实测分享：利用特定Prompt将论文AI率降至维普6%

背景

在当前的学术写作与技术文档创作领域，AI 生成内容的检测（AI Detection）已成为一个备受关注的痛点。随着大语言模型（LLM）的普及，许多平台（如维普、PaperYY、腾讯朱雀等）引入了 AI 率检测机制，旨在识别由 AI 辅助生成的文本。然而，这些检测算法的准确性、透明度以及商业动机常引发争议。

本文分享源自 LINUX DO 社区的一个具体案例：一位用户分享了一套旨在降低论文“AI 率”的 Prompt（提示词）及工作流。该 Prompt 经过实测，在维普检测中能将 AI 率降至 6%。分享者同时指出了当前检测工具的局限性、检测标准的模糊性以及部分商业检测平台的虚标行为。这一分享不仅提供了具体的技术操作指南，也折射出创作者在 AI 时代面临的合规焦虑与工具异化现象。

核心内容

该分享主要包含两部分：一是具体的“降 AI 率”Prompt 设计与执行规则，二是对检测工具现状的实测反馈与经验总结。

1. 降 AI 率 Prompt 的设计逻辑

该 Prompt 的核心目标是让 AI 扮演一个“论文修改助手”，将原本简洁、专业的中文原文改写为一种“稍微啰嗦、更具解释性、措辞偏向通俗或口语化”的风格，同时严格保持技术准确性。其核心修改手法包括：

• 增加冗余与解释性（Verbose Elaboration）：
  • 动词短语扩展：将简洁动词替换为长短语。例如，“管理”改为“开展...的管理工作”，“交互”改为“进行交互”，“处理”改为“去处理...工作”。
  • 增加辅助词：在句子中适当增加“了”、“的”、“地”、“所”、“会”、“可以”等非必需但使句子饱满的词语。
• 系统性词汇替换（Systematic Synonym/Phrasing Substitution）：
  • 固定替换规则：如“采用/使用”替换为“运用/选用/把...当作...来使用”；“基于”替换为“鉴于/基于...来开展”；“通过”替换为“借助/依靠/凭借”；“和/及/与”在列举时替换为“以及”。
  • 名词/形容词替换：如“原因”替换为“缘由”，“符合”替换为“契合”，“极大”替换为“极大程度上”。
• 括号内容处理：
  • 解释性括号：优先将括号内的解释性信息融入句子，使用“也就是”、“即”、“比如”等引导词。例如，“ORM（对象关系映射）”改为“对象关系映射即 ORM”。若整合后过于冗长且非核心信息，可谨慎省略。
  • 代码/标识符旁括号：直接移除括号，如“视图 (views.py) 中”改为“视图也就是 views.py 中”。
• 句式微调与口语化倾向：
  • 倾向于使用“把”字句（如“会把对象移动”）。
  • 将书面条件句改为口语化形式（如“若...则...”改为“要是...，那就...”）。
  • 严格限制：禁止使用过于口语化的句式（如“至于 xxx 呢”），禁止使用第一人称，且输出字数不得多于原文。

2. 执行策略与实测反馈

• 分段生成：建议一小节一小节地生成，单次输入不超过 1000 字，并清空上下文，以避免 AI 率累积升高。
• 参数设置：分享者提到使用了 Gemini 2.5 Pro 进行测试，温度（Temperature）和 Top-p 参数为随意设置，未做严格对比。同时提到 Gemini 2.5 Flash 也可用，但输出质量较差，易偏离原文。
• 检测结果差异：
  • 维普：实测 AI 率降至 6%。
  • 腾讯朱雀 & SpeedAI 科研小助手：AI 率约为 14%。
  • PaperYY：显示 AI 率高达 70%。分享者指出 PaperYY 存在为了诱导付费而虚标 AI 率的行为，建议参考朱雀或 SpeedAI，避免被 PaperYY 误导。
• 效果反思：分享者发现，即使修改了大量口语句式，AI 率提升并不明显，质疑当前 AI 检测算法的真正检测逻辑。此外，生成的文本中仍保留了一些固定的口语句式，可能不适合正式论文，但因论文已写完而未再优化。

关键要点

• 风格改写策略：通过增加动词短语长度、添加辅助词、系统性替换特定词汇（如“基于”->“鉴于”）、处理括号内容以及微调句式（多用“把”字句、口语化条件句），可以显著改变文本的统计特征，从而规避部分 AI 检测器。
• 技术准确性红线：在改写过程中，所有技术术语（如 Django, RESTful API, Ceph, ORM, MySQL 等）、代码片段、库名、配置项和 API 路径必须保持原样，不得修改。核心逻辑和因果关系必须与原文完全一致。
• 检测工具的不一致性：不同平台对 AI 率的判定标准差异巨大。维普、朱雀、SpeedAI 的结果相对接近（6%-14%），而 PaperYY 的结果（70%）可能存在商业动机导致的虚标。
• 操作建议：
  • 分段处理：单次输入控制在 1000 字以内，并定期清空上下文。
  • 模型选择：Gemini 2.5 Pro 效果较好，Flash 版本质量较低。
  • 参数调整：温度和 Top-p 可随意设置，无需过度优化。
• 局限性认知：该 Prompt 生成的文本仍带有口语化特征，可能不适合所有学术场景。且 AI 检测算法的本质不明，修改句式未必能根本解决问题。

意义与影响

这一分享揭示了 AI 时代学术写作与技术传播中的几个深层问题：

1. 检测工具的“猫鼠游戏”：用户通过精心设计的 Prompt 来“欺骗”检测器，反映出当前 AI 检测技术并非绝对可靠，更多是基于统计特征的模式匹配。这种对抗性使用可能导致检测工具的公信力下降。
2. 商业检测平台的伦理争议：PaperYY 等平台的虚标行为引发了用户对检测工具商业化的警惕。当检测工具与付费服务挂钩时，其客观性受到质疑，用户需要更加审慎地选择参考标准。
3. 写作风格的异化风险：为了降低 AI 率，文本被迫变得“啰嗦”、“口语化”，这可能损害技术文档的简洁性与专业性。这种“为检测而写作”的趋势，可能导致文本质量的下降，而非提升。
4. 创作者的焦虑与适应：分享者对检测算法的困惑（“真不知道这 ai 率到底在检测什么”）代表了广大创作者的普遍焦虑。在 AI 辅助写作成为常态的今天，如何平衡效率、合规性与文本质量，仍是亟待解决的难题。

总之，该 Prompt 提供了一种实用的技术 workaround，但其背后反映的检测工具乱象和写作伦理问题，值得学术界和技术社区深入反思。