、每条规则的短语替换字典与真实改写对
🔁 TOML phrase_replacements 字段：为 4 类高频规则提供短语级替换映射（ai_buzzwords / empty_solution_verbs / vague_attribution / unsupported_quantification）；接口预留 LLM 兜底扩展点
📐 ModifyEntry.before_after_example：modify_plan 现有 schema 增量增加 before_after_example 字段（None 或 {before, after}），直接复用 [[categories.examples]] 中的真实改写对
🆕 scripts/analyzers/high_risk_annotator.py：新模块负责句子切分（带字符偏移）+ 双轨桶聚合（regex 按行号 / issue 按 location + evidence 子串）+ 严重度排序；与 detect_ai_patterns.py 通过懒导入解耦
✅ 向后兼容：现有 matches / modify_plan / summary / metrics 字段顺序与类型完全不变；target_word_count_range 仍为 2 元素 list；117 个测试全部通过

v1.3.0 (2026-07-05)

主体发布 — `feat: rule-driven AI-trace detection with prose + semantic-chain analyzers`

🔬 规则外置：所有 AI 检测规则改为外部 TOML，按 7 个分类目录拆分；scripts/rule_loader.py 提供渐进加载
📊 散文结构分析器：新增 5 个统计 / 指纹分析器（维度 6 / 8a / 8b / 9 / 10）
🔗 语义链分析器：新增 10 个跨段 / 跨章节链分析器（维度 3 / 4 / 5）
📋 结构化改写计划：detect_ai_patterns.generate_report 返回 modify_plan 键
🎯 三方统一接入：AIPatternDetector / StatisticalDetector / FeedbackGenerator 共用同一份 TOML 规则
🛠 新增 scripts/analyzers/：作为分析器包统一目录

v1.3.0 增量

📐 SKILL.md Harris 拆分：576 行 → 197 行（-66%）；识别与改写策略 / 三维协同 + 评估 / 改写检查清单 / 章节特定规则等数据化到 references/strategy_optimization.toml / mba_rewrite_checklist.toml / chapter_rewrite_rules.toml；SKILL.md 仅保留导航入口
🔁 与 humanizer-academic-zh 互引：检测（我们）↔ 改写（他们）路径互补，模式 21-25 通过渐进式 manifest 接进 references/rules/categories/*.toml
📊 规则 data 升级：
- filler_phrases（模式 21 填充短语）：5 → 8 条 regex
- chatbot_conversation_residue（模式 23 协作式沟通痕迹）：4 → 7 条 regex
- 新增 sycophantic_praise（模式 25 谄媚语气）：9 条 regex + 3 条 before/after 示例，severity=medium / weight=0.5
🌐 多语言 README 同步：v1.3.0 内容同步到中文 / 英文 / 日文 / 韩文四份，致谢与「相关项目」节都加 cross-link 到 humanizer-academic-zh

v1.2.0 (2024-03-11)

📚 三维优化策略文档化：新增 AI 检测率降低 / 查重率降低 / 学术润色三份策略文档
🔍 增强检测能力：规则匹配、统计分析、语言特征三层全面调优
🎓 细化 MBA 规范：MBA 论文核心原则和分章节写作指南进一步细化
📝 完善格式规范：扩展格式标准文档的边界场景覆盖
🌐 多语言 README：补齐英文 / 日文 / 韩文版本

v1.1.0 (2024-02-05)

📚 重构章节文档：将章节规则拆分为 5 个独立文件
- chapter-1-introduction.md：绪论详细指南
- chapter-2-theory.md：理论基础详细指南
- chapter-3-analysis.md：现状与问题分析详细指南
- chapter-4-solutions.md：对策建议详细指南
- chapter-5-conclusion.md：结论详细指南
- format-standards.md：格式规范独立文档
🎓 细化 MBA 规范：新增 MBA 论文核心原则章节
🎯 强化实践导向：更强调数据支撑、理论应用和具体案例
📝 完善格式规范：独立整理格式标准，覆盖中英文混排、图表、引用等
🏗️ 优化项目结构：更清晰的文件组织和索引

v1.0.0 (2024-02-04)

