用 AI 来反制 AI：stop-slop 如何把“AI味“变成可执行的检查清单

现在我有了足够的材料来写一份高质量的笔记。用 AI 来反制 AIstop-slop 如何把AI味变成可执行的检查清单核心观点这不是一篇提示词技巧也不是什么新模型——stop-slop 是 Hardik Pandya 写的一个纯文档型 skill file零代码、零依赖本质是一套把AI味这个模糊审美感受转化为可执行规则的分类学。它目前在 GitHub 上获得了 13,800 Star这个数字本身就说明问题大量人正在被 LLM 写出来的套话所困扰却苦于无法系统地描述哪里不对。这件事处于什么位置不是范式突破而是工程化封装。AI 写作的陈词滥调问题早已被语言学家、编辑和写作教练反复讨论stop-slop 做的事情是把这些经验规则编排进 prompt 工程的生态里。参照系应该是《Elements of Style》的 LLM 移植版而不是某种新技术。关键信息与机制拆解真正关键的那个点把感性标准变成可检查的词表在此之前你写得太像 AI 了是一个无法落地的批评。stop-slop 做了一件很巧妙的事把问题分解成三层每一层都可以机械检查。第一层短语黑名单phrases.md共 7 大类 80 条目类别典型例子处理方式清嗓开场词Heres the thing: / It turns out直接删掉从正文开始强调拐杖Full stop. / Let that sink in.完全删除无替代商业黑话navigate → handledeep dive → analysis替换为平实动词所有副词really / genuinely / fundamentally / literally删除包括 -ly 词族元评论Let me walk you through… / In this section…删除直接讲内容模糊宣告The implications are significant.删除或写出具体含义第二层结构反模式structures.md9 种句子/段落套路最有洞察力的几条虚假代理False AgencyThe complaint becomes a fix.——事物在自我修复没有人。→ 改成谁做了什么远距离叙述者Narrator-from-a-distanceNobody designed this.——浮在场景上空俯瞰。→ 把读者拉进现场戏剧性碎片化[名词]. Thats it. Thats the [thing].——用断句制造虚假深度。→ 写完整句子二元对比Not because X. Because Y.——修辞上的烟雾弹。→ 直接说 Y第三层5 维评分满分 50低于 35 须修改直接性Directness是陈述还是在宣布 节奏Rhythm句子长度有变化还是一成不变 信任Trust是否在手把手解释显而易见的事 真实性Authenticity人类会这样说话吗 密度Density有没有可以删掉的词Before/After 示例最能说明问题的一个Before: Heres the thing: building products is hard. Not because the technology is complex. Because people are complex. Let that sink in. After: Building products is hard. Technology is manageable. People arent.注意发生了什么不只是删词而是把宣布问题复杂变成了直接展示复杂。这是这套规则背后真正的逻辑——从宣告到展示show, dont announce。历史对比比它之前的方案好在哪牺牲了什么比人工提醒好在哪以前写得自然点这种指导完全依赖操作者的语感无法规模化复用也无法迭代。stop-slop 把经验编码成规则文件可以挂进任何 LLM 的 system prompt一次投入多次使用。比通用写作优化提示好在哪通用提示如请用简洁的语言改写不能告诉模型为什么某句话不对。stop-slop 提供了具体的词汇分类和结构名称等于给模型一个工作词汇表执行精度明显更高。牺牲了什么这套规则有一个隐含立场——它偏向英文技术写作的干练风格Strunk White 传统。删除所有副词禁止 em dash避免被动语态——这些是在为特定文体服务。叙事性博客、创意写作、学术论文、法律文本各有自己的节奏规范机械套用会造成过度平滑反而失去作者声线。