《Claude 生成内容检测：先看它写得太稳的地方》

用 Claude 起草长文的人常有一种体验：读起来相当完整，几乎挑不出硬伤，但通篇没有一处能看出是谁写的。检测时容易被标红的，往往正是这种「太稳」。

完整感从哪里来

这类输出通常把结构铺得很齐：先给结论，再分点展开，每段都有过渡和回扣，结尾还会补一段平衡视角。限定语也偏密，「在一定程度上」「需要考虑具体情境」「通常情况下」几乎成了节奏的一部分。这些写法单看都合理，叠在一起就让文本呈现出高度可预测的形态——检测器捕捉的正是这种可预测性，而不是某个模型独有的标记。

具体细节仍然是最缺的一项

真正拉开差距的不是文采，是信息。生成文本很少提供只有亲历者才知道的东西：某个时间点、一次不成功的尝试、某个参数为什么没达标、某段材料当时是怎么拿到的。补这类内容不需要大改结构，在关键段落后加一两句具体说明，就能同时改善可读性和统计特征。反过来，逐词替换同义词几乎不会改变句式分布，属于性价比最低的做法。

按段落定位，不要盯着总分

建议把正文按自然段拆开测一遍，记下标红集中的位置。长文里风险通常集中在开头概述、分点论证和结尾总结这些高度格式化的部分；带真实数据、引用和过程描述的段落往往低得多。只改标红段，保留术语、数据和论证结构，改完用同一工具、同样分段方式复检，比较标红范围是否收窄，比反复刷总体分数更有意义。

别把检测结果当成模型鉴定

不同模型的输出在统计特征上高度重叠，检测工具给出的是生成概率提示，不是「这段由哪个模型写的」的鉴定结论。同一篇文本换一种分段方式、换一个检测平台，数值都可能变化；人工写的规整文本同样可能被标。把结果用在「下一步改哪里」，并保留大纲、草稿和修订版本，才是稳妥的用法。

限定语怎么处理才不伤内容

别把所有「在一定程度」「通常情况下」一删了之，学术与评估类文本需要这些限定来保持严谨。更可取的是让限定有对象：把「通常情况下该方法效果较好」改成「在三组样本里，两组误差下降明显，第三组因为样本量不足没有结论」。限定还在，但落到了具体条件和数据上，可预测性大幅下降，内容反而更可信。做法是找那些「放之四海皆准」的限定句，问一句限定的是哪种情况，然后把答案写进去；真正承担严谨性作用的限定，原样保留。

与其琢磨怎么抹掉某个模型的指纹，不如把力气花在补回具体的人与事上。结构完整是优点，缺的是只有你才写得出的那几句——补上它们，文本自然就不再是平均样子。