“AI 味”是信任危机：yomiyasu 走红给所有 AIGC 产品上了一课-开发者社区

“AI 味”是信任危机：yomiyasu 走红给所有 AIGC 产品上了一课

【免费下载链接】yomiyasuAI生成の日本語を自然な日本語へ推敲するAgent Skill / Agent Skill for Refining AI-Generated Japanese into Natural Japanese项目地址: https://gitcode.com/gh_mirrors/yo/yomiyasu

2026 年，一个名为yomiyasu（よみやす）的开源 Agent Skill 在中文社区悄然走红：它不做别的，专治“AI 生成日语”里那股说不清、道不明的别扭感——把“数据静悄悄地坏掉了”“地味に効く”这类句子，改写成主谓清晰、信息密度正常的自然日语。CSDN 上一批“新手完全指南”“Before→After 真实对比”“4 种部署方式”教程接连出现，社区实测的 linter 评分从 33 分提升到 100 分。

这个工具走红的背后，是一个被大多数 AIGC 产品团队低估的问题：用户对“AI 味”的容忍度正在快速下降，“AI 味”已经从风格瑕疵升级为信任赤字。本文结合 yomiyasu 的源码与验证语料，拆解它是如何把“不像 AI”做成可度量、可验收、可追溯的工程能力，并给出对 AIGC 产品团队的启示。

一、从“能生成”到“生成得不像 AI”：需求的重心迁移

两年前，AI 写作的卖点是“能生成”；今天，用户的抱怨重点变成了“一看就是 AI 写的”。这种需求迁移背后有三层事实，yomiyasu 的仓库都给出了可验证的证据。

第一层：单纯禁止词汇是无效的。yomiyasu 的语料构建脚本 scripts/build_corpus.py 里，保留着一组典型的“黑名单提示词”实验：让模型生成时绝对禁止使用“手触り”“解像度”“地味に効く”“静かに壊れる”“時間を溶かす”等 AI 味表达。结果如何？仓库里blacklist_ai/目录下的 24 篇样本显示，词汇层面的规避确实做到了，但“结构性的 AI 味”原封不动地留了下来。以 PR 说明样本 tests/corpus/blacklist_ai/03_pr_description_sonnet_casual.md 为例，它表面上没有任何被禁的比喻词，可通篇是“〜しました”“〜しました”的同一文末连缀，以及“従来は〜していました。同じユーザーの並行リクエストが〜”这类省略主语、依赖读者脑补的句式。也就是说：词表禁令治标不治本，AI 味的根源在句法骨架，不在单词。

第二层：形式通胀是肉眼可见的。仓库在 references/domains/tech.md 中引用了“Qiita 7 万篇文章统计”的调查结论：AI 普及后，技术文章的加粗密度与条目化比例急剧上升，而“怎么做”的操作细节同步稀薄化。yomiyasu 因此把“1,000 字加粗 1–2 处、条目占比 15% 以下”写进了领域规范——这不是文风洁癖，而是对读者注意力的保护。

第三层：人类基准线其实不低。仓库的对比基准 evals/comparison_benchmark.md 用同一主题做了三路对照：人类撰写的开源文本、素 LLM 输出、yomiyasu 改写结果。机械计测显示：人类文章 95/100 分，素 LLM 文章只有 33/100 分，yomiyasu 改写后 100/100 分；加粗频率从每千字 20.1 个（超警告线 6 倍多）降到 0，条目占比从 42.9% 降到 0。

用户的“不像 AI”诉求，本质上是要求输出回到人类写作的基准线上。而这条基准线，恰恰是大多数生成类产品从未量化过的东西。

二、从“禁止词表”到“结构重建”：七条语法骨架原则

yomiyasu 的核心不依赖禁用词表，而是对句子骨架做结构化重建。它的主文档 skills/yomiyasu/SKILL.md 将改写约束收敛为 7 条原则，全部指向同一件事：让读者以最小认知代价还原“谁、对谁、做了什么、在什么条件下”。

