dsh-humanizer

 

> 一个让模型在动笔之前先成为作者的 DeepSeek Harness 原生插件。 > 这里没有检测分数，没有改写清单。它做的事情，是在文字落下来之前把作者找回来。

---

先说问题

市面上多数 AI 消痕工具用起来都有同样的毛病：文字越改越有 AI 味，原有排版被拆坏，句子读起来也不自然。

这个插件的第一版就犯过这个错。我们嘴上写着「配额就是新指纹」，手上却把方法做成了一张张工序卡，让用户照着执行。结果工序本身变成了新的可检测特征。所以 v0.3 干脆把方向翻了过来：模型动笔前先把整套理论完整读进脑子，在思考中成为这次要写的人，然后把理论忘掉，一口气写。

这不是换了一种提示词。往下读，你会看到这两种做法对问题的理解完全不同。

---

AI 味不在词上，在决定上

先看三句话。

> 这不是一次简单的失败，而是一次深刻的警醒。 > 它不仅改变了他的选择，更重塑了他的认知。 > 这意味着，他必须重新审视自己的过去。

三个句子用词不同，句式不同，读起来却像同一个人写的。把它们并排放在一起，几乎能听见同一种腔调。为什么？

因为三个句子的底层决定是一样的。作者每次都选择同一条路：先否定一个较浅的解释，再抬到一个更抽象的高度，最后追加一层意义。词只是这条路上穿的衣服，换衣服不改变走路的姿势。

这件事可以解释一个常见的困惑：为什么删掉「此外」「值得注意的是」「综上所述」，换上一批更口语的说法，AI 味还在。因为检测器并不只看这些词。故事视镜研究用六万多个平行故事做过统计，剔除措辞、句法和韵律特征以后，单靠叙事结构特征仍然能把人类故事和生成故事分开，宏平均调和分数大约九成三。也就是说，哪怕你把句子表面的东西全换掉，只要开头的选择、情绪的载体、因果的连法、结尾的收法还是模型默认的那一套，痕迹就还在。

所以真正要动的地方不是词，是词背后的决定。谁在说，他为什么知道这些，他此刻在看什么，他凭什么下这个判断，他愿意为判断付出什么代价。这些决定对了，文字会自己带上人的位置。

---

工序为什么必然失败

「把方法做成工序」这个念头很自然。理论太复杂，模型会偷懒，那就把理论拆成步骤，一步一步执行。听起来没毛病。

问题出在步骤是固定的。

假设你定了一条规矩：每章必须有一次重释、一次命名情绪、一个钩子结尾。你严格执行了二十八章。现在这二十八章有了一个共同点：它们都长着同一张脸。检测器不需要理解你的理论，它只要学会认这张脸。

更麻烦的是，这张脸是全局的。真正的写作规律往往绑在具体的材料上：这个人物受了委屈才会在对话里绕弯子，那个场景有风才值得写声音。这些规律因人而异，因文本而异，分散在成千上万个不同的决定里。而工序制造的规律不绑定任何材料，它绑定的是工序本身，所以在所有文本里长得一模一样。对分类器来说，这就是最好的特征。

第一版的十步状态机、三轮改写、三十项信号清单是这样失败的。第二版的四栏决策单加程序门禁，只是把同样的问题缩小了一号：思考层的东西被暴露成工件，工件的结构又会渗进写作习惯。两版失败指向同一个地方。

也许有人会说：那就让工序随机一点，每章抽签决定用什么手法。随机化能骗过简单的频率统计，但骗不过「这些文本都经过同一道抽签」这个事实。抽签的痕迹会以另一种方式稳定下来。真正能打破这个循环的，不是更聪明的规则，是让规则不再出现在文本层。

---

于是我们换了一个问题

既然不能问「这段文本哪里像 AI，怎么改」，那该问什么？

我们问的是：动笔之前，一个具体作者该知道、该在乎、该付出代价的东西，想清楚了没有。

这个问题里藏着三件事。

材料有没有来源。一段信息进到文本里，总得有个来路：是谁看到的，通过什么渠道，此刻为什么说，他是不是只知其一。没有来源的信息，句式再漂亮也飘着，因为没有人在为它负责。

注意力有没有选择。真人在写东西的时候不会平均用力。他盯着某件东西，是因为他此刻有目的、有牵挂、有怕处。光线、声音、气味不会每场都写，写了就是他觉得有用。AI 味常常来自另一种写法：每样东西都得到同样的照顾，每个场景都从环境起笔，读者看不出作者到底在乎什么。

