1351 Star,AI 写的文档一眼假,这个技能专治机器味

 你让 AI 帮你写周报、写 PR 回复、写事故复盘，发出去没几分钟，同事私聊你一句："这段是 AI 写的吧？" 

 你删了"综上所述"、改了句式、换了几个高级词，可机器味还在。 

 问题不在用词，在更深的地方。 

 有一项研究叫 StoryScope（arXiv:2604.03136），拿 61,608 篇故事做样本，真人加 5 个大模型作者。结论很扎心：光靠改表面用词，AI 文本的识别率几乎不掉——从 95.5% 降到 93.9%，基本等于白改。 

 机器味不在用词里，在结构里。 

 那篇研究用纯"叙事结构特征"做分类器，识别 AI 小说的准确率就到了 93.2%。露馅的点全是结构性的：主题靠旁白点破、因果链条过于整齐、情绪只写身体反应、没有真实世界参照、时间永远线性、结尾靠主角成长和解脱。你改词改得再勤，这些骨架一根没动。 

 sepia：专治这种"结构级"的机器味 

 1351 Star 的 Agent Skill，从叙事架构一层层修 

sepia 是个可移植的 Agent Skill：任何支持标准 Agent Skill 的 agent 都能加载，Skills CLI 一条命令装到 77+ 个 agent 上；Claude Code、Codex、Grok Build、Antigravity 还有原生插件。一份 SKILL.md 通吃，不用各平台各搞一套。 

sepia 的定位：在真正会露馅的那一层去掉 AI 味

它的三步协议： → 第 1 层叙事架构：别解释主题、松开因果链、倒装揭示、混合情绪模式、给真实世界命名 → 第 2 层语篇流：去模板化段落、修中段塌陷、变节奏和位置 → 第 3 层表面风格：老套路、句法模板、词汇、语域 

 对我们程序员最值钱的是第二部分：它给每种"职场文本"配了专属规则。 

程序员每天产出的文本，各有各的规则： → Release notes：先说用户影响，每个声明配产物，别灌营销水 → PR / issue 回复：先给答案，引用 file:line，别无脑夸，篇幅跟着重要性走 → 事故复盘：对人 blameless，对机制 merciless；带时间戳、带走过的死路、带能执行的 action item → 技术文章：从问题开篇、留一条真实的死路、有一个明确的观点、数字带条件 

 它提供 4 个操作：write（新写）、review（只诊断不改）、refactor（最小改动）、recreate（按事实和意图重写）。装完以后，Claude Code 里直接敲 /sepia-review 就能给一篇文本体检。 

安装： → 通用：npx skills add Nanako0129/sepia → 或在 skills.sh 里搜 sepia 一键装到你的 agent 

 它的原则很清醒：校准到"人"的分布，而不是反转 AI 的分布。 

 真人写字是"中等值"——有犹豫、有死路、有真实的参照物。要是每条规则都用满，反而会造出一个新指纹。所以 sepia 每次只挑 3-5 个动作，留出松弛感。这正是它跟那些"暴力换词器"的根本区别。 

总结—— 机器味不在用词，在结构。我们每天产出的周报、PR 回复、事故复盘、技术文章，一旦被同事看出"一眼 AI"，代价是专业度打折：觉得你敷衍、假、没观点。sepia 的价值不是"藏"，是帮你说得像一个真的干过这件事的人。 

 💬 你写过的最"一眼 AI"的文本是什么？周报、PR 还是年终总结？评论区聊聊。