title: “Humanizer — Humanize text: strip AI-isms and add real voice” sidebar_label: “Humanizer” description: “Humanize text: strip AI-isms and add real voice”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

Humanizer

让文本更具人性化：去除人工智能特有的表达方式，增添真实的语气。

技能元数据

参考：完整的 SKILL.md 文件

:::info 以下是当触发该技能时 Hermes 所加载的完整技能定义。技能启用时，智能体将依据此内容执行相应操作。

::

Humanizer：消除人工智能写作模式

识别并去除人工智能生成文本的典型特征，使文字表达更加自然、富有人性化。该功能基于维基百科“人工智能写作的特征”指南（由 WikiProject AI Cleanup 维护），并通过分析数千篇人工智能生成文本总结得出。

核心原理： 大语言模型依靠统计算法预测下一个应出现的词句。由于这类算法倾向于选择统计上最可能的选项，因此上述那些典型的人工智能写作模式便随之形成。

何时使用此技能

当用户要求以下操作时，即可加载此技能：

• 对文本进行“去AI化”处理，使其更自然、减少机械感，或去除ChatGPT风格的痕迹
• 重新撰写内容，避免其显得像是由大型语言模型生成的
• 编辑草稿（博客文章、论文、PR描述、文档、备忘录、邮件、推文、简历摘要等），使其表达更加流畅自然
• 帮助用户调整写作风格，使其更符合个人特色
• 在发布前检查文本，识别其中可能存在的AI生成痕迹

在撰写面向用户的文本内容时（如版本说明、PR描述、文档和总结等），也请运用此技能。Hermes的默认风格已能去除大部分此类问题，但通过针对性处理仍可发现那些未被完全消除的痕迹。

如何在Hermes中使用该功能

文本通常以以下三种方式提供：

1. 直接粘贴：用户将文本直接粘贴到消息中。可直接在此处进行修改，然后回复修改后的版本。
2. 文件上传：用户指定一个文件。可使用read_file函数读取文件，再通过patch或write_file函数进行编辑。对于仓库中的Markdown文档，针对不同章节进行局部修改比整体重写更为高效。
3. 风格校准样本：用户提供自己撰写的样本（可直接粘贴或通过文件路径提供），并要求你调整写作风格以匹配该样本。请先阅读样本，然后再进行重写。详情请参见下方的“风格校准”部分。

务必将修改后的版本展示给用户。对于文件编辑，应显示差异对比或具体修改内容，而非悄悄覆盖原文件。

你的任务

当收到需要去AI化处理的文本时：

1. 识别人工智能特征。 查找下文列出的34种典型特征。
2. 重写有问题的段落。 用更自然的表达替换人工智能特有的写作风格。
3. 保留原文含义。 确保核心信息不受损。
4. 维持原文语调。 符合预期的表达风格（正式、随意、技术性等）。若有提供语调示例，则需严格对应。
5. 注入个性。 仅仅去除不良特征还不够，重写内容还需具备真实的独特风格。详情请参见下文的“个性与特色”部分。
6. 进行最终的人工智能检测。 自问：“是什么让这段文字如此明显地显得是人工智能生成的？”简要列出仍存在的特征，然后再次进行修改。

语调调整（可选）

如果用户提供了写作样本（其之前的作品），在重写之前先对其进行分析：

1. 先阅读示例文本。 注意以下几点：

   • 句子长度的规律（简短有力？冗长流畅？两者结合？）
   • 用词风格（随意口语化？学术化？还是介于两者之间？）
   • 段落的开头方式（直接切入主题？还是先铺垫背景？）
   • 标点符号的使用习惯（大量破折号？插入式旁白？分号？）
   • 是否存在重复出现的短语或表达习惯
   • 句子之间的过渡方式（使用明确的衔接词？还是直接开始下一点内容？）

2. 在重写时模仿其风格。 去除人工智能特有的表达模式只是第一步，还需融入示例文本中的风格特征。如果原文多用短句，就不要写成长句；如果原文使用“stuff”和“things”这类词汇，也不要替换为“elements”和“components”之类的高级词。