判断有没有代价。真人下判断是有风险的。他可能猜错，可能得罪人，可能赌上什么东西。所以真人会保留、会反例、会改口，会说「这只是我的推测」。机器味则相反，每个结论都圆满，每段结尾都升华，好像说话不需要负任何责任。

这三件事不能做成清单。它们没有统一的答案：一个医生的注意力跟一个赌徒不一样，一个胆小的叙述者跟一个刻薄的不一样。正因为答案千差万别，要求「想清楚」反而会让文本彼此不同。这跟句长占比、连词密度、每章一个钩子有本质区别。后者规定的是结果长什么样，前者只要求选择真实发生过。

---

插件到底做了什么

v0.3 的全部工作，是一套五个字的流程：读全，成为作者，一口气写，听一遍，停。但每个字后面都有理由，值得展开。

读全

模型动笔前，会先调一次 humanize_study(体裁, 模式)。这个工具把 references 目录里全部二十一章方法论一次返回，按体裁排好顺序，后面附三篇风格完全不同的示范文。四万个字符左右，是全文，不是摘要。

为什么一定要全文？因为理论是互相牵制的。十五层语言分析的价值不在「有十五层」这个数字，在于它同时讲了把字句的合法条件、被动句对责任归属的影响、短句什么时候是假节奏。十维叙事的价值不在十个标签，在于每个维度都标着「什么时候不该改」。禁止与回退这一章，有一半篇幅在讲什么不是禁止：有功能的重复、体裁允许的概述、情境驱动的语域切换、保持原样。这些牵制一旦被摘成十条规则，就全丢了。剩下的规则只能指导表面动作，而表面动作正是我们想避免的东西。

阅读包的示范文也需要说清楚。三篇短文风格差得很远，一篇贴着人物，一篇隔着距离看渡口，一篇在论证里守着证据边界。它们不供模仿。任何「学它怎么开头」的念头都跑偏了；要感受的只有一件事：每篇后面都站着一个具体的人，句子的停顿、注意力的偏斜、结论的不肯多迈一步，都是这个人的形状。

成为作者

读完以后，模型不填表，不产工件。它在思考里成为这次要写的人。想的内容大致是：这次要改变读者的什么；材料是谁给的、通过什么途径、此刻为什么说；谁在看、为了什么看、有意不写什么；哪些判断确定、哪些是推测、哪些错了要付代价；这篇是谁在说，他的句子长什么样，他怕什么，他不肯说什么；哪些人名、术语、口癖、意象和伏笔必须稳定；第一句落在哪里，最后一句让读者停在什么感觉上。

这些问题想完就放下。不写出来，不引用，更不进入正文。

有人会问：不写出来，怎么保证模型真的想了？我们试过写出来。写出来的东西会变成工件，工件要过门禁，门禁逼着模型造假，假的工件又会带坏真的写作。后来我们相信另一件事：如果一个模型读完了全部理论，仍然写不出背后有人的文字，那问题不在表格。成品自己会说话。

一口气写

写作的时候，模型只是作者。它不再检查理论，也不去数字数，更不会琢磨这里要不要换个句式。卡住了，就回到材料、注意力或判断上想办法。

这一步比听起来难。模型有很强的惯性，写着写着就会滑回默认路径：情绪用身体反应，环境映照心理，段尾自动升华。应对的办法不是禁止这些写法，而是回到决定层看：这个人物此刻真的会注意自己的呼吸吗？这阵风真的跟他的心事有关吗？这段非要收在感慨上吗？很多时候答案是「不会」「无关」「不必」，文字于是拐向别处。

听一遍

写完以后，模型把自己当成第一次读到这篇文字的读者。听哪里断了，哪里硬了，哪里凉了，哪里空了，哪里说多了。只改这些真实的不适。

这里要区分两种修改。一种来自读者的耳朵：这句话读着卡，这个转折太陡。另一种来自清单：这里该有个短句，这里该删个连词。前一种可以改，后一种不准改。读者的耳朵是内源的标准，清单是外源的标准。外源标准会把所有文本往同一个方向拉。

