《降 AI 率：先把分数当线索，别当成判决书》

拿到一个偏高的 AI 率，多数人的第一反应是通篇重写。改到第三遍，句子越来越别扭，分数却没怎么动。更省力也更稳妥的顺序是：先弄清楚这个分数在量什么，再只处理它指出的那几段，最后用同一把尺子复检一次。

分数量的不是「有没有用 AI」

检测器比较的是文本的统计特征：句子长度是否过于均匀、用词是否高度可预测、段落开头是否总落在同一批过渡词上。它不查你的写作过程，也无法读取草稿和历史版本。所以一个写得规整、逻辑干净的人，完全可能拿到偏高的数值。把这个数值理解成「这段文字里有哪些位置像模板」，比理解成「你被判定了什么」要准确得多，后续改稿也就不会跑偏。

为什么越改反而越像

最常见的误区是逐词同义替换。把「进行深入分析」换成「开展深度剖析」，统计特征几乎没变，反而因为用词更书面、更整齐，把模板腔又加固了一层。另一种是把句子故意写歪、塞进口语甚至错别字，结果可读性垮了，检测器对这类人为噪声也未必买账。真正起作用的是加入只有你才知道的东西：一个具体时间、一次失败的尝试、一句带判断的限定、一处和前文不那么对称的节奏。机器算不出这些，读的人能认出来。

最小改动顺序

建议按四步走：先把全文按段落拆开测一遍，找出标红集中的位置；只动这些段落，保留专业术语、数据和论证结构不动；在改动处补具体场景或个人判断，同时打散连续排比与「首先、其次、综上」这类整齐过渡；最后通读一遍，确认语义没被改坏。摘要、结论、文献综述这类高度格式化的部分通常风险最高，值得优先看，但也不必因为一个总分就把整篇推倒。

复检看趋势，不看单次数字

同一篇文本在不同工具、不同分段方式下出现几个百分点的波动是常态，盯着单次数字反复微调很容易陷入无效内耗。更可靠的做法是先确认目标平台用哪套口径，然后固定同一工具、同样的分段方式，对比改前改后标红段落是否后退、高风险段是否变少。如果分数没降但标红范围明显收窄，通常说明方向对了。正式认定仍以学校或平台的复核为准，自检结果只用来决定下一步改哪里。

一段改前改后的对照

改前是「本方案对系统响应效率进行了全面提升，在多个维度取得了较为显著的效果，具有一定的推广价值」，三句话全是抽象结论，换到任何项目里都成立。改后不妨写成「把批量导出的等待从约 40 秒压到 12 秒，主要是去掉了每次重复拉取全量配置；但并发超过 20 路时仍会回退，这一步还没解决」。字数差不多，信息量完全不同：有了具体动作、有了数字、还有一处没做好的地方。检测器对这两段的统计特征差别很明显，读者对哪一段更信任也不必多说。这就是「补细节」比「换同义词」有效的直观例子。

降 AI 率这件事，最不划算的是和一台机器赌气。把分数当作定位线索，把力气花在补回真实细节上，改完复检一次就该收手。文字的清楚和人的痕迹并不冲突，两份都留着，才是既好读又经得起看的样子。