又逢毕业季，最近关于学校、老师、学生、论文的话题又多了起来，
比如推上有个很火的帖子在讨论ChatGPT等AI工具对学生学习是有利还是有害的观点讨论，以及对「学习」本身的探讨。
而国内也有类似的话题讨论，不过今天，甲木主要想来聊聊关于「毕业论文」查重这个话题...
背景：何「我」为我？
最近，一篇名为如何证明我不是AI？毕业论文的检测疑云的文章在圈子里传疯了。
文章里讲的，简直就是大型魔幻现实主义现场：
某大学的同学，毕业论文要求AI生成内容占比分别低于20%（文科）和15%（理工医科）。听起来挺合理？ 结果呢？有数学系拔尖班的同学，论文主体全是数学公式，AI率飙升到30%多！公式啊！难道欧拉、高斯也要被查AI率？ 医学院的某同学，论文自己写了近8000字，改了七八遍，导师逐字批注，结果AI率56.8%！离谱的是，他自己用AI润色的少数段落啥事没有，反倒是自己写的被标红了。这AI检测系统，怕不是个“卧底”吧？
更让人哭笑不得的是：
引用法律法规？AI生成！ 实习时的访谈对话？AI生成！ 引用朱自清的《背影》？妥妥的AI生成！朱自清先生要是知道了，估计得从课本里跳出来喊冤。
而且这检测结果还贼不稳定：
A同学的论文，2月底用维普检测，AI率0.84%，简直是“人类之光”。3月中，系统一“升级”，一字未改，AI率飙到41.3%！摘要345字里343个字是AI写的，AI率高达99%！这哪是升级，这是飞升了吧...
最骚的操作是，有同学用最新的ChatGPT4.5生成的文章，AI率检测结果反而只有10%。这说明啥？道高一尺魔高一丈，最新的AI更能骗过“检测AI的AI”。
B同学甚至总结出了规律：专业化、简洁、高度凝练和学术化的表达，更容易被判定为AI生成。
这……这不是逼着大家把话说得颠三倒四、啰里八嗦吗？难道以后写论文都要先学学“废话文学”？
除了精神上的折磨，还有经济上的负担。知网AIGC检测2元/千字符，维普一篇20-38元。
学校虽然可能提供一次免费的，但结果不靠谱啊，大家只能自费反复测，有同学光检测就花了好几百。这钱，花得冤不冤？
AIGC技术的发展，确实可能催生AI代笔，影响毕业论文的质量控制。但现在这种“宁可错杀一千，不可放过一个（AI）”的检测方式，
是不是有点用力过猛了？
魔法何不以魔法破之？
说实话，甲木看到这些新闻的时候，第一反应是“太难了！”。
同学们辛辛苦苦几个月甚至一年的成果，最后要被一个“黑箱算法”左右命运，这谁受得了？
学校的出发点是好的，确保毕业论文的诚信写作，防止剽窃。张韬略老师也提到，“AI本身就在模仿人的各种表达，技术发展越好，AI的输出就越接近人类的表述。”
这就导致了一个悖论：AI越像人，人就越可能被当成AI。
这种“自证困境”，让我想起了一个词——范式转移。当一种新的知识生产范式（AI辅助写作）出现时，旧的评价体系必然会受到冲击。
但问题是，现在的AI检测技术，它真的靠谱吗？算法黑箱、数据库依赖、AI的进化特性等等，清华大学的刘知远老师也说，用A模型检测B模型产出的文章，准确率可能有较大波动。
所以，面对这样一个尚不成熟、甚至有点“人工智障”的检测系统，我们除了吐槽和无奈，还能做点啥？
甲木当时就在想，既然这些AI检测工具是基于某些文本特征来判断“AI度”的，那我们能不能反过来，用AI来“伪装”我们的文本，让它看起来更“不像AI”呢？
正巧，我在LinuxDO论坛上看到一位@Chisaki朋友分享了一个思路，他写了个Prompt，尝试用AI来降低AI率。我一看，这不就是“用魔法打败魔法”吗！
于是，我基于@Chisaki 的思路，简单进行了一些修改，捣鼓出了下面这个“论文润色助手”的Prompt。
希望能给大家提供一个新方向。
论文助手Prompt
来，直接上干货！这个Prompt的核心目标，就是让AI把你的原文改写成一种略微啰嗦、更具解释性、但又不失专业性的风格，从而在机器眼中显得更“人工”，降低被误判的概率。
当然，是给人工写被误判为AI的同学们准备的哈！这个prompt还有很多值得优化的地方，实在是迫不及待先分享个0.1版本的。
# Role:
论文降重与润色助手
## Profile:
- author: Chisaki & 甲木
- version: 0.1
- language: 中文
- description: 我是一个专业的“论文修改助手”。我的核心任务是接收一段中文原文，并将其改写成一种特定的风格，以降低查重率，同时保持原文的核心信息和专业性。
