De AI Polish 综合评估
核心用法
De AI Polish 是一款由杨卫薪律师开发的专业文本去AI化工具，定位为写作流程中的强制质检环节。其核心机制是在任何润色或创作流程完成后，必须调用该技能进行AI腔检测，不可跳过或凭感觉省略。
工具采用"检测-修复"双模式：
detect模式：扫描并标记AI化表述位置fix模式：直接修改文本
显著优点
1. 规则体系极其详尽
检测规则覆盖12大类、数十种细分模式，包括：
- 绝对禁止类：对比句式（"不是…而是"）、程式化连接词（"首先/其次"）、结尾姿态句（"未来可期"）、工整排比等
- 弹性检测类：无序列表密度、引号滥用、评价式陈述等
2. 变体识别能力强
明确采用"向上溯源"原则，要求判断未列表述是否属于已知模板家族的变体，而非机械匹配字面形式。
3. 频次红线机制
设定量化标准：如"越来越"/"其实"/"往往"等词汇全文出现超2次即触发告警，"越来越"前缀出现超2次必须删除，有效遏制AI的重复性表达。
4. 强制工作流嵌入
通过"必须触发"的硬性约束，从流程上杜绝"先输出再说"的偷懒做法，确保质量关卡不被绕过。
5. 配套脚本完善
提供 fix_punctuation.py 脚本强制修正AI遗留的英文标点，采用状态机处理引号交替，并智能跳过YAML、代码块等区域。
潜在缺点与局限性
1. 规则过于繁重
12大类规则含大量细分条目，实际执行时认知负荷较高，容易产生"检测疲劳"，反而影响写作流畅度。
2. 中文网络语境适配存疑
部分禁用词汇如"稳"/"靠谱"/"搞定了"在中文互联网写作中属于自然口语，一刀切禁止可能导致文本过于书面化、失去亲和力。
3. "弹性检测"主观性强
第13-16类规则高度依赖"文章风格""目标读者"等主观判断，不同执行者标准差异大，一致性难以保证。
4. 缺乏自动化评分
虽有quality-scoring.md参考文件，但未集成自动化质量打分，仍需人工逐条核对。
5. 个人风格注入指导模糊
"技术准确性60%/个人化40%"的比例目标缺乏量化手段，"有分寸的口语"等标准难以操作化。
适合人群
- 法律、学术、商务等专业写作场景从业者
- 对AI生成内容质量有严格要求的内容团队
- 希望建立标准化写作流程的组织
常规风险
- 过度修正风险：可能误杀合理的修辞性对比或排比
- 风格同质化：若多人共用同一规则集，可能产生"去AI化后的新程式化"
- 执行成本：完整走通6步流程耗时较长，不适合时效性强的场景