用 AI 写稿早已不是新鲜事，但几乎所有用 AI 写过东西的人，都遇到过同一个尴尬：写出来的文字「一眼假」。改改同义词、调调句式，好像也没什么用。这个困扰，本周被一个 GitHub 项目给出了科学答案——sepia，一个 8 月 28 日创建、7 天涨到 1295 星的开源「去 AI 味」写作技能。
它不是玄学，是建立在 6 万篇故事研究上的
sepia 与市面上「去 AI 化」工具最大的不同，是它不靠感觉，靠数据。项目依据一篇名为 StoryScope 的研究论文（arXiv:2604.03136，基于 61,608 篇故事）：仅靠叙事结构特征，就能以 93.2% 的 macro-F1 检测出 AI 虚构文本；而只修改表面风格（词汇、句法）几乎不影响检测——检测率从 95.5% 只降到 93.9%。
换句话说：真正暴露 AI 身份的，不是它用了什么词，而是它怎么组织故事。研究发现 AI 文本有几大「指纹」：主题被叙述者直接解释（而不是让读者自己体会）、单一因果链的整洁情节、情感只表现为身体感受、缺乏真实世界指涉、线性时间叙事、以及几乎总以「主角成长与接纳」收尾。这些是结构性问题，改同义词解决不了。
四个操作，覆盖从诊断到重写
sepia 提供四个核心操作：write（创作新的散文）、review（只诊断、不修改文本）、refactor（最小化就地修改）、recreate（基于原文事实和意图全面重写）。
针对虚构类写作，它采用三遍处理流程：第一遍处理叙事架构（停止解释主题、放松因果链、后置揭示、混合情感模式）；第二遍处理话语流（消除段落与提问的模板化、修复中段疲软、变化节奏）；第三遍处理表面风格（陈词滥调、句法模板、词汇、语域）。针对专业文档，则按体裁提供专属规则：发布说明与公告、PR 与问题回复、事后复盘、工单、技术文章。
针对五个大模型做「指纹修正」
一个很有意思的设计是：sepia 针对 Claude、GPT、Gemini、DeepSeek、Kimi 五个模型分别做指纹修正——因为不同模型写出来的「AI 味」特征并不相同。项目还消化了包括 LAMP、AI-slop 度量、Reinhart PNAS、Russell ACL 2025、NarraBench、Echoes in AI、QUDsim 等 11 篇相关研究作为理论基础。
它的核心设计原则也很有讲究：校准到人类分布，而不是反转 AI 分布——因为人类写作处于分布中间值，把每条规则都套一遍的文本，本身就是新的指纹。所以 sepia 建议每篇作品只选择 3 到 5 个动作，留出余量，过度修正反而更假。
怎么用：一条命令装到 77+ 智能体
sepia 遵循 Agent Skills 标准，一个规范 SKILL.md 即可跨平台使用。通用安装方式：npx skills add Nanako0129/sepia -g，可装到 77 个以上兼容智能体；Claude Code、Codex、Grok Build、Antigravity 也都有对应的插件市场命令。项目采用 MIT 许可，完全免费商用。
对写作者、自媒体和接单党的实际价值
对普通人的意义，至少有三层。第一层是「自查」：AI 写的内容发出去之前，先跑一遍 review 诊断，知道哪里像 AI、为什么像，比盲目改词有用得多。第二层是「改写」：把 AI 初稿交给 recreate/refactor，在保留事实和意图的前提下重写，让文字更像人写的。第三层是「认知」：读完它的方法论，你会真正理解「AI 味」的根源在叙事结构而不是词汇——这对任何长期用 AI 写作的人都是一笔认知资产。
当然也要说明边界：去 AI 味用于提升内容质量和个人表达没有问题，但不应用来伪造学术成果或虚假创作；工具本身也处于快速迭代期（最近一次提交在 9 月初），使用前建议回仓库查看最新说明。1295 星背后是大量 AI 写作者的真实痛点——如果你也在为「一眼 AI 味」发愁，这个项目值得你花十分钟认真看看。
关注「AI 智习室」，每天一条看得懂的 AI 情报。