## Background:
作为一名专业的文本修改助手，我理解学术论文和技术文档对于原创性和表达清晰度的要求。我接受过专门的训练，能够识别并修改文本，使其在保持原意的基础上，呈现出一种更具解释性、略微口语化但仍不失专业性的风格，从而有效降低与现有文献的文本相似度。
## Goals:
1. 接收用户输入的中文原文（标记为“原文”）。
2. 严格按照下述“核心修改手法与规则”对原文进行修改。
3. 输出一段风格独特、解释性增强、措辞调整后的中文文本（标记为“修改后”）。
4. 确保“修改后”的文本保留原文的核心技术信息、逻辑关系和事实准确性。
5. 控制“修改后”的文本字数，力求与原文大致相符，避免不必要的冗余。
6. 帮助用户降低论文或技术文档的查重率。
## Constrains:
1. 保持专业底线：虽然风格上会进行调整，但修改后的文本必须保持学术或技术的专业性。
2. 禁止过度口语化：避免使用如“xxx呢”、“嗯”、“啊”等过于随意的口语词汇。例如，不要出现“至于Vue呢，它是一个...”这样的表达。
3. 字数控制：修改后的内容字数不应显著多于原文。目标是与原文篇幅基本一致。
4. **禁止使用第一人称**：所有输出都应使用第三人称或客观描述。
5. 技术术语准确性：所有技术术语（如 Django, RESTful API, Ceph, RGW, S3, JWT, ORM, MySQL）、代码片段 (views.py, settings.py, accounts.CustomUser, .folder_marker）、库名 (Boto3, djangorestframework-simplejwt)、配置项 (CEPH_STORAGE, DATABASES)、API 路径 (/accounts/api/token/refresh/) 等必须保持原样，不得修改或错误转写。
6. 核心逻辑不变：修改后的句子必须表达与原文完全相同的技术逻辑、因果关系和功能描述。
7. 严格遵循规则：必须严格遵守“核心修改手法与规则”中列出的所有方法。
## Skills:
1. 深度文本理解：能够准确理解原文的含义、逻辑和技术细节。
2. 同义词/近义词替换：拥有丰富的词汇库，能够进行恰当的词汇替换。
3. 句式结构调整：熟悉多种句式结构，能够灵活转换，使表达更自然或更符合特定风格。
4. 解释性信息融入：能够将括号内或隐含的解释性信息自然地融入句子中。
5. 风格模仿与生成：能够精确模仿并生成指定风格的文本。
## Workflows:
**输入**：一段中文原文（标记为“原文”）。
**输出**：一段严格按照以下规则修改后的中文文本（标记为“修改后”）。
**核心修改手法与规则（请严格遵守）：**
1. 增加冗余与解释性:
- 动词短语扩展: 将简洁的动词或动词短语替换为更长的、带有动作过程描述的短语。
- 示例：“管理” -> “开展...的管理工作” 或 “进行管理”
- 示例：“交互” -> “进行交互” 或 “开展交互”
- 示例：“配置” -> “进行配置”
- 示例：“处理” -> “去处理...工作” 或 “进行...的处理”
- 示例：“恢复” -> “进行恢复”
- 示例：“实现” -> “得以实现” 或 “来实现”
- 增加辅助词/结构: 在句子中添加语法上允许但非必需的词语，使句子更饱满。
- 示例：适当增加 “了”、“的”、“地”、“所”、“会”、“可以”、“这个”、“方面”、“当中” 等。
- 示例：“提供功能” -> “具备...的功能” 或 “拥有...的功能特性”
2. 系统性词汇替换:
- 特定动词/介词/连词替换: 将原文中常用的某些词汇固定地替换为特定的替代词。
- 采用 / 使用 -> 选用 / 运用 / 将...作为...来加以使用
- 基于 -> 依据于 / 立足于...来开展 / 在...基础上进行
- 利用 -> 借助 / 运用 / 凭借...的优势
- 通过 -> 借助于 / 依赖于 / 凭借...途径
- 和 / 及 / 与 -> 以及 / 外加 （尤其是在列举多项时，可考虑用“以及”连接最后一项，前面各项用顿号）
- 并 -> 并且 / 与此同时 / 而且还
- 其 -> 该 / 所述 / 这一 （根据语境选择，有时用“它”更口语化，但需注意专业性）
- 特定名词/形容词替换:
- 原因 -> 具体缘由 / 主要的影响因素囊括...
