很多人把「降 AI 味」理解成一件事：跑一个检测工具，看指数降没降。但真正写过稿子的人都知道，指数本身帮不了你改。真正有用的是定位——哪句话、哪种句式、哪个词让文本看起来像是机器写的。MuchSci 的个人智能体助手走的就是后一条路：不是给分数，而是先诊断、再定位、逐条重写。
理解它的钥匙，是把「检测」和「改写」分开。检测是判断风险，改写是实际动手修。这个工具做的是后者，而且把改写拆成了多个智能体协同完成的工序。
01 降 AI 味不是「检测」，是「句式指纹」
先说一个常见误解：AI 味重不重，常常不在于内容，而在于句式指纹。
▲ 图 1｜机器痕迹通常不在内容，而在句式层的表达习惯
一段论文的研究方向、核心论点、实验数据如果是作者自己提供的，内容层面通常没有问题。但句式层面很容易出现机器偏好：破折号用得过多、连接词高度雷同、判断句集中出现。这些特征不触及论文的事实正确性，却会让读者产生「这段文字不是人写的」的直觉。
所以改写的第一步，是把「内容对不对」和「句式像不像」分开。 个人智能体助手处理的是后者，也就是句式与用词层面的修复。它不承诺任何检测结果，只是让文本在表达方式上更像人工写的。
02 个人智能体助手的执行链
打开 MuchSci 的个人智能体助手界面，能看到一次改写任务的完整执行链。
▲ 图 2｜执行链可见：Exec、TodoWrite 完成后，交付 docx 与预览 pdf
截图里显示了一次真实任务：先执行 `Exec`，再执行 `TodoWrite`，两个步骤都标记为「已完成」。随后交付了两个文件——主交付件是 `/data/..._降AIGC版.docx`，另一个是渲染出来供对版面的预览 pdf。这种过程可见性，让改写不是黑盒，而是一道可以复核的工序。
接下来工具给出了诊断结论：「先说诊断：这篇的 AI 味集中在哪」。它指出「最典型的机器痕迹不是内容，是句式指纹」，并列出高项。截图中能看到的具体条目是「破折号泛滥：全文 13 处——，几乎每段都用它做『补刀式延伸』」。
03 多智能体是怎么分工的
个人智能体助手不是由一个智能体包打天下，而是把任务拆给了几个角色。
▲ 图 3｜诊断、改写、复核三个角色分工，减少自我确认偏差
诊断智能体负责读原文，找出句式指纹并列出高项清单。它的输出不是分数，而是一张表：痕迹是什么、原文表现在哪里。改写智能体拿到清单后逐条处理：拆分过长的句子、替换高频连接词、弱化绝对化表述。复核智能体则在改完后重新扫描，确认高项是否归零、语义有没有走样。
这种分工的价值在于：诊断和改写不是同一个角色完成的，因此更少出现「自己查自己」的偏差。复核阶段还能把未解决的问题再抛出来，供作者判断。
04 「先诊断、再定位、逐条重写」的方法
把流程再拆细一点，大致是下面四步。
▲ 图 4｜降 AI 味的关键不是检测分数，而是定位到具体句子再改
第一步是读原文。 这里读的不是主题，而是句式层面的统计特征：破折号出现频率、连接词分布、判断句密度。第二步是给诊断。 工具会列出高项，例如截图里的「破折号泛滥：全文 13 处」。第三步是逐条改。 针对每一项高项，工具会重写相关句子，保留原意但换表达方式。第四步是再复核。 改完后重新评估，确认痕迹显著下降或归零。
为了说明诊断结果，正文里可以补一张表：
| 痕迹 | 原文表现 |
| 破折号泛滥 | 全文 13 处，几乎每段都用它做「补刀式延伸」 |
| 过渡词堆积 | 首先、其次、此外等连接词高频出现 |
| 判断句集中 | 大量「是」「意味着」式表述 |
这张表的意义不是吓唬人，而是把抽象的「AI 味」翻译成可定位、可修改的具体问题。
05 边界
照例把边界摆在明面上。
① 本篇讲的是功能机制，不是效果承诺。 个人智能体助手做的是句式与用词层面的修复，无法保证任何检测结果；不同检测工具的判定标准不同，结果也可能不一致。
② 它不改内容真实性。 研究问题、实验数据、引用文献是否可靠，仍由作者本人负责。工具只处理表达方式，不动论文的实质判断。
③ AI 参与论文写作的允许范围以所在学校或机构现行规定为准。 涉及学术诚信的场景，建议使用者提前确认相关规定，不要仅凭工具输出直接提交。