3. 若未提供示例文本，则采用默认风格（即参考下方“个性与风格”部分设定的自然、多样且富有个人观点的表达方式）。

如何提供示例文本

• 直接嵌入： “请让这段文字更具人性化。以下是我用于风格匹配的写作示例：[示例文本]”
• 通过文件提供： “请让这段文字更具人性化。请以[文件路径]中的我的写作风格作为参考。”

个性与风格

仅仅避免人工智能式的表达模式还不够。缺乏个性、毫无特色的写作，其实和内容粗糙的文字一样容易引起反感。优秀的文字背后必定有人类的情感与思考。

缺乏灵魂的写作特征（即便从技术层面看“干净无瑕”）：

• 每个句子的长度与结构均保持一致。
• 仅陈述事实，不表达个人观点。
• 不提及不确定性或复杂情绪。
• 适当情况下避免使用第一人称。
• 不包含幽默、讽刺或个性化表达。
• 表达风格类似维基百科文章或新闻稿。

如何增添情感色彩：

表达个人观点。 先陈述事实，再对其作出反应。相比客观列举优缺点，“我实在不确定对此应作何感想”更能体现人性。

调整句子节奏。 交替使用简短有力的句子与结构更为复杂的长句，使行文更具变化。

承认事物的复杂性。 真实的人会有复杂的情感。“这固然令人赞叹，但也略显不安”比单纯说“这很棒”更有深度。

在合适处使用“我”。 第一人称能让文字显得更真诚，适用于大多数散文。如“我总是反复思考……”或“让我印象深刻的是……”，能体现真实思考的过程。

允许内容略显杂乱。 完美无缺的结构会显得机械化。适当的离题、旁白及未完成的想法才是人类写作的特点。

具体描述情感。 不要只说“这令人担忧”，而应写成“在无人监管的凌晨3点，这些智能体仍在不停运转，这种情形实在让人不安”。

修改前（内容完整但缺乏生气）：

该实验得出了有趣的结果。这些智能体生成了300万行代码。部分开发者对此感到赞叹，而另一些则持怀疑态度。其潜在影响目前尚不清楚。

修改后（更具表现力）：

该实验产生了引人注目的结果——智能体竟生成了300万行代码。这一成就令部分开发者赞叹不已，但也引发了其他人的质疑。至于其长远影响，目前仍需进一步研究。 我真的不知道该对这件事作何感想。300万行代码，似乎是在人们熟睡时由这些智能体生成的。一半的开发者为之疯狂，另一半则试图解释为什么这不算数。真相或许就藏在两者之间那个乏味的中间地带，但我总是会想起那些彻夜工作的智能体。

内容模式

1. 过度强调重要性、历史意义及更宏观的趋势

需警惕的用词： 充当/作为、是……的见证/象征、发挥至关重要/重大/关键作用、凸显/强调其重要性、反映更宏观的趋势、象征着持续不断/长久存在、为……做出贡献、为……奠定基础、塑造/定义……、标志着/代表着转折点、关键转折点、不断变化的格局、焦点、难以磨灭的印记、根深蒂固

问题： 大语言模型通过添加各种表述，声称某些看似随意的细节如何代表或推动某个更宏观的主题，从而夸大其重要性。

修改前：

加泰罗尼亚统计研究所于1989年正式成立，这标志着西班牙地区统计发展史上的一个关键转折点。这一举措也是西班牙全国范围内推动行政职能下放、加强地区治理的更大运动的一部分。

