拆去AI味：283万字语料的账

概述

本期单拆 larashero3-dotcom 的 lieflat 系列，主件是去 AI 味的 lieflat-less-ai-tone，顺带拆它的兄弟件 lieflat-gongwen（公文写作）。核心发现一句话：这对件把“文风”从品味问题改造成了度量问题——简介里最狠的六个字是“可测量、可验收”。主件 9 月 18 日进入本栏视野时已带 1792 星，六天后记录到 1990，逼近两千线；它在 Skill 生态里示范了一个多数作者还没学会的动作：别把道理写成长文，把道理做成数据。

评测对比表

评分说明：实战与社区两项的依据是公开星数曲线与“可验收”机制本身的设计逻辑，未逐句实测改稿质量，扣分都扣在这层不确定性上。

先看账本：两条星轨

先把本栏持续记录的公开星数快照摆出来，这两条曲线的性格差得很有意思：

（空格为当日快照未覆盖，不作推断）

gongwen 是爬坡型：五天从 669 涨到 967，接近翻半倍，日均六十星，典型的小圈子口口相传。less-ai-tone 是出生即冲刺型：9 月 18 日第一次出现在记录里就有 1792 星——它不是慢慢涨起来的，是上线那几天就完成了原始积累，之后六天再涨 198 星，9 月 24 日距两千线只差 10 星。此后它退出了本栏可见的快照窗口，是破了两千还是被同窗口的新仓库挤出前排，两个可能都存在，这里不替它吹。

两条曲线放在一起读，结论是：同一套方法，先在窄场景（公文）里验证，再推向宽场景（所有中文稿），第二件的起跑速度是第一件的三倍。这是系列化打法最理想的数据注脚。

拆 SKILL.md 最值钱的一行：description

一个 Skill 里被阅读次数最多的不是正文，是 frontmatter 里的 description——它是触发器，Agent 每轮都要拿它跟用户的请求做匹配。lieflat 系列的两行 description 值得逐词拆：

主件原文：「一个基于 283 万字语料统计的去 AI 味 skill · An AI-tone removal skill grounded in a 2.83-million-character corpus」

这一行分三个信息单位：

• 「基于 283 万字语料统计」——方法加规模，数字放在第一个分句。这是信任钩子：提示词谁都会写，“283 万字”不是。在几千个 Skill 抢一个触发位的市场里，先报数字的简介先拿到点击。
• 「去 AI 味」——三个字的任务名，就是触发词本身。注意它没写“文本风格优化”这种书面语：用户嘴里说的是“这段太 AI 了”，描述里必须出现“AI 味”才匹配得上。触发词跟着用户口语走，不跟术语走，这是大量无人问津的 Skill 输在起跑线上的地方。
• 中英各写一遍——同一行双语重复，不是写给读者看的，是给触发匹配看的。中文请求命中前半句，英文请求命中后半句，一行 description 触发面直接翻倍。所有想做国际分发的中文 Skill，这是必修动作。

兄弟件原文：「通过 102 万字语料提炼的公文写作 skill，把公文写作风格变成可测量、可验收的量化数据」

这行更狠。狠在六个字：可测量、可验收。写作类 Skill 的老大难从来不是“改”，是“改完算好吗”——品味没法验收，数字可以。“把公文写作风格变成量化数据”这句话的主谓宾里藏着完整的产品定义：它不是“教你写”，是“量给你看”。整 个 lieflat 系列的设计宪法，就是这六个字。

语料统计型 Skill 的解剖图

把“语料统计 + 可验收”这个设计论点倒推下去，这类 Skill 的文件夹结构是能推出来的：一份薄薄的 SKILL.md，一组厚厚的统计表（283 万字语料的产出物），一把量尺（跑统计的脚本）。语言标签是 Python，跟这个结构对得上。

在这个架构里，SKILL.md 的角色其实很小，它只负责三句话：什么时候叫我（触发），先跑哪个脚本（动作），拿结果对照哪张表（裁决）。真本事全在数据文件里。这正是它跟提示词型 Skill 的分水岭：

• 提示词型写“少用‘综上所述’、少排比、少空洞总结”，模型点头，转头就忘；
• 统计表型让脚本算出你的稿子里“综上所述”密度超了基线多少倍，数字写进验收单，模型没得狡辩。