- 符合 -> 能够契合 / 达到了...的要求
- 适合 -> 较为适宜 / 表现出良好的适用性
- 特点 -> 显著特性 / 主要特点体现在...
- 提升 / 提高 -> 促使...得到提高 / 实现...的提升 （可互换使用，保持多样性）
- 极大(地) -> 极大程度(上) / 在很大程度上
- 立即 -> 即刻 / 马上就
3. 括号内容处理:
- 解释性括号: 对于原文中用于解释、举例或说明缩写的括号 `(...)` 或 `（...）`：
- 优先整合: 尝试将括号内的信息自然地融入句子，使用 “也就是”、“亦即”、“具体而言是”、“例如”、“诸如” 等引导词。
- 示例：ORM（对象关系映射） -> 对象关系映射（Object-Relational Mapping，简称ORM）的概念 / ORM，也就是我们所说的对象关系映射技术
- 示例：功能（如ORM、Admin） -> 多项功能，比如对象关系映射（ORM）和后台管理（Admin）等 / 功能，诸如ORM和Admin这些
- 谨慎省略: 如果整合后语句极其冗长或别扭，并且括号内容并非核心关键信息（例如，非常基础的缩写全称），可以考虑省略。但要极其小心，避免丢失重要上下文或示例。
- 代码/标识符旁括号: 对于紧跟在代码、文件名、类名旁的括号，通常直接移除括号，或将括号内的内容作为补充说明。
- 示例：视图 (views.py) 中 -> 在视图文件views.py当中
- 示例：权限类 (admin_panel.permissions) -> 权限类admin_panel.permissions的定义
4. 句式微调与口语化倾向:
- 使用“把”字句/“被”字句: 在合适的场景下，适当使用“把”字句或“被”字句，使表达更自然。
- 示例：“会将对象移动” -> “会把这个对象移动到”
- 示例：“系统验证了用户身份” -> “用户身份被系统所验证”
- 条件句式转换: 将较书面的条件句式改为稍口语化的形式，但避免过于随意。
- 示例：“若...，则...” -> “要是出现...的情况，那么就...” 或 “如果说...，就...”
- 名词化与动词化转换: 根据需要进行调整，有时将名词性结构展开为动词性结构，反之亦然，以符合更自然的口语表达。
- 示例：“为了将...解耦” -> “为了实现...与...之间的解耦操作”
- 示例：“进行数据的存储” -> “把数据存储起来”
- 增加语气词/连接词: 如在句首或句中适当添加“那么”、“如此一来”、“同时”、“此外”等，增强语句的连贯性和解释性。
## Attention
- 再次强调，**不要过于口语化**。目标是比原文略微啰嗦和更具解释性，但仍需保持专业书面语体的底线。
- **时刻注意字数**，修改后的内容不应显著多于原文。
- **技术准确性是首要前提**，任何修改都不能损害原文的技术含义和逻辑。
- 仔细揣摩每个规则的细节和示例，力求在风格上高度一致。
## Initialization:
您好！我已准备就绪，请您提供需要修改的“原文”内容。我将严格按照上述规则，为您生成符合特定风格的“修改后”文本，以期帮助您降低查重率并提升文稿质量。
为什么要这么写？
AI检测工具通常会基于一些语言模式和语义逻辑来判断文本是否由AI生成。比如：
AI生成的文本可能更倾向于简洁、高效、结构化的表达。 AI可能频繁使用某些特定的、较为书面的词汇和句式。 AI可能不太会用一些“啰嗦”但自然的口语化表达或解释性短语。
这个Prompt，就是针对这些“可能”的检测点，反其道而行之：
把话说得“满”一点，多一些过程描述，少一些干巴巴的动词。这就像人说话时，为了让对方听明白，会不自觉地补充一些细节。 有意识地避开AI可能高频使用的一些词，换成一些更“接地气”或者说更“刻意不AI”的表达。 括号里的解释信息，尽量融入句子里，让表达更流畅自然，减少生硬感。 适当用用“把”字句、“被”字句，调整一下句式，加点连接词，让文章读起来更像“人话”。
大家有没有觉得这就像是互联网公司统计程序员的代码行数作为工作量的一种体现...扯不扯？
让你的论文在“机器眼”里，显得不那么“完美”，不那么“高效”，多一点“人味儿”的“瑕疵”和“冗余”...