主谓・修饰・条件点检：还原主语、谓语、修饰语的对应关系，条件、例外、否定、并列在改写前后必须同样可追踪；
文的作用与文体保持：区分说明、请求、建议、预定，只修正与作用不符的文末，不为了“语尾多样”而刻意打散；
拟人化整理：把“工具/概念拥有情感意志”的表述改掉，但客观描述系统行为的非生物主语保留；
比喻动词具体化：壊れる、倒す、効く、溶かす等按原意的“含み”（语气与评价倾向）改写为日常动词；
前置语与否定对仗的取舍：只有删掉也不改变主张与比重的前置才删；
信息不增补：绝不自行添加原文没有的主体、原因、数值、情感；
句长・读点・装饰调整：平均句长 30–45 字、单句读点 0–2 个、清理无信息量的文末冒号与装饰符号。

对照仓库里同一篇 PR 说明的改写前后，可以直观看到结构重建的样子：素 LLM 的“リクエスト内の同期呼び出しから非同期キューでの実行に切り替えた”（谁在切、怎么切，全靠读者猜），被改写为“リクエストは期限切れを検知するとリフレッシュ要求をキューに登録し、ワーカーがその要求を処理する”（动作主显式、条件与动作一一对应）。原文 tests/corpus/raw_ai/03_pr_description_sonnet_casual.md 与改写版 tests/corpus/yomiyasu_rewritten/03_pr_description_sonnet_casual.md 的差异，就是“词表替换”与“骨架重建”的分野。

这套规则的工程化配套同样关键。词表与改写候选被沉淀在 references/slop-catalog.md，但明确标注“不是机械替换表”：例如壊れる只有在指数据、系统时才改写成“おかしくなる／使えなくなる”，而“お腹を壊す”这类字面义要原样保留——边界用例 tests/corpus/edge_cases/edge_kowareru_37.md 专门为此建了一条回归样本。领域层则通过 references/domains/tech.md、business、essay 三个 domain 控制改写方向：tech 侧重操作具体性，business 强调责任主体与条件边界，essay 保留个人语气、去掉大词化。规则是结构性的，兜底是语料化的，这正是它敢说“不误伤”的底气。

三、可量化的“AI 味”：lint 评分如何进入内容验收流程

yomiyasu 走红最有工程价值的部分，是它的配套静态检查器 scripts/yomiyasu_lint.py——一个纯 Python 标准库实现、零依赖的“AI 味”量化器。它把不可言说的“读起来像 AI”压缩成一行可仲裁的分数：

# 常规检查 python3 scripts/yomiyasu_lint.py README.md # 严格模式：有 warning 即返回退出码 1（用于 CI / Git Hook） python3 scripts/yomiyasu_lint.py article.md --strict # 结构化输出，便于接入平台 python3 scripts/yomiyasu_lint.py article.md --json

评分机制在源码里写得非常直白（见 scripts/yomiyasu_lint.py 第 1996 行附近）：100 分满分起扣，warning/error 每项扣 5 分，info 每项扣 2 分，扣完为止。检查维度包括：每千字加粗频率（推荐 ≤2.0、警告 >3.0）、条目占比（推荐 ≤15%、警告 >25%）、同一文末 3 连检测、文末装饰性冒号、emoji、空泛的前置导入（如“本記事では〜をご紹介します”），甚至连“Markdown 加粗可能不被渲染”的写法（bold_not_rendered）都单独列项。这意味着“AI 味”第一次拥有了可仲裁的量化口径，可以直接进入 PR 验收、文档发布检查这类工程流程。

与之配套的是差分校验器 scripts/yomiyasu_diff.py，它解决“量化”之外的另一半问题——语义保真。工具不调用任何模型，只比较原文与改写稿：列出增减的词、文末类型（依頼／勧誘／義務／評価／可能／推量…）的变化、条目与段落结构变化、文头连接与指示语的可追溯性，并允许通过--stance=勧め|決まり|説明指定文档立场（yomiyasu 认为文末是日语里承载“谁在动作”的关键信息）。它输出的不是“自动判定语义等价”，而是“语义易漂移的位置清单”，由人（或模型）逐条仲裁。

