Stop Slop：AI 文本净化技能文件

这是什么

hardikpandya/stop-slop 是一个旨在消除 AI 生成文本中“机器味”的开源技能包（Skill）。该项目在 GitHub 上迅速获得关注（Star 数 5631+），其核心目标是帮助开发者、创作者及企业通过配置指令（Prompt Engineering），让大型语言模型（LLM）如 Claude 或 Llama 在生成文本时，自动识别并剔除那些典型的、可预测的 AI 写作模式。

它不仅仅是一个简单的提示词模板，而是一套结构化的规则集合，包含核心指令文件（SKILL.md）、禁止使用的短语列表、结构模式规避指南以及修改前后的对比示例。通过将其作为 Claude Code 的技能、Claude Projects 的知识库文件或 API 的系统提示词加载，用户可以显著提升输出文本的自然度和人类感。

解决的问题

当前主流 LLM 在生成文本时，往往表现出高度一致的“AI 指纹”（AI tells），这些特征虽然语法正确，但缺乏人类写作的灵动性和独特性，具体表现为：

1. 可预测的句式结构：AI 倾向于使用固定的节奏和结构，如二元对比（“不是...而是...”）、否定列举（“没有...也没有...”）以及戏剧性的碎片化短句，导致阅读体验单调乏味。
2. 冗余的“清嗓子”式开头：大量使用诸如“值得注意的是”、“总而言之”、“重要的是”等无实质信息的过渡词，浪费读者注意力。
3. 过度修饰与模糊表达：滥用副词、被动语态以及模糊的声明性语句，使得文本显得空洞且缺乏权威感。
4. 缺乏主体性：AI 常以“旁观者”或“距离感”极强的视角叙述，或者使用虚假的能动性（False Agency），让读者感觉不到真实的情感连接。

stop-slop 正是针对这些痛点，提供了一套系统性的“去 AI 化”方案，强制模型打破这些惯性思维，输出更接近人类专家或资深作家的文本。

核心功能

该项目通过模块化文件实现其功能，主要包含以下核心机制：

• 核心指令引擎 (SKILL.md)： 这是项目的中枢，定义了 LLM 的行为准则。它要求模型在生成内容前，先进行自我审查，识别并移除不符合人类写作习惯的元素。

• 禁止短语库 (references/phrases.md)： 建立了一个详细的黑名单，涵盖：

  • 清嗓子式开场白：如 "It is important to note that..."
  • 强调拐杖：过度使用副词来加强语气。
  • 商业黑话：无意义的职场术语。
  • 模糊声明：缺乏具体信息的空洞陈述。
  • 元评论：关于文本本身的评论（如 "In this section, we will discuss..."）。

• 结构模式规避 (references/structures.md)： 识别并禁止以下结构性陈词滥调：

  • 二元对比：非黑即白的简单对立。
  • 负面列举：通过罗列“不是什么”来定义“是什么”。
  • 戏剧性碎片化：故意使用极短的句子制造紧张感，但往往显得矫揉造作。
  • 修辞性铺垫：冗长的引入后接一个简单的结论。
  • 被动语态：强制要求使用主动语态，以增强文本的力度和清晰度。

• 句子级硬性规则：

  • 禁止以 Wh- 疑问词（What, Why, How 等）作为句子开头。
  • 禁止使用破折号（Em dashes）进行插入语补充。
  • 禁止无意义的短句碎片化。
  • 禁止使用懒惰的极端表述（如 "always", "never"）。

• 评分与修订机制： 项目内置了一个 1-10 分的评估维度（总分 50 分）。如果生成文本的评分低于 35 分，模型被指令自动触发修订流程，直到文本符合自然人类写作的标准。

亮点 / 与同类相比

与市面上常见的“提升 AI 写作质量”的提示词相比，stop-slop 具有显著的独特性：

1. 从“添加风格”转向“移除瑕疵”： 大多数提示词侧重于让 AI “写得更好”或“模仿某种风格”，而 stop-slop 采取逆向思维，专注于剔除那些一眼就能识别出是 AI 生成的“噪音”。这种“减法”策略往往比“加法”更有效，因为它直接针对 AI 的底层训练偏差。

2. 高度结构化的参考体系： 不同于单一大段提示词，该项目将规则拆解为短语、结构和示例三个维度，并提供了 Before/After 的转换示例。这种结构化的知识呈现方式，使得 LLM 更容易理解和执行复杂的约束条件，尤其是在 Claude Code 或自定义 API 调用中，模块化加载更加灵活。

3. 针对特定 LLM 的深度优化： 虽然设计初衷兼容任何 LLM，但其规则（如禁止 Wh- 开头、禁止破折号）是针对当前主流模型（特别是 Claude 系列）在训练数据中形成的特定惯性量身定制的。实测表明，在 Claude 中应用此技能，文本的自然度提升尤为明显。

4. 开源与可定制性： 采用 MIT 许可证，允许用户自由修改 phrases.md 和 structures.md。用户可以根据自身行业（如科技、法律、营销）添加特定的行业黑话或禁忌结构，实现高度个性化的“去 AI 化”。

适合谁用 / 上手

适合人群：

• 内容创作者与作家：希望利用 AI 辅助写作，但又不希望作品带有明显的机器痕迹，追求出版级或专业级的文本质感。
• 开发者与工程师：在使用 Claude Code 进行代码注释生成、文档编写或提交信息（Commit Message）生成时，希望输出更简洁、专业且符合人类工程师习惯的描述。
• 企业沟通与营销团队：需要生成品牌文案、邮件或社交媒体内容，要求文本具有亲和力且避免陈词滥调，以提升用户信任度。
• Prompt 工程师：希望研究如何约束 LLM 行为，优化系统提示词（System Prompt）的高级用户。

上手指南：

1. 克隆项目：

   git clone https://github.com/hardikpandya/stop-slop.git
   

2. 集成方式：

   • Claude Code：将 stop-slop 文件夹添加为技能（Skill）。Claude Code 会自动加载 SKILL.md 及相关参考文件。
   • Claude Projects：将 SKILL.md 和 references/ 下的文件上传至项目的知识库（Project Knowledge）中。
   • API 调用：在 System Prompt 中包含 SKILL.md 的核心规则内容。对于引用文件，可根据需要动态加载。
   • 自定义指令：复制 SKILL.md 中的核心规则，粘贴到你的 LLM 平台的自定义指令设置中。

3. 微调与测试： 建议先使用项目提供的 references/examples.md 中的 Before/After 案例进行测试，观察模型对规则的执行情况。随后，可根据实际需求修改 phrases.md，添加特定领域需要避免的术语，以达到最佳效果。