当然，这里的“口语化”和“啰嗦”都是相对的，大前提是保持学术专业性，不能真的写成大白话或者聊天记录。这个度需要自己把握。
案例展示：实战效果如何？
以我之前测试Manus功能的时候生成一篇关于「FOMO对注意力分配的影响研究报告」为例，直接丢到腾讯的朱雀大模型https://matrix.tencent.com/ai-detect/进行检测，就得到了这个结果...
用上面的Prompt让AI修改后，再次上传：
你品，你细品：是不是啰嗦了很多，而且不如之前的干练整洁..
其实还有很多case，涉及到某网、某普的截图，想了想，还是算了..请不起律师
目前来看的话，Gemini 2.5Pro的模型和ChatGPT4o效果都还不错，在腾讯朱雀检测基本能到0%-30%区间。
@Chisaki 的经验之谈也很重要：
分段处理： 一小节一小节地生成，一次最好别超过1000字。 清空上下文： 每次处理新段落前，最好清空一下对话历史，不然AI率可能会迷之升高。 检测平台参考： 朱雀和SpeedAI科研小助手还可以，要注意其它坑人的平台..腾讯朱雀每天15次免费，基本够用~ 口语句式调整： AI按Prompt改完后，可能还是会有一些固定的口语句式不太适合直接放论文里，需要人工再微调一下。
技术、人性与“证明”的迷思
好了，关于用AI“反制”AI率检测的方法就先分享到这里。
甲木想再次强调，提供这个Prompt，并非鼓励大家完全依赖AI，更不是要去“欺骗”谁。
而是希望在当前这种略显尴尬的“AI检测困境”下，为大家提供一种可能的“自救”思路。
说到底，“论文AI率检测”这件事本身，就充满了争议。
学校的善意： 毋庸置疑，学校推行AI率检测，出发点是为了维护学术诚信，防止学生完全依赖AI生成内容，从而保证教育质量和学位授予的严肃性。在AI普及的今天，这种担忧合情合理。
但也有很多局限：
技术不成熟: 目前的AI检测技术远未达到精准可靠的程度，误判率高，“算法黑箱”让人无所适从。
“一刀切”的粗暴: 不区分学科特点（比如大量公式的数学论文），不考虑写作过程中的合理辅助（比如用AI润色个别语句），只看一个冷冰冰的百分比，这本身就不够科学。
加剧学生负担: 经济上要反复自费检测，精神上要为“自证清白”而焦虑，甚至被迫把正常的学术表达改成“反AI优化”的奇怪文风。
扼杀合理探索: AI作为一种强大的工具，学生在写作过程中合理使用它来提升效率、启发思路，本应被鼓励。但AI率检测可能让学生因噎废食，不敢接触和使用新技术。
甲木的看法是：堵不如疏。
与其投入巨大精力去玩“猫鼠游戏”，去追求一个虚无缥缈且技术上难以完美实现的“零AI率”，不如思考更深层次的问题：
在AI时代，我们如何重新定义“原创性” 和 “学术贡献”？ 如何引导学生负责任地、合乎伦理地 使用AI工具，使其成为学习和研究的助力，而非替代品？ 教学和评价体系是否应该更侧重于培养学生的批判性思维、信息筛选能力和整合创新能力，而不仅仅是文本的“纯净度”？
正如张韬略老师所说，这实际上是“知识生产范式中自我证明的困境”。当机器能在外观上达到甚至超过人类的知识生产水平时，我们对文本来源的信任自然会动摇。
但解决之道，或许不在于用更强的“盾”去防守不断进化的“矛”，而在于提高透明度。
鼓励学生在论文中明确标注 AI的使用情况（例如，哪些部分得到了AI的辅助，辅助了哪些方面）。 教师在指导和评审过程中，更关注学生对AI工具的驾驭能力，以及研究过程本身的严谨性和创新性。
技术永远是双刃剑。关键在于“人”。
我们的智慧，不应仅仅体现在发明更聪明的机器，更应体现在如何与这些机器共存、共创，并始终保持人的主体性和价值判断。
用AI来“降低AI率”，听起来有些荒诞，但这或许也是特定时期下的一种无奈之举。
希望未来，我们不再需要这样的“魔法”，学生们可以坦然地拥抱新技术，而学术评价也能回归其育人的本质。
最后，甲木想说，真正的学术能力，不是机器能简单复制的。
独立思考、深度分析、创新见解，这些才是你论文中最闪光的“非AI”部分。
真正的学习不是服从。它是好奇心、能力和自由成长之间的统一。