仓库用一套体系化的语料验证了这套流程的可重复性：tests/corpus/benchmark_results.json 记录了 163 篇样本的评分统计——24 篇“黑名单提示词”生成稿平均 97.4 分（说明词表禁令在机械指标上“过关”，但结构性问题仍由其他维度兜住）、48 篇 yomiyasu 改写稿平均 98.0 分、16 篇人类写作平均 98.7 分、49 篇边界用例全部满分。“像不像 AI”由此从审美判断变成了可回归、可防退化的工程指标。

四、其他语言、其他内容类型的“AI 味”治理机会

yomiyasu 目前刻意专注日语单语种——这不是能力不足，而是刻意为之。日语对“AI 味”特别敏感：主语高频省略、文末形态承担“谁在动作”的语法功能、敬体/常体与立场（勧め／決まり／説明）纠缠在一起。yomiyasu 的 linter 把“同一文末 3 连”当作硬指标，正是因为日语里语尾重复会直接摧毁“动作主可读性”。这份对语言结构的敬畏，恰恰揭示了可迁移的治理框架：

针对中文的“AI 味”，可复用的是“SVOCM 骨架重建 + 形式通胀阈值 + 语义保真 diff”的三件套，而不是照抄日语词表；“赋能”“抓手”“颗粒度”“链路”等流行词的治理同样需要“结构规则 + 语料兜底”而非禁令；
针对内容类型，仓库语料已经覆盖了技术文章、故障报告、PR 说明、Slack 公告、技术选型备忘录、规格书草稿、代码评审、随笔回顾共 8 类实务文本 × 3 种文体（见 scripts/build_corpus.py）。这说明“AI 味治理”不是写作文风问题，而是文档生产流水线上的质量关卡——与 lint、测试、CI 同构；
针对产品形态，yomiyasu 提供了 4 种安装路径（npx skills add nanaism/yomiyasu、gh skill install、npx openskills install、Claude Code 插件市场）以及--strict/--json输出，等于把“改写能力”做成了可嵌入任何编码 Agent 的可审计服务。这正是 AIGC 产品最稀缺的：不是更强的生成，而是可信的收口。

五、给 AIGC 产品团队的三个建议

结合 yomiyasu 的仓库实现，它实际上给所有 AIGC 产品团队上了一堂“信任工程”课，核心可以压缩为三条：

第一，用结构规则取代词表禁令。黑名单实验（scripts/build_corpus.py 中的 BLACKLIST_PROMPT_SUFFIX）已经证明，禁止 10 个词，模型会换出 100 个同样空洞的表达；只有把规则定义在“主谓对应、文末立场、信息密度、形式通胀”这些结构维度上，输出才能稳定回到人类基准线。

第二，让“不像 AI”可度量、可验收，且必须与语义保全绑定。一个没有评分、没有 diff 的“去 AI 味”功能，无法进入任何工程验收流程。yomiyasu 的做法是“linter 打分（scripts/yomiyasu_lint.py）+ diff 保真（scripts/yomiyasu_diff.py）”双闸门：量化负责挡住“AI 味”，差分负责挡住“改写时偷改语义”。两条缺一条，所谓“去 AI 味”就只是新的营销话术。

第三，用分层语料库和边界用例守住改写底线。真正让用户信任“改写不误伤”的，不是声称，而是可复现的回归集：人类文本不该被乱改（human/）、字面义不该被误判（如“お腹を壊す”）、改完不该偏离原文（yomiyasu_rewritten/ 与原文一一对照）。163 篇语料 + 50 个回归 fixture + 每一条 lint 规则都有对应单测，这才是“AI 味治理”能从玩具变成基础设施的分水岭。

yomiyasu 的 README 最后一行写着：“このREADMEは、『yomiyasu』を用いて推敲されています”——连自己的文档都是拿工具推敲过的。这种“写给别人看的每一句话都经得起检查”的姿态，或许才是它走红背后真正的信号：当读者开始怀疑 AI 文本的真实性与可信度时，能让输出“不像 AI”的能力，就是 AIGC 产品最稀缺的信任资产。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考