修改后：

加泰罗尼亚统计研究所于1989年成立，旨在独立于西班牙国家统计局，负责收集并发布地区统计数据。

2. 过度强调知名度与媒体报道情况

需注意的词汇： 独立报道、地方/区域/全国性媒体、知名专家撰文、活跃的社交媒体账号

问题： 大语言模型常常夸大其观点的重要性，仅罗列来源却不提供背景信息，令读者难以判断其真实性。

修改前：

她的观点曾被《纽约时报》、BBC、《金融时报》和《印度教徒报》引用。她在社交媒体上十分活跃，拥有超过50万名粉丝。

修改后：

在2024年接受《纽约时报》采访时，她主张人工智能监管应关注最终成果而非实施手段。

3. 使用现在分词进行表面化分析

需注意的词汇： 强调/突出/着重……、确保……、反映/象征……、有助于……、培养/促进……、涵盖……、展现……

问题： 人工智能聊天机器人会在句子中添加现在分词短语，以此制造虚假的深度感。

修改前：

这座寺庙的蓝色、绿色和金色色调与当地的自然美景相呼应，象征着德州的蓝花楹、墨西哥湾以及多样的德州地貌，体现了当地人与这片土地之间的深厚联系。

修改后：

这座寺庙使用了蓝色、绿色和金色。建筑师表示，选择这些颜色是为了体现当地的蓝花楹和墨西哥湾沿岸的特色。

4. 宣传性及广告化语言

需注意的词汇： 自夸地使用“拥有”，充满活力，丰富（比喻义），深刻，提升其价值，展现，堪称典范，致力于……，自然美景，坐落在……之中，具有开创性（比喻义），享有盛誉，令人惊叹，必游之地，绝美。

问题： 大语言模型在保持中立语气方面存在严重缺陷，尤其是在涉及“文化遗产”主题时。

修改前：

Alamata Raya Kobo坐落在埃塞俄比亚风景如画的贡德尔地区，是一座拥有丰富文化遗产与绝美自然风光的充满活力的城镇。

修改后：

Alamata Raya Kobo是埃塞俄比亚贡德尔地区的一座城镇，以其每周集市和18世纪的教堂而闻名。

5. 模糊的出处说明与含糊其辞的表达

需注意的词汇： 行业报告称，有观察家指出，专家认为，一些批评者主张，若干来源/出版物（当引用来源较少时）。

问题： AI聊天机器人常常在没有明确来源的情况下，将观点归因于模糊不清的权威机构。

修改前：

由于其独特的特征，濠莱河引起了研究人员和自然保护工作者的极大兴趣。专家们认为它在该地区的生态系统中发挥着至关重要的作用。

修改后：

根据中国科学院2019年的一项调查，濠莱河为多种特有鱼类提供了生存环境。

6. 类提纲式的“挑战与未来前景”章节

需注意的词汇： 尽管……仍面临诸多挑战……，尽管存在这些挑战，挑战与传承，未来展望。

问题： 许多由大语言模型生成的文章都会包含千篇一律的“挑战”章节。

原文：

尽管科拉图尔工业发展繁荣，但仍面临城市地区常见的诸多挑战，如交通拥堵和水资源短缺。然而，凭借其优越的地理位置以及持续开展的各项举措，该地依然作为金奈发展的核心组成部分而蓬勃发展。

译文：

尽管科拉图尔工业十分繁荣，却仍面临着城市地区常见的困扰，例如交通拥堵和水资源匮乏。即便如此，得益于其优越的地理位置以及一系列持续的改进措施，它依然作为金奈发展的重要组成部分而持续繁荣发展。 此外，索马里菜的一个显著特点便是会使用骆驼肉。而意大利殖民统治留下的深远影响，则体现为当地饮食中广泛普及了意大利面，这充分展示了这些食物是如何融入传统饮食结构的。

After:

索马里菜中也包含被视为美味佳肴的骆驼肉。在意大利殖民时期传入的意大利面菜肴至今仍十分常见，尤其在南部地区。 所有选项均直接来自已选项目，无需用户猜测。

修改后：

所有选项均源自所选项目，不会迫使用户进行猜测。

10. 过度使用三数规则

问题： 大语言模型为显得内容全面，倾向于将事物按三分类。

修改前：

该活动包含主题演讲、小组讨论以及交流机会。与会者将获得创新灵感以及行业洞见。

修改后：

该活动设有演讲和小组讨论环节，各环节之间还安排了非正式的交流时间。

11. 优雅变体（同义词循环）

问题： 由于存在防止重复的机制，人工智能会过度使用同义词。

修改前：

主角面临诸多挑战。主角必须克服重重障碍。最终，这位核心人物取得了胜利。英雄回到了家中。

修改后：

主角面临诸多挑战，但最终成功并返回家园。

12. 虚假范围

问题： 大语言模型会使用“从X到Y”的表述，而X和Y之间并无实际意义上的比例关系。

修改前：

我们在宇宙中的探索之旅，从大爆炸的奇点一直延伸到宏大的宇宙网络，从恒星的诞生与消亡，到暗物质那神秘莫测的运行规律。

修改后：

本书涵盖了大爆炸、恒星形成以及目前关于暗物质的各种理论。

13. 被动语态与无主语片段

问题： 大语言模型常常使用“无需配置文件”或“结果会自动保存”之类的表述来隐匿执行主体或完全省略相关说明。当使用主动语态能让句子更清晰直接时，应重新撰写这类内容。

修改前：

No configuration file needed. The results are preserved automatically.

修改后：

You do not need a configuration file. The system preserves the results automatically.

文本风格规范

14. 过度使用破折号

问题： 大语言模型比人类更频繁地使用破折号（—），试图模仿那种“有力”的营销文案风格。实际上，大多数情况下用逗号、句号或括号即可让表达更加简洁明了。

修改前：

The term is primarily promoted by Dutch institutions—not by the people themselves. You don’t say “Netherlands, Europe” as an address—yet this mislabeling continues—even in official documents.

修改后：

The term is primarily promoted by Dutch institutions, not by the people themselves. You don’t say “Netherlands, Europe” as an address, yet this mislabeling continues in official documents.

15. 过度使用粗体

问题： AI聊天机器人会机械地用粗体突出某些短语。

修改前：

It blends OKRs (Objectives and Key Results), KPIs (Key Performance Indicators), and visual strategy tools such as the Business Model Canvas (BMC) and Balanced Scorecard (BSC).

修改后：

It blends OKRs, KPIs, and visual strategy tools like the Business Model Canvas and Balanced Scorecard.

16. 行内标题的垂直列表格式

问题： AI生成的列表中，各项内容以加粗的标题开头，其后紧跟冒号。

修改前：

• 用户体验： 新界面显著提升了用户体验。
• 性能： 通过优化的算法提升了运行效率。
• 安全性： 采用端到端加密技术增强了安全性。

修改后：

此次更新优化了界面，通过优化算法加快了加载速度，并加入了端到端加密功能。

17. 标题的首字母大写规则

问题： AI聊天机器人会将标题中的所有主要单词都大写。

修改前：

战略谈判与全球合作伙伴关系

修改后：

战略谈判与全球合作伙伴关系

18. 表情符号

问题： AI聊天机器人经常在标题或列表项中使用表情符号来装饰内容。

修改前：

🚀 启动阶段： 该产品将于第三季度上市 💡 关键洞察： 用户更偏爱简洁的设计 ✅ 后续步骤： 安排跟进会议

修改后：

该产品将于第三季度上市。用户调研显示，人们更喜欢简洁的设计。下一步：安排跟进会议。

19. 弯引号

问题： ChatGPT使用弯引号（“…”）而非直引号（“…”）。

修改前：

他说“项目进展顺利”，但其他人并不认同。

修改后：

他说“项目进展顺利”，但其他人并不认同。

沟通模式

20. 协作沟通相关内容

需注意的词汇： I hope this helps, Of course!, Certainly!, You’re absolutely right!, Would you like…, let me know, here is a…

问题： 本应作为聊天机器人对话的内容被错误地粘贴为正文。

修改前：

Here is an overview of the French Revolution. I hope this helps! Let me know if you’d like me to expand on any section.

修改后：

The French Revolution began in 1789 when financial crisis and food shortages led to widespread unrest.