交叉验证我搜索到了两个独立信源信源一txtmix.com《stop-slop把 AI 写作从套话和模板句里拽出来的 skill》2026年5月26日这篇文章是对 stop-slop 方法论的独立评估与原文有几点认同分层设计SKILL.md references/的可维护性确实优于把所有规则塞进一个臃肿的 system prompt5维评分把什么时候改完了从主观判断变成可复盘的指标这是关键设计价值。但它也提出了原文没有的补充和批评和我的判断高度吻合规则没有反向边界只说删什么没有说什么时候不该删——某些学术或法律文本需要特定被动语态某些情景下 em dash 是必要的节奏手段无定量验证没有改写前后的可读性对比数据也没有真实读者反馈35分门槛从何推导没有解释与 LLM 的错配模型执行规则时容易过度应用把副词全删导致信息丢失项目没有讨论如何平衡信源二pyshine.com《Stop Slop: The Open-Source Skill That Removes AI Writing Patterns》2026年6月26日这篇英文分析文章对项目结构和内容做了详细枚举40 禁用短语、9 个结构反模式总体持认同立场但该文章的作者自己也注意到这是一篇宣传性文章的倾向未讨论任何局限性。两个信源共同指向一点stop-slop 的方法论框架有价值但具体规则的适用边界被低估了。推演接下来会怎样基于上面的机制和对比我的判断是stop-slop 会催生一批垂直领域版的衍生项目。中文 AI 写作有完全不同的套话系统从某种意义上说众所周知不难看出学术写作、新闻写作各有各的禁忌词。Hardik 的最大贡献是提供了框架结构黑名单 结构反模式 评分维度而具体词表注定要被社区分叉。知乎上已经有人做了中文版 Humanizer-zh这印证了这个判断。另一个趋势这类规则文件迟早会被 AI 检测工具反向利用。当删副词、避免被动语态的规则足够普及AI 检测器会把副词极少、全主动语态本身标记为疑似 AI 优化后的文本——军备竞赛的下一轮。边界与局限不唱赞歌必须诚实指出几点被过度简化的地方AI味的本质不是词汇问题是思维问题。删掉Heres the thing不能修复一个论证空洞的段落。stop-slop 处理的是成稿阶段的表层质感如果原文的判断本就空泛改写只会让空话说得更干净——txtmix 的批评原文也明确指出了这一点。副词全删是个武断规则。in 120ms 和 quickly 在技术文档里不等价slightly better 和 better 的语义精度也不同。把所有 -ly 词纳入黑名单是为了操作简便而牺牲了精确性。评分系统缺乏校准35/50 的门槛没有来源5 个维度的权重设计也没有说明。直接性和真实性之间存在概念重叠这套评分更接近有启发的粗估而不是严格的质量指标。只针对英文项目对中文等非 SVO 语序语言几乎没有参考价值需要从头建立词表。个人启发对读者的具体建议对于经常用 Claude/GPT 生成英文技术内容的人直接把SKILL.md加入你的 Claude Project 知识库或 system prompt是投入产出比极高的一次性配置。不需要每次手动审查让模型帮你过滤。对于中文写作者不要直接用这个项目但要借鉴它的框架思路——把你读到的、觉得AI味很重的句式收集起来建立自己的中文 phrases.md。从某种程度上说不难发现值得注意的是在X领域Y具有重要意义——这些都是候选词条。对于决策者/内容团队stop-slop 更大的价值在于建立团队共同语言。当这段话有虚假代理问题或这里评分密度太低可以在团队内部被理解内容审查效率会显著提升而不需要每次靠感觉不对来沟通。边界提醒把这套规则当成最后一道过滤器而不是写作替代品。在用 stop-slop 润色之前先确认你的内容有真实判断、有具体证据、有清晰逻辑——否则你只是在给空话抛光。延伸思考AI味是风格问题还是认知问题stop-slop 治的是表层词汇但宣告而不展示announcing instead of showing其实是一种思维习惯——LLM 倾向于总结性陈述而非具体展示这和模型训练数据的结构有关。单纯的词汇过滤能在多大程度上改变这个底层倾向规则驯化会不会带来新的同质化当越来越多的人用同一套 stop-slop 规则过滤 AI 内容最终产出的文章风格会不会收敛到另一种stop-slop味——干练、无副词、主动语态、短句收尾——形成新的可识别模式这套方法论能否反向用于提示词设计如果不要宣告直接展示是好文章的核心原则那么给 LLM 写的提示词prompt本身是否也应该遵循类似规范——去掉请帮我详细分析一下这类清嗓开场直接指定任务和输出格式这或许是 prompt engineering 可以借鉴的角度。 参考来源GitHub - hardikpandya/stop-slop: A skill file for removing AI tells from prose · GitHub