停

没有不适就交付。没有评分，没有检测，没有画像，没有清单复查，更没有「再顺一遍」。改完了还顺，是永远停不下来的开始。

---

两种用法

创作和润色走同一条总原则，细节不同。

写一篇新的

用户说「用 humanizer 写这一章」。拿一章旧友重逢举例。

模型在动笔前想的不是句式，而是这些：

这次重逢要改变读者对两人关系的一个判断。他们当年不是谁背叛了谁，是两个人都不敢先开口。

叙述者只记得对方离开时的雨衣颜色，记不清那天说了什么。人在难堪的时候，记住的往往是没用的细节。

这场戏不写天气，不写街上行人。只写茶凉了两次，和两个人中间空着的那把椅子。

叙述者心里有一个判断：对方回来不是为了叙旧，是有事要开口。这是推测。他不敢先问，因为先问的人就输了。

两个人说话也不一样。一个短，喜欢把话吞一半；一个客气，越客气越疏远。

第一句从门帘响开始。最后一句停在对方终于说出当年那句话的前半截。

想清楚这些，文字会长出来。读者能感到背后有人，但说不出是哪条规则起了作用。这就是我们要的状态。

改一篇旧的

用户说「用 humanizer 润色这段文本」。

润色的第一件事不是找问题，是先把原文当成一位认真作者的草稿。这个预设很关键。一旦先认定「这是 AI 写的」，人就会拿着外源清单去找茬，看见什么改什么。反过来，先假定作者认真写过，模型就会去反推：这个作者知道什么、在乎什么、声音是什么、哪里只是没写到位。只改没写到位的地方：断了、硬了、凉了、空了、说多了。其余一字不动。

改完还要读接缝。改过的句子跟没改过的句子放在一起，语调要还是一家人才行。接缝平了，就停。

润色不追求「更像人」。每篇文本最好的版本只属于它自己。一篇冷硬的文本，它最好的版本可能仍然冷硬，只是冷得更有道理。

---

文笔、温度、碎句、生硬、机械感

这些词听起来玄，拆开看各有各的条件。

文笔。模型预训练里有大量文学语感，缺的不是好词，是动笔前没有确定这篇是谁在说。声音定了，句子的音乐就定了。没有声音的文字，堆多少词都像说明装置。这就是为什么我们把「成为作者」放在一切之前。

碎句。句子该断在哪，只有三个依据：一次感知结束，一个动作完成，一口气说完。碎句的病因不是短句多，是感知和动作被切散了。为了长短交替而切句，为了节奏变化而拆段，才会越改越碎。

温度。温度靠在乎。写作前知道这个人怕什么、想要什么、哪件事不能提，写作时才知道该盯住哪件具体的东西。不知道，就只能写「温暖、感动、心酸」，越写越冷。越具体越有温度，这句话反着说也成立：越急着点破情绪，文字越凉。

生硬。生硬的毛病大多出在连接上。转折先靠材料和语气的邻接，连词只在逻辑会丢的时候才出现。能靠语序、语义和上下文恢复的关系，不必明说。

机械感。机械感的来源只有一个：读者看见了方法。成品里没有章号、栏目、清单、固定句式，机械感就没有附着点。方法全部留在思考层，这一条做到了，前面几条才有意义。

插件不检查这五样东西。它只负责把模型放进能让条件成立的状态里。

---

跟别的工具比，差别在哪

同类工具大多在回答「这段文本哪里像 AI，我帮你改一下」。这个问法默认了两件事：文本已经写完，只能后处理；「像 AI」是一些可以定位的局部特征。两个默认都值得怀疑。

换词工具相信问题在词表。可模型是概率系统，删掉一批词，它会在同一分布里挑下一批。路径不变，味道不变。

正则库相信问题可以写进规则。可规则是固定的，固定规则会在所有文本上留下同一种形状，最终变成新的指纹。

检测器相信分数可以指导修改。可黑盒分数不稳定，围着它优化会过拟合，还会让人为了分数接受更差的文字。

一次性提示词相信一句话就能说清「自然」。可「自然」没有完整理论托底，模型自由发挥，内容跑偏也没人守。

去 AI 味技能卡相信换词、打散、口语化这些动作。它们都是后处理，天然过度，破坏原文，并且因为是共同动作而制造共同指纹。

这个插件做的事情不同。它不在写完以后动手，它在动笔以前把人叫回来。差别说到底：同类产品在教模型怎么把文本改得像人，这里在让模型动笔之前就是一个人。

---

证据与边界

这套体系不是凭感觉搭的，但也不想假装证据比实际更强。下面把几块关键证据和它们的边界一起说。

故事视镜研究（StoryVisor）用一万零二百七十二个写作提示收集人类作品和五类模型作品，一共六万一千六百零八篇短故事，每篇大约五千词，抽取三百零四项可解释特征。剔除四十七项依赖措辞、句法和韵律的文体特征以后，剩下二百五十七项叙事特征仍然拿到约九成三的宏平均调和分数。这个结果说明了什么、没有说明什么，要分清楚。它说明叙事结构本身携带很强的区分信息，换词不是主战场。它没有说明中文长篇、网文、对话密集文本也服从同一套比例，也没有说明改动叙事特征就能改变任意检测器的判断。所以我们的用法是把它当方向证据，不当操作手册。