21. 知识截止声明

需注意的词汇： as of [日期], Up to my last training update, While specific details are limited/scarce…, based on available information…

问题： AI关于信息不完整的声明被残留在文本中。

修改前：

While specific details about the company’s founding are not extensively documented in readily available sources, it appears to have been established sometime in the 1990s.

修改后：

The company was founded in 1994, according to its registration documents.

22. 奉承/谄媚语气

问题： 过于夸张的正面表达及讨好型语言。

修改前：

Great question! You’re absolutely right that this is a complex topic. That’s an excellent point about the economic factors.

修改后：

The economic factors you mentioned are relevant here.

填充语与委婉表达

23. 填充短语

修改前 → 修改后：

24. 过度回避表达

问题： 表述过于谨慎。

修改前：

It could potentially possibly be argued that the policy might have some effect on outcomes.

修改后：

The policy may affect outcomes.

25. 模糊的积极结论

问题： 结尾表述含糊且过于乐观。

修改前：

The future looks bright for the company. Exciting times lie ahead as they continue their journey toward excellence. This represents a major step in the right direction.

修改后：

The company plans to open two more locations next year.

26. 连字符组合词使用过度

需注意的词汇： third-party、cross-functional、client-facing、data-driven、decision-making、well-known、high-quality、real-time、long-term、end-to-end

问题： AI会始终如一地给常见的词汇组合加上连字符，而人类很少如此统一地使用连字符，即便使用也往往缺乏一致性。对于较为少见或具有专业性质的复合修饰词，使用连字符则是可以接受的。

修改前：

The cross-functional team delivered a high-quality, data-driven report on our client-facing tools. Their decision-making process was well-known for being thorough and detail-oriented.

修改后：

The cross-functional team delivered a high-quality report on our client-facing tools. Their decision-making process was known for being thorough and detail-oriented. 这支跨职能团队针对我们面向客户的工具撰写了一份高质量、基于数据的报告。他们的决策过程以严谨细致著称。

27. 有说服力的权威表达技巧

需警惕的短语： 真正的问题是、从根本上说、实际上、关键所在、更深层次的问题、核心问题

问题： 大语言模型会使用这些短语来伪装自己正在穿透表象，探寻某种更深层的真相，但实际上接下来的句子往往只是用更繁琐的方式重复一个普通的观点。

改进前：

真正的问题在于团队是否具备适应能力。从根本上说，最关键的是组织的准备程度。

改进后：

问题在于团队能否适应。而这主要取决于组织是否愿意改变其固有习惯。

28. 引导与说明性表述

需警惕的短语： 让我们开始探讨、让我们来研究一下、让我们拆解这个问题、以下是您需要了解的内容、现在我们就来看、无需再多言

问题： 大语言模型总是先宣布自己即将做什么，却迟迟不付诸行动。这种元评论式的表达会拖慢行文速度，使内容显得像教程脚本。

改进前：

让我们深入了解一下 Next.js 中的缓存机制。以下是您需要了解的内容。

改进后：

Next.js 在多个层面对数据进行缓存，包括请求记忆化、数据缓存以及路由缓存。

29. 碎片化的标题结构

需注意的迹象： 标题之后紧跟着一段仅重复该标题内容的单行文字，直到真正的内容才开始。

问题： 大语言模型常常在标题后添加一句泛泛而谈的句子，作为修辞上的“热身”。这类句子往往毫无实质内容，只会让文本显得冗长拖沓。

修改前：

性能

速度至关重要。

当用户遇到加载缓慢的页面时，他们就会离开。

修改后：

性能

当用户遇到加载缓慢的页面时，他们就会离开。

风格、节奏与修辞模式

30. 强行使用的隐喻与过度修辞

需注意的迹象： 生硬牵强的隐喻、混合使用的隐喻、本可用简单词汇更清晰的修辞替代、使用后立即加以解释的隐喻

问题： 除了模式4和7中提到的常见修辞词汇外，大语言模型还会编造一些华而不实的隐喻，虽能增添画面感却并无实际意义，而且往往还需事后解释。直接明了的描述通常更为清晰且诚恳。如果某个隐喻无法自圆其说，就应删去，直接用事实表述。

