把破折号删掉，把长句拆短，再把“不是……而是……”改掉，一篇文章就更像真人写的吗？有时候是更顺了，有时候只是从一种模板换成另一种模板。
本周，Lieflat 在 X 上分享了自己的“去 AI 味”研究与 Skill，引来较多讨论。公开仓库介绍了对照语料、配对复测、脚本与语义判断，也记录了被后续检查推翻的结论。
这件事对求职写作的启发，不是多找到一张禁用词表，而是学会判断：一条修改建议究竟改善了表达，还是改变了你原来想说的事实？
先区分写得不好 与看起来像 AI
一句话可能很机械，却出自真人；一段文字读起来流畅，也可能由模型生成。文风特征不能单独证明作者身份，更不能保证通过某种检测器。
对简历、动机信和项目说明，真正需要解决的是读者能否看懂：事情是什么，谁做了什么，结果到了哪一步。若这几件事本来清楚，只是使用了某种常见标点，就不必为迎合规则全部重写。
相反，有些句子完全没有禁用词，却充满泛泛评价。把“优秀沟通能力”换成“卓越协作素养”，并没有增加任何信息。更有用的做法，是回到真实工作里找一个能说明判断的细节。
文风修改应服务于内容。为了让数字更自然、经历更精彩而临时补造事实，会把一项编辑工作变成真实性问题。
研究里的配对 为什么值得普通读者关心
该仓库描述了从未完全配对的语料比较，转向同题、同事实约束下复测的过程。这个变化提醒我们，看到两个文本群体有差异，先要问差异是否来自写作来源之外的因素。
如果真人文章写财报，模型文章写散文，数字密度不同未必能说明模型不爱用数字。题材、作者群体、长度和任务要求，都可能影响观察。
这里不需要读者掌握全部统计方法。只要在看到某个“AI 比真人更常使用”的结论时，检查比较对象是否相近，就已经能过滤一部分过度解读。
仓库也说明语料因版权未入库，外部读者不能据此直接核验全部数字。可以借鉴其公开方法和修改思路，不必把发布者的每项数值当作通用规律。
标点和句式 需要回到具体上下文
同样是列举，产品参数可能确实需要写三项，空泛宣传也可能机械凑出三项。单纯数顿号，无法替读者作这个判断。
一条实用的编辑方式，是逐句问它在承担什么工作。句子是否重复前一句？比较对象是否清楚？长定语是否妨碍读者找到主语？没有问题的地方可以保留。
以求职材料为例，“负责整理资料、核对口径并与同事确认差异”可能准确描述了三项动作，不必为了避免并列删掉其中一项。若三项只是重复说“提升、优化、赋能”，才需要回到实际内容。
修改时也别把所有连接词都去掉。顺序、转折和因果需要表达，问题在于它们是否真的对应上下文，而不是某个词是否进入了黑名单。
最容易被润色掉的 往往是范围
把“协助完成”改成“主导”，看起来更有力度，却改变了本人职责。把“在测试数据上表现改善”压缩成“显著提升业务效果”，也跨过了原本的证据范围。
这些变化不是小小的语气调整。面试官追问时，需要你解释的工作和成绩都变多了。若没有相应事实支撑，文字再自然也帮不上忙。
可以在改稿前单独圈出职责、数字、时间、条件和完成状态。修改后核对它们是否仍然一致。尤其留意可能、计划、部分、尚未等词，它们常常承载重要信息。
让 AI 改表达时，可以明确要求保留这些内容，并只指出不通顺的地方。但指令本身不是保证，最后仍要读改后版本，而非只看修改摘要。
把改稿实验限制在一段真实材料里
可以取一段自己的项目介绍，先列出不能变化的信息：本人职责、时间、输入条件与实际结果。然后请工具只处理读起来不顺的地方，不增添新的成就或解释。
比较两版时，不先看哪个更有气势，而是检查读者理解是否更准确。有没有把参与写成负责全部，把测试范围删掉，或者用一个更漂亮的词遮住了原本的不确定？
再让同学只读其中一版，复述这段经历里谁做了什么。如果他理解出的职责比实际更大，说明修改需要收回。可读性提高与信息忠实，应该同时成立。
也可以保留一个你决定不改的句子。它可能有列举或较长修饰，但确实承担必要信息。写下保留理由，能防止编辑工作变成机械命中规则。
这份练习不输出作者身份鉴定，也不追求检测器分数。它交付的是一段更容易理解、且仍由本人能够解释的材料。任何自动评价都应服从这个实际目标。
选一小段试改 通常比整篇换声线更清楚
如果不确定某套规则是否适合自己，可以先用一段真实草稿比较。保留原文，看看修改是否让读者更快理解，有没有把个人习惯抹平，是否产生了原文没有的结论。
也可以请不了解项目的人读两版，复述他理解到的事情。这个小测试检查的是可读性，不是在判定哪一版出自真人。
对长期写作的人，自己的例文往往比一套通用口令更有帮助。可以用例文说明习惯怎样展开观点、什么地方会停下来、哪些词就是自己的表达。不要让工具为了模拟风格，顺手借走例文里的经历或立场。
本周的讨论让“去 AI 味”变得更像一项可以研究的编辑工作。对求职者，最值得留下的标准仍然朴素：读者看得懂，你讲得清，改后的每一条事实都经得起自己解释。
如果改稿后只是更短，却把关键条件删掉，也不算完成任务。可以让读者分别指出两版能支持什么结论，再比较差异。编辑质量需要回到实际理解，不能只由字数变化或规则命中数量决定。
读者常问
用了 不是 而是 就说明是 AI 吗
不能。句式可能在具体语境里有明确用途，单项文风特征不能判定作者身份。应检查它是否重复、空泛或妨碍理解，有实际信息的对比可以保留，不必为了规避一个词表破坏原意。
把去 AI 味分数降下来 就适合直接发出去吗
还需要核对事实、语义和使用场景。一个自动分数不能替代这些检查，也不能保证通过任何平台或学校的检测。尤其是求职材料，职责与结果是否准确，比满足某种文风指标更重要。
研究公开了脚本 数字就都被独立证实了吗
公开方法提高了可检查性，但不等于外部读者已经核验全部原始语料。该项目也说明了材料与评判的限制。可以据此理解方法、用自己的材料复查，不应把研究者自述直接写成通用定律。
可以让 AI 帮我补充更具体的经历吗
只有真实材料才能支持具体经历。工具可以提问，帮助你回忆与整理已经做过的事，但不能为表达效果编造数字、职责或个人感受。缺少证据时，应保留概括或回去补记录，不用虚构填空。
- 分享了自己的“去 AI 味”研究与 Skill· X / 原始帖文
- 公开仓库· github.com
结合目标岗位，梳理已有经历、本人贡献和可核查的项目成果，讨论下一步准备重点。