用一张图把这个工作流画出来：

flowchart TD
    A["语料入库"] --> B["分词清洗"]
    B --> C["统计提炼"]
    C --> D["风格基线表"]
    D --> E["SKILL.md 触发"]
    E --> F["脚本量尺测稿"]
    F --> G{"超基线吗"}
    G -->|超| H["改写降指标"]
    H --> F
    G -->|达标| I["输出验收单"]

这张图里最该注意的一步是最后的「输出验收单」。多数写作类 Skill 到“改写”就结束了，改没改好全凭感觉；多出这一步，产品属性就变了——它交付的不是一版稿子，是一份可签字的质检报告。“可验收”三个字，落点是这最后一步。

一进一出：一对件咬合成流水线

把两个件放回一张桌面看，关系就清楚了：

• gongwen 管进门：从零起草时，照着 102 万字语料提炼出的公文基线写，起手就在风格带内；
• less-ai-tone 管出门：稿子已经有（不管是谁写的、是不是 AI 代的），过一遍统计量尺，把 AI 腔洗到基线以内。

同一个方法论，一正一反两面。这也解释了为什么先做公文再做去 AI 味：公文是最容易量化的文种——句式固定、用语收敛、特征词密集，统计方法在它身上最容易做出可信的基线；基线方法跑通了，再泛化到“所有中文稿”这个大得多的市场。先啃窄的，再吃宽的，这个推进顺序本身就是给所有想做 Skill 系列的作者的路线图。

顺带说它所在的赛道：写作件的表格已经不小，日语场有 yomiyasu（今天仍在架上，1176 星）做推敲，中文场的“去 AI 味”之前一直是提示词型玩家的地盘——靠几句咒语碰运气。lieflat 用统计方法进场，等于把这块地的门槛从“会写提示词”抬高到了“会做语料”。

适用与不适用

适合的：中文成稿的最后一道闸。公众号长文、工作报告、公文、书稿，写完之后过一遍，拿数字说话。它的本质是质检不是创作，所以正确的安装位置在流程后段。

不适合的，四条边界：

1. 英文或中英混排——基线来自中文语料，统计指纹不通用，这是从设计直接推出的硬边界；
2. 代码、配置等结构化文本——量尺量的是词频句长，对这类文本没有意义；
3. 个人风格强烈的作者——把所有人的文字往同一条基线上洗，洗掉的可能正是你的辨识度，验收单达标不等于文章更好；
4. 事实校对——统计量尺量不了对错，去 AI 味不等于去 AI 错，引文和数据该另请闸门。

第三、四条是这类产品共同的天花板，也是它加权评分里实战项扣一星的原因：量尺可信，但量尺只覆盖“像不像人写的”，不覆盖“写得好不好”。

安装与使用

# 手动安装（任何支持 Skill 目录的 Agent 通用）
git clone https://github.com/larashero3-dotcom/lieflat-less-ai-tone.git ~/.claude/skills/lieflat-less-ai-tone
git clone https://github.com/larashero3-dotcom/lieflat-gongwen.git ~/.claude/skills/lieflat-gongwen

# 或先用 skills CLI 搜一下确认包名再装
npx skills find less-ai-tone

装完不用背命令，会话里说人话就能触发：“帮我去掉这段的 AI 味”“按公文风格起草一份通知”。触发词设计就藏在前面拆的那两行 description 里——你说的话只要跟它对得上，它就该醒来。

推荐排行榜

安装优先级（按使用面）：

1. lieflat-less-ai-tone —— 所有写中文的人的刚需，质检闸，通用性最高；
2. lieflat-gongwen —— 体制内、大公司文书岗的刚需，窄而深；
3. yomiyasu —— 日文场景的对应位，中文用户暂缓。

从这对件能抄走的设计技巧（给想写自己第一个 Skill 的读者）：

1. 把验收标准写进简介——“可测量、可验收”六个字先说服用户，再实现产品；
2. 数据当资源，道理别写长——SKILL.md 薄，统计表厚，模型服从数字胜过服从说教；
3. description 中英双语——一行成本，双倍触发面；
4. 一个方法换语料再开一件——公文、去 AI 味之后，同一套统计管线对着新语料就能铺下一个场景，系列化才是复利；
5. 数字前置——283 万放在简介第一个分句，卖点不散场。

参考来源

1. lieflat-less-ai-tone 仓库——去 AI 味主件，本文简介引文与星数主要依据
2. lieflat-gongwen 仓库——公文写作件，同方法姊妹篇
3. anthropics/skills 官方仓库——Skill 目录结构与 description 规范的参照源
4. skills.sh——Skill 生态榜单站，可查两件的收录与热度

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。