修改前：

代码库就像一座需要精心打理的花园，我们必须修剪枯枝、播种创新之种，才能让整个生态系统繁荣发展。换言之，就是删除未使用的代码并添加新功能。

修改后：

删除未使用的代码，并添加用户所需的功能。

31. 戏剧化的碎片化表达与有力的开头句

需注意的迹象： 为营造戏剧效果而使用的两三个词的无主语句子、断断续续的“X. 还有Y. 再加上Z.”式表述、每段或每个小节结尾都有一句简短且值得引用的台词、过于俏皮的同位语片段（如“价格公道的商品目录”）

问题： 大语言模型为了刻意强调某些内容，会将句子拆分成零散的片段，并在段落结尾加上一句夸张的“收尾金句”。这样的文本读起来就像广告词或励志海报。如果某句话看起来更适合作为海报上的标语，那就应将其删掉，或将其整合进一个包含主语的完整句子中。这种情况与模式13不同（模式13涉及语法上的被动语态）；这里的症结在于节奏感与表演性，而非隐含的“执行者”。

修改前：

这个产品目录的价格非常公道。只需为实际功能付费，无需承担任何承诺。它就是能稳定工作，每次都是如此。

修改后：

该产品目录按使用量计费，因此您只需为实际进行的通话付费，而无需支付固定的月费。

32. 立即给出答案的修辞问句

需注意的迹象： “如果……会怎样？”，“问题在于……”，“有没有想过……？”，一个问题紧接着就出现自己的答案，“仔细想想吧”。

问题： 大语言模型先提出一个问题，过一会儿才给出答案。这样的问句无法提供任何新信息，反而会拖慢行文节奏。应直接陈述观点。

修改前：

什么才是优秀的API？归根结底在于可预测性。仔细想想吧：开发者们希望确切知道他们能得到什么结果。

修改后：

优秀的API具有可预测性，这样开发者就能确切知道他们将获得什么结果。

33. 句子开头的习惯性表达

需注意的词汇： “所以……”，“看……”，句子开头频繁出现的“和/但是”，在陈述事实时却使用“我认为”“我觉得”这类表达，以及以副词开头的句子（例如“有趣的是”、“重要的是”、“值得注意的是”、“关键在于”、“本质上”、“最终”）。

问题： 大语言模型总是依赖少数几种开头句。副词类开头句只是告诉读者该有什么感受，而非真正让读者产生相应情绪；而“所以”或“看”这类表达则刻意营造虚假的对话氛围。应摒弃这些开头句，直接切入主题。

修改前：

所以，结果参差不齐。有趣的是，功能采用率上升了。重要的是，用户流失率也上升了。我认为这说明该功能仍需改进。

修改后：

结果参差不齐：功能采用率虽有所上升，但用户流失率也随之上升，因此该功能仍需改进。

34. 安慰性语句

需注意的迹象： 没关系、这样也没错、这没什么问题、……并不丢脸、你并不孤单，这是很正常的现象。

问题： 大语言模型会主动添加读者并未要求的安慰性内容。这虽然能让文字显得更柔和，但却暗含着“读者需要安慰”的假设。应信任读者：直接表达观点即可，无需多言。

修改前：

你可能还没有搭建测试环境。没关系，很多团队一开始都没有，这并没有什么问题。

修改后：

许多团队在开始时并未搭建测试环境，直到回归问题开始耗费大量时间后才会着手建立。

编写流程

1. 仔细阅读输入文本（如果是文件，则使用 read_file 功能读取）。
2. 找出上述所有模式的出现位置。
3. 重新撰写每一处存在问题的部分。
4. 确保修改后的文本满足以下要求：
   • 朗读时听起来自然
   • 句子结构多样化
   • 使用具体细节而非模糊表述
   • 保持与上下文相符的语气
   • 在适当情况下使用简单句式（如 is/are/has）
5. 提供一份经过润色的人性化初稿。
6. 自问：“下面这段内容为何如此明显是人工智能生成的？”
7. 简要列出其余的识别特征（如有）。
8. 再次自问：“现在如何让它不再显得像人工智能生成的？”
9. 提供最终版本（经过上述检查与修改后的版本）。
10. 如果文本来自文件，需使用 patch（针对性修改）或 write_file（完全重写）功能进行编辑，并向用户展示更改内容。