✨ 初始版本发布
🎯 支持多维度 AI 特征检测
📚 添加章节特定规则
🔧 实现自动修复功能
🎓 集成 Claude Skill

📄 许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件

🙏 致谢

感谢 Claude Code 提供的 Skill 框架
感谢 Kimi CLI 提供的 Agent 并行执行工具
感谢所有提供反馈和建议的用户
特别感谢 Haimbeau1o/thesis-optimizer 项目，本项目的三维协同优化策略（降AI检测率、降查重率、学术润色提升）参考了该项目的优秀设计
改写策略参考 cangtianhuang/humanizer-academic-zh：本项目走「检测 + 量化定位」路径，该项目走「改写 + 润色」路径；其 25 类语义模式（按表达/语言/风格/填充词/交流痕迹五大类组织）的「模式 21-25」被本项目 SKILL.md 的补充参考节交叉引用

📮 联系方式

GitHub Issues: https://github.com/stephenlzc/humanize-mba-text-skill/issues
作者：stephenlzc

🔗 相关项目

thesis-optimizer - 学术论文智能优化系统（计算机深度学习方向）
cangtianhuang/humanizer-academic-zh - Humanizer 中文学术版：与本项目「检测 + 量化定位」路径互补的「改写 + 润色」Skill；25 类语义模式按表达 / 语言 / 风格 / 填充词 / 交流痕迹五大类组织。本项目 v1.3.0 已将其中「模式 21-25」并入渐进式加载的 references/rules/categories/*.toml（filler_phrases / chatbot_conversation_residue / sycophantic_praise 等）。

Humanize Mba Text Skill

README

Humanize MBA Text - 去除 AI 写作痕迹

🎯 项目简介

✨ 版本 1.5 新特性（段落级句长 CV + 报告可读性升级）

核心功能

技术参考

🎓 MBA 论文核心原则

1. 实践导向

2. 小题大做

3. 数据溯源

4. 理论支撑

5. 结构规范

6. 学术诚信

🚀 快速开始

安装

基础使用

1. 基础检测

2. 多维度融合检测（推荐）

3. 生成修改建议

4. 应用自动修复

5. 改写前后对比（CV 报告）

作为 Claude Skill 使用

📊 检测维度

1. 规则匹配检测

2. 统计分析检测

3. 语言特征检测

4. 散文结构分析器（v1.3）

5. 语义链分析器（v1.3）

6. 结构化改写计划（v1.3）

7. 按句聚合的高风险标注（v1.4）

🎓 分章节写作指南

第1章 绪论

第2章 理论基础

第3章 现状与问题分析

第4章 对策建议

第5章 结论

📝 格式规范

📈 检测结果解读

修改策略

💡 使用示例

示例 1：去除 AI 词汇

示例 2：去除模糊归因

示例 3：MBA 论文小题大做

示例 4：数据溯源

示例 5：修复中英文混排空格

📁 项目结构

🔧 高级用法

交互式修改

导出修改计划

批量处理

⚠️ 注意事项

🤝 贡献指南

提交 Issue

提交 Pull Request

📝 更新日志

v1.4.0 (2026-07-05)

v1.3.0 (2026-07-05)

主体发布 — feat: rule-driven AI-trace detection with prose + semantic-chain analyzers

v1.3.0 增量

v1.2.0 (2024-03-11)

v1.1.0 (2024-02-05)

v1.0.0 (2024-02-04)

📄 许可证

🙏 致谢

📮 联系方式

🔗 相关项目

Comments (0)

第1章绪论

第2章理论基础

第3章现状与问题分析

第4章对策建议

第5章结论

主体发布 — `feat: rule-driven AI-trace detection with prose + semantic-chain analyzers`