GitHub项目说明 · 非用户反馈
按叙事结构分层修复 AI 写作痕迹的去 AI 化方案
使用 AI 工具写作的小说作者和技术写作者发现，生成内容很容易被识别为 AI 作品；常见的 humanizer 只改词句，但研究数据显示叙事结构层面的特征才是检测器的主要依据。该项目把去 AI 化分为叙事架构、话语流、表面风格三个层次，并为 release notes、PR 回复、postmortems 等专业文体提供匹配场景的规则。
查看原始信号github:Nanako0129/sepia
目标用户
用 Claude Code、Codex 等 AI 工具起草内容的小说作者、技术文章作者，以及需要撰写 release notes、PR 回复、postmortems、tickets 的开发者与团队
潜在需求
需要一种不止于表面措辞的“去 AI”方法：先修复叙事架构与话语流，再处理风格；对小说和不同专业文体（release notes、PR 回复、postmortems、tickets、技术文章）分别匹配规则，而不是统一的词句替换。
发生场景
用户用 AI 生成小说或专业文档初稿后，文本带有明显可识别的 AI 叙事结构（如主题被叙述者说明、单线因果情节、缺乏现实指涉、线性时间）；使用只改措辞和句法的 humanizer，AI 检测器仍能准确识别，因为真正的痕迹在结构层。
来源证据
现有 humanizer 只编辑措辞与句法；仅用叙事结构特征即可 93.2% F1 识别 AI 小说，只改表面风格几乎不影响检出（95.5%→93.9%），AI 痕迹主要在叙事架构层。
operations: **write**, **review** (diagnose only), **refactor** (minimal edits), **recreate** (full rewrite). ## Why another humanizer Every popular humanizer edits word choice and syntax. [StoryScope](https://arxiv.org/abs/2604.03136) (Russell et al., 2026: 61,608 stories, human + 5 frontier LLMs) showed that a classifier using **narrative-structure features alone** detects AI fiction at 93.2% macro-F1, and that editing the surface style away barely moves it (95.5% → 93.9%). The tells thathttps://github.com/Nanako0129/sepia
为什么值得留意
该信号把“去 AI 化”从常见的词句替换提升到叙事结构层，并用研究数据说明表面改写几乎无效，指向一个具体的未满足环节；同时覆盖虚构和非虚构两类写作场景，给出了可执行的分层协议和文体规则，值得继续观察此类需求是否被更多写作者采纳。
已有方案
- 只编辑措辞和句法的常见 humanizer
未满足部分
- 表面风格编辑无法消除叙事架构层面的 AI 特征
- 专业文档需要按文体匹配规则，而不仅是统一的人性化改写
可能延伸 · 模型推测
- 将分层协议适配更多语言（如中文）的叙事结构与文体规则
- 把诊断 rubric 做成编辑器或 CI 内的自动检查
- 为更多专业文体扩展 venue-matched 规则
目前未知
- StoryScope 论文结论未在材料中核实
- 该项目是否已被写作社区实际采用未知
- 专业文档规则是否经过真实工作场景验证未知
继续核实
- 叙事结构特征在中文等非英语写作的 AI 检测中是否同样显著？
- 现有 humanizer 用户是否反馈过表面改写不足以消除 AI 痕迹？
- 这种分层去 AI 协议在真实写作流程中是否可被坚持使用？
主题词
narrative structureai writing detectiontext humanizationprofessional writingfiction writing