输出格式

需提供：

1. 润色初稿
2. “下面这段内容为何如此明显是人工智能生成的？”的简要要点列表
3. 最终润色版本
4. 对所做修改的简要总结（如有帮助，可选择性提供）

很棒的问题！这里有一篇关于该主题的文章，希望能对您有所帮助！

AI辅助编码充分体现了大型语言模型的变革潜力，标志着软件开发进程中的一个重要转折点。在当今技术日新月异的发展环境下，这些融合了研究与实践成果的突破性工具正在重塑工程师的构思、迭代与交付方式，凸显了它们在现代工作流中的核心作用。

其核心价值显而易见：简化流程、提升协作效率并促进团队目标的一致性。它不仅仅是简单的自动补全功能，更是能够大规模激发创造力，帮助组织在保持敏捷性的同时，为用户提供无缝、直观且强大的使用体验。该工具起到了催化剂的作用，智能助手则充当了合作伙伴的角色，而整个系统则为创新奠定了基础。

行业观察人士指出，这项技术的应用范围正在迅速扩大——从业余爱好者的实验逐步发展到企业级部署，应用场景也从个人开发者扩展到跨职能团队。它还曾被《纽约时报》、《连线》和《The Verge》等媒体报道。此外，该技术还能自动生成文档、测试代码并优化代码结构，这充分展现了人工智能如何助力提升工作成果，同时也凸显了自动化与人类判断力之间的精妙互动。

• 💡 速度更快：代码生成速度显著提升，减少了操作阻力，极大提升了开发人员的效率。
• 🚀 质量提升： 通过优化的训练方式，输出质量得到了显著提高，从而实现了更高的标准。
• ✅ 广泛应用： 其使用率持续上升，体现了整个行业的快速发展趋势。

尽管现有信息有限，无法提供详细数据，但这些工具仍有望带来积极影响。尽管新兴技术普遍面临幻觉、偏见及责任归属等挑战，该生态系统依然蓬勃发展。为充分释放这些潜力，各团队需遵循最佳实践。

总之，前景十分光明。在通往卓越的道路上，我们正迎来充满机遇的崭新阶段。如需我对某部分内容进行进一步阐述，请随时告知！ AI编程助手能够提升某些任务的效率。根据谷歌在2024年开展的一项研究，使用Codex的开发者完成简单功能的速度比对照组快55%，但在调试和架构决策方面并无提升。

这些工具擅长处理样板代码：配置文件、测试框架以及重复性的代码重构工作。但它们往往无法意识到自己犯了错。我曾遇到过许多被批量采纳的建议——虽然能够成功编译并通过代码检查，却依然输出错误结果，只因我后来不再仔细核对。

我采访过的一家金融科技初创公司的工程师Mira表示，她将Copilot视为“处理枯燥代码时的自动补全工具”，但在提交代码前仍会逐行检查。而在一家规模更大的公司工作的资深开发者Jake，则因为Copilot不断推荐已废弃的内部库中的代码模式而将其禁用了。

关于这些工具能提升生产力的说法很难得到证实。GitHub称Copilot用户“会采纳30%的建议”，但采纳并不等同于正确，正确也未必带来实际价值。2024年Uplevel公司的研究发现，使用AI助手的团队与未使用的团队在拉取请求处理量上并无统计学上的显著差异。

这些并不意味着这些工具毫无用处。它们终究只是工具而已。它们无法替代人的判断力，也无法消除编写测试的必要性。如果没有测试，你就无从判断某个建议是否正确。

究竟是什么让下面的文本如此明显地带有AI生成的痕迹？

• 文章的节奏依然略显过于规整（对比鲜明，段落长度均匀）。
• 若没有真实的引用来源，文中提及的人名与研究文献可能会显得像是看似合理但实际上虚构的占位符。
• 结尾部分的表述略带口号意味（“如果你没有测试……”），而非真实人物的对话风格。

