推荐一个开源AI项目,体制内写材料的可以重点看看

体制内写材料的人，大概都听过一句话：这篇有 AI 味。

这句话最气人的地方在于，它不给方向。你说哪里假？对方答不上来，但他就是觉得假。而你手里那份稿子，明明每条套话都在，结构也整整齐齐。

今天推荐一个 GitHub 项目，叫 lieflat-gongwen。它把这句说不清的「AI 味」变成了可以量化的参数：作者拿 102 万字真实公文做了全量统计，229 篇正式公文加 77 篇党建千字材料，把公文写作风格「蒸馏」成一套 Agent Skill，覆盖 7 类文体、2 个文体族。

它的核心主张是一句话：

翻译一下：它不给你模板，它给你数。

市面上的公文 AI 工具都走同一条路：给模板、给套话清单。这个项目反过来走，先去测真实公文长什么样。它的文体覆盖分两族，参数互斥，判错这一步后面全错：

公文族下再分六类：调研报告、领导讲话、工作意见、经验材料、工作方案、经验总结。它明确不做通知、请示、批复、函这类法定公文，理由是这类文体正文是固定结构，不需要靠量化蒸馏来统计。

这一节是我最想让你看的。作者拿流行的公文写作认知，对着真实公文一项项测，结果是多数不成立：

「必须/应当」是稀缺资源，用多了就失效。一半到全部的真实公文，一个百分比都没有——经验总结 8 篇 100% 不用，工作方案 80%、领导讲话 75%、调研报告 51%。作者由此立了一条规矩：不掌握真实数据时不要编造，靠逻辑深度撑起文章，缺数字的地方一律用占位符 【待补：xx】。范文里那些留着的占位符不是没写完，是故意留的。

所以「公文套路」到底是怎么回事？

作者的判断很尖锐：模板化的公文套路，其实是低分公文的特征。 真正稳定的共性在语言构造层，不在套话层：平均句长 53-56 字，是自媒体的 2-3 倍；顿号密度每千字 14-31 个，是自媒体的 4-5 倍。公文靠「A、B、C、D」式的并列枚举撑长句，这才是它最强的语言指纹。

统计参数时作者用的是中位数加四分位，不是平均值，这个细节很专业。这批语料个体离散度极大，同一文种内部的差异往往大于文种之间。调研报告字数均值 4,406、中位 3,492，照均值写反而会被自检器判偏离 p75。作者的原话是：中位数描述的是「多数作品落在哪里」，均值描述的是一个并不存在的平均作品。

作者拿语料里最有质感的几篇逐篇跑自检来撑这条规则：

四篇没有一篇全项落在框内，而且偏得很远。 所以它明确反对一件事：为了消掉提示，把稿子改成最匀速的样子。它甚至写了一句提醒：「迭代时若发现自己在做『补字数、拉句长、调顿号密度』这类动作，停下来。那是在把稿子往中位数上拽，代价是把场面和短句挤出去。」

这部分最实用。同一个大类下的文种，手感差别可以用参数描述。

看两条对比就明白它有多细。「一是二是」这个词，工作意见用 1 次，调研报告用 9 次，差 9 倍，写调研报告用工作意见的路数，参数上就是文种错位。一级标题字数也差 4 倍：业务类（方案、意见）4-8 字，分析类（调研、讲话）17-18 字。

它的工作流是六步：判文体族和文种、读骨架公式、读 DNA 文档和范文、出骨架等确认、按参数写正文、跑自检修正。第 3 步是这个 skill 和模板类工具的分野——抽象参数说不清「并列成分怎么堆」，看一篇真的比读十条规则有效。第 4 步也值得说：它只给骨架就停下等你确认，不一口气写到底，能省掉大量返工。

我用过不少号称「专业」的工具文档，绝大多数只写自己多好用。这个项目的文档里有一整节，是作者承认自己做错了什么。

第一件事：第一批十篇范文，没有一篇是真正读完语料才写的。

读法都是同一个套路：切前 700-1,200 字，再用正则抽标题。作者的原话是「这拿到的正好只有骨架」——而场面一般在中段，结尾永远在末尾，这两样一次都没进过视野。结果是六篇重写，四篇保留。

第二件事：统计踩的坑，修了但没抹掉。 用正则提取特征、匹配字面而不解析语义，是整条方法链最弱的一环。有五项统计因词表缺陷被复核推翻，比如「数字命名法」因量词污染从 84% 修正到 60%，「群众归因」从 30% 修正到 9%。由此立的规矩是：任何覆盖率超过 80% 的关键词统计，都先当作被污染，逐条检查命中项再采信。

踩过这两个坑之后，它给自己立了一条引用规矩

凡涉及政策文件名称、发文机关、印发时间，一律只采用新华社、人民日报、中国政府网层级的源；权威源之间冲突时，要占位，不要挑一个看着顺的。有份文件的印发时间，四个权威源写 8 月、地方解读页写 2024 年 8 月，他的处理是全删掉，只留文件名，时间走 【待补：印发时间】。理由说得很到位：「日期一旦写错，会被使用者当依据直接抄走。」

文档最后有一节叫「方法论声明」，写了两条边界，这种坦诚在工具类项目里很少见。

第一，参数解决「像不像」，不解决「对不对」。 内容是否站得住、判断是否准确、政治表述是否得体，参数管不了，涉密、重大决策、对外口径一律须经本单位核稿人终审。

第二，语料因版权已全部移除，不随包分发。 这意味着频率数值第三方无法直接复核，作者把它称为「实质缺陷」，还说移除原文后「是一次真实的能力下降」。样本量也坦白了：工作方案只有 10 篇、经验总结只有 8 篇，仅供参考。它还主动砍掉了两个文体：网评和心得体会，理由是这两类的输出物是「作者的观点」和「个人经历」，AI 都没有，参数再准也写不出来。

回到那句「这篇有 AI 味」。看完最大的收获是：「AI 味」不是玄学判断，它只是我们没找到测量的方式。 我们凭直觉觉得 AI 写的材料假，这个直觉是对的，只是解释错了——假不在套话不够多，而在于句长、并列密度、层级配比这些更底层的东西对不上。

另一件更值钱的事是那句好文章不整齐。这对写材料的人是种解脱：我们总想把稿子改得工整、匀速、每段一样长，但真实语料里最有质感的几篇，跑自检没有一篇全项达标。

1,253 ★ · 183 fork · 7 次提交 · 454 KB

地址：github.com/larashero3-dotcom/lieflat-gongwen。装法很简单，把整个目录放进 Agent 的 skills 目录就行，核心能力零依赖，自检脚本只用 Python 标准库。

顺带说一个调研时发现的事：这个作者不只做了公文这一个。同一个账号下还有 lieflat-charts 5,897 ★、writing-dna-skill 2,256 ★、lieflat-less-ai-tone 2,254 ★，加上这个公文。看出来了：他在反复做同一件事，把「风格」变成语料统计。 说不清的东西先别急着讲道理，先去数一数。

最后一句要还给你：这个项目再好，也替不了本单位核稿人那一道关。工具解决「像不像」，材料能不能出台，还得你自己负责。