结构性分布偏移研究给了另一个方向：简单语法扰动在对抗训练后容易失效，整体结构偏移更持久。重写距离和编辑透镜研究则提示，「经过一轮模型润色」这件事本身就可能是可疑信号，因为检测器能学习原文和机器重写之间的距离。这两块合起来，基本堵死了后处理这条路。

最直接的证据来自项目实战。一部第一人称中医悬疑小说，词句层完全达标的时候，检测结果还有 60.55%；重建章节级叙事设计以后降到 31.94%。数字本身不能外推，那是单项目、单检测器、特定题材的结果。但失败形态很有价值：不是词句不够达标，是每章都在复制同一套配方。

还有一层证据来自学科本身。材料有来源对应语言学的示证性和认识情态，注意力有选择对应聚焦和前景背景选择，判断有代价对应图尔敏式的论证结构，声音稳定且随情境变化对应语域研究，重复有功能对应衔接与指称稳定。我们做的不是发明这些概念，是把它们从不同学科里收拢到同一个写作问题下面。

边界也必须说清。这个插件不承诺任何检测器给出接近零的分数，不把检测分数等同于作者身份，不把检测器未公开的机制当作事实，不通过病句、错字、乱码换取结果变化，不把更复杂当成更像人。引用、数据、公式和来源不得由模型补造。这些限制不是姿态，是这套方法还能继续成立的前提。

完整理论展开见 [docs/THEORY.md](docs/THEORY.md)，为什么这样设计见 [docs/WHY.md](docs/WHY.md)，工程结构见 [docs/ARCHITECTURE.md](docs/ARCHITECTURE.md)。

---

工具

humanize_study(体裁, 模式) 动笔前必调一次，按体裁返回全部二十一章理论全文和三篇风格不同的示范文。

humanize_guard(原文, 成品) 只核对内容锚点保留和文字完好性，没有评分、检测和画像。

humanize_reference(章节) 单独查阅某一章时使用。

humanize_profile(文本) 已退役的兼容替身，只返回内容锚点。

---

安装与使用

# npm 源（推荐）
dsh plugin --profile web add dsh-humanizer

# Git 源
dsh plugin --profile web add "github:DEEP-IOS/dsh-humanizer"

装完重启 web。bundle 层栈在 boot 时合成，Node half 的改动需要重启才生效。

「用 humanizer 写这一章」进入创作模式，「用 humanizer 润色这段文本」进入润色模式。模型会先调 humanize_study 完整读一遍理论，然后开始写或改。

---

方法论章节

---

常见疑问

模型不是已经知道这些理论吗，为什么还要完整读一遍？

知道和在场是两回事。完整阅读不是给模型灌输新知识，是把这些知识从背景里提到当前的生成现场，让它们参与接下来每一个选择。摘要和规则做不到这一点，因为降维后的规则只能指导表面动作。

不设门禁，模型偷懒跳读怎么办？

门禁挡得住表格，挡不住心不在焉。与其用程序检查一个可以伪造的工件，不如让阅读包本身足够完整、足够有说服力，让模型读完以后真的进入作者状态。成品里的生硬和机械感，就是最诚实的门禁。

润色模式怎么保证不会破坏原文？

标准在文本自己身上。模型先重建原文作者的声音和在乎，只改没写到位的地方，其余一字不动。真正认真写出来的句子，在这个标准下天然应该保留。

这套方法会不会自己也变成新指纹？

不会。它在文本层不留下任何统一形状，规定的是「选择是否做过」，不是「选择的结果长什么样」。每份材料的来源、注意力和代价天然不同，一千次执行会有一千种文本。

---

边界

本插件不输出概率，也不识别作者；它不会要求你把文本交给任何外部检测，更不会承诺某个检测分数。目标只有一条：文本背后站着一个具体的人。

开发

pnpm test

确定性层零依赖，测试使用 Node 内置的 node:test。

License

MIT