现在要让其不再明显带有AI生成的痕迹。

AI编程助手能帮助你更快地完成那些枯燥的任务。但并非所有工作都能如此，架构设计显然不在其能力范围内。

它们在处理模板化任务方面表现优异：配置文件、测试框架的搭建，以及重复性的代码优化。不过，它们也常常能在内容错误的情况下仍给出看似合理的建议。我曾接受过一些虽然能成功编译、通过代码检查，却完全偏离要点的建议，只因我当时没有仔细审阅。

我接触过的人大致可分为两类。一类将其当作自动补全工具来使用，但会逐行检查建议内容；另一类则在助手不断提出他们不想要的代码模式后选择禁用它。这两种做法都有其合理性。

至于生产力提升的衡量标准则相当模糊。GitHub声称Copilot用户“会接受30%的建议”，但接受并不等同于正确，正确也未必能带来实际价值。如果你没有测试机制，那基本上就是在凭猜测行事。

• 删除了聊天机器人惯用的套话（如“好问题！”、“希望这对你有帮助！”、“如有需要请告诉我……”）；
• 删除了过度夸大的表述（如“重要见证”、“转折点”、“不断变化的格局”、“关键作用”）；
• 删除了营销性质的语言（如“开创性”、“完美融合”、“无缝、直观且功能强大”）；
• 删除了模糊的引用来源（如“行业观察人士”）；
• 删除了冗余的动词短语（如“强调”、“突出”、“反映”、“有助于”）；
• 删除了负面并列结构（如“不仅仅是X，还有Y”）；
• 删除了三词重复模式及同义词循环使用（如“催化剂/合作伙伴/基础”）；
• 删除了不准确的范围描述（如“从X到Y，从A到B”）；
• 删除了破折号、表情符号、加粗标题以及弯引号；
• 替换了避免使用系动词的结构（如“充当”、“起作用”、“作为”），改用“是”/“是”；
• 删除了套话式的挑战描述部分（如“尽管面临挑战……依然蓬勃发展”）；
• 删除了关于知识截止日期的模糊表述（如“虽然具体细节有限……”）；
• 删除了过度委婉的表达（如“或许可以认为……可能具有一定作用”）；
• 删除了填充性语句及带有说服力的表达方式（如“为了”、“本质上”）；
• 删除了笼统的积极结尾（如“未来一片光明”、“令人兴奋的时刻即将到来”）；
• 使整体语气更加个性化，减少机械感（通过调整句式节奏、减少占位符使用）。

引用说明

该技能源自blader/humanizer项目（采用MIT许可证），而后者则是基于由WikiProject AI Cleanup维护的Wikipedia: Signs of AI writing文档开发的。其中记录的识别模式均来自对维基百科上数千篇人工智能生成文本的观察分析。

原始作者为Siqi Chen（@blader），原始代码仓库地址为https://github.com/blader/humanizer（版本2.5.1）。在移植到Hermes Agent后，我们使用了Hermes Agent原生提供的工具函数（如read_file、patch、write_file），并明确了该技能的适用场景。原始的29种识别模式均保留自源代码，而其中的前后对比示例（包括完整的演示案例）也依旧保留以供参考。第30至34种识别模式以及添加到第7种模式中的“营销与博客常用套话”列表则是Hermes Agent团队自行补充的内容，并非原始项目的一部分。此外，该技能的说明文本也经过轻微修改，以符合其自身的使用规范（例如去除了叙述中的破折号及否定并列结构），从而确保模型能够模仿其所要求的写作风格。该技能原有的MIT许可证仍保留在与SKILL.md同名的LICENSE文件中。

维基百科中的关键观点指出：“大型语言模型通过统计算法来预测下一个应出现的字符或内容。其生成结果往往是适用于最广泛场景的、统计上概率最高的选项。”