說人話：去除 AI 寫作痕跡，免費開源工具

為什麼要做這個作品

一鍵去除 AI 味、AI 寫作痕跡，並把中國用語校正，但不是幫你內容創作，不會幫你寫故事。

我常看到一種很熟悉的稿子：資訊都對，句子也通順，但讀完會有一點不舒服。它像一份完整的答案，卻不像一個人真的想對你說的話。

一開始我也只是每次改稿時，手動標出「這句太像 AI」「這個中國用語要換掉」。改到後來才發現，這些問題會一再出現，而且不能只靠一張禁詞表處理。像「不是 A，而是 B」本身沒有罪，真正的問題是它被拿來湊出一個看似有洞見、其實沒有內容的對比。

所以我把這幾年的改稿判斷、常見誤殺邊界和台灣語感整理成 說人話 speak-human-tw。它是一套給 Claude Code、Codex 等 AI Agent 使用的繁中校對 Skill，不替人發明故事，也不假裝能幫每個人寫出個人風格。

用到的工具與架構

這個作品本體是一個可放進 AI Agent 的 Markdown Skill。它把改稿分成六個步驟：先判斷文字情境、鎖住不能動的事實與連結、決定改寫範圍，再檢查 AI 痕跡、台灣在地化與保真度。

• 保護清單：價格、數字、專有名詞、連結、真名、引號原話與承諾條款，改稿前先鎖住。
• 台灣在地化：把混進繁中稿裡的簡體字、中國用語與半形標點一併抓出來。
• 雙輪確認：預設互動模式下，先逐條指出位置、原句、原因和建議改法；作者確認後才改檔，避免 AI 直接覆蓋原稿。
• 評測用例：用該改的案例與不該誤殺的案例一起測，確認它不只會刪字，也能守住原本有根據的內容。

以前怎麼做／現在怎麼做

以前我遇到 AI 腔，只能在對話裡一來一回地說「這句怪怪的，換自然一點」。問題是 AI 常常換了一句同樣空的話，或順手把原本重要的細節刪掉。改到最後，還得重新回頭核對事實有沒有漂掉。

現在的流程先把「問題在哪裡」攤開來。作者可以看到 AI 想改什麼、為什麼要改，也可以只挑其中幾條採用。這個順序看起來多一步，實際上省掉了改完才發現稿子被洗壞的來回。

flowchart LR
    A["作者完成初稿"] --> B["Skill 判斷情境並鎖住保護內容"]
    B --> C["逐條列出 AI 痕跡與建議"]
    C --> D{"作者確認哪些要改"}
    D -->|"採用"| E["只套用已確認的修改"]
    D -->|"保留"| F["維持原句"]
    E --> G["保真回讀與交稿前檢查"]
    F --> G

flowchart LR
    A["作者完成初稿"] --> B["Skill 判斷情境並鎖住保護內容"]
    B --> C["逐條列出 AI 痕跡與建議"]
    C --> D{"作者確認哪些要改"}
    D -->|"採用"| E["只套用已確認的修改"]
    D -->|"保留"| F["維持原句"]
    E --> G["保真回讀與交稿前檢查"]
    F --> G

一次實際跑起來會發生什麼

我先拿一封 2024 年、當時根本還沒有用 AI 協助的雷蒙週報來測。Skill 讀完後判斷「這篇不用改」，並把它檢查過的內容類、句式類、版面類、溝通殘留與工具痕跡逐一交代清楚。

這比硬要從每篇文章挖問題重要。真正的校對工具應該知道什麼時候該停下來，而不是為了表現自己有在做事，硬改一篇原本就有作者聲音的文章。

真人手寫的週報跑完檢查後被判定「不用改」：它不把所有寫得像 AI 的句型都當成罪證。

另一個真實案例是 YouTube 留言回覆。在預設互動模式下，它不會直接覆蓋原稿，而是先標出罐頭客服開場、重複 emoji、破折號、簡體字和 Markdown 標記等問題，連同每一條的改法列出來，等我決定哪些要採用。

預設互動模式下，每一條建議都有原句、原因和具體改法；確認前不會直接動到原稿。

現在的具體成果

這個專案已經以 MIT 授權公開在 GitHub。完整版本包含規則、台灣用語對照、各情境案例、安裝說明與評測文件；也提供給 Claude Code、Codex、Cursor 的安裝方式。

發布前，我用 40 條評測案例檢查它該改的有沒有改到、不該改的有沒有被誤殺，並特別保留「形式正確、內容也有根據」的句子。這是我最在意的地方：AI 味的問題通常不是某個字，而是文字用一套很熟的形式，掩蓋了沒有說清楚的內容。

這個 Skill 的工作是校對，不是代筆。它能把礙眼的套路刮掉，但作者的觀點、故事和語氣，還是得由作者自己放回去。

設計時做過哪些取捨與調整

• 不把「去 AI 味」做成偵測器分數：它的目標不是騙過 AI 偵測，而是讓人讀起來更舒服、更願意相信。
• 不直接蓋掉原稿：先列清單、讓作者確認，速度會慢一點，卻保留了最重要的編輯判斷。
• 不亂補人味：原稿沒有的經驗、立場或故事，工具只能標示「需要作者補充」，不能編造。
• 不因為形式就誤殺內容：某些常見句型在有清楚事實和邏輯時仍然成立，所以規則裡同時寫了誤殺邊界。
• 先把繁中和台灣語感做好：這不是把簡體中文轉繁體而已，還包含用字、標點和實際閱讀習慣。

這次對 AI Agent 應用的啟發

我以前也會把 AI 寫作工具想成「幫我寫快一點」。做完這個專案後，我更在意它能不能像一位知道邊界的編輯：看得出問題，說得出理由，也知道有些地方不該動。

這其實是很多 AI Agent 應用都會遇到的題目。真正有價值的，不是把人排除在流程外，而是把 AI 最適合先做的檢查、整理和比對交給它，再把關鍵判斷留給人。

下一步想優化什麼

接下來我想持續收集真實的 bad case：哪些句子改完還是有 AI 味、哪些規則誤傷了作者原本有意保留的節奏，再把它們寫成新的案例和評測。比起一直加更多禁詞，我更想讓它越來越知道什麼時候該少做一點。

給其他想做 AI Agent 工具的同學

如果你想做一個會碰到別人原始資料的 AI Agent，先別急著追求「一鍵完成」。先想清楚三件事：哪些內容絕對不能動、AI 的每個建議要怎麼被人看懂、出了錯以後能不能回頭檢查。

工具幫人省下時間很好。但如果它能讓人保住自己的判斷和聲音，才真的值得留下來。

進一步認識作者

我是雷蒙，長期研究數位工作術、知識管理與 AI Agent，並把自己實際做過的流程、工具和踩坑整理成課程與公開作品。想看完整規則、安裝方式與案例，可以到 說人話 speak-human-tw GitHub 專案。