Sepia Skill：跳出换词套路，从叙事结构层面彻底消解 AI 写作指纹

Skill超级捕获手 技术创作者 2026-09-06 14 阅读

Sepia Skill：跳出换词套路，从叙事结构层面彻底消解 AI 写作指纹

如果你用 AI 写小说或专业文档，最大的困扰可能是：明明换了词、调整了句式，检测工具还是一眼认出是机器写的。原因很简单——真正出卖 AI 的不是表层词汇，而是叙事架构本身。

Sepia 是近期 GitHub Trending 上的一个爆款 Agent Skill（https://github.com/Nanako0129/sepia），它不做表面改写，而是从叙事结构层入手消除 AI 写作指纹，声称能从根本上修复那些”只有 AI 才有的叙事模式”。

功能与原则

Sepia 是一个遵循 Agent Skills 开放标准的可移植技能包，核心能力是让 AI 生成的文字读起来像人写的。它将处理分为两条路径：

  • 小说/故事：基于 StoryScope 研究（arXiv:2604.03136），通过叙事架构修复来消解 AI 指纹
  • 职业文本：按场景匹配规则（发布说明、PR 回复、故障复盘、工单、技术文章等），分别调用不同的编辑协议

其设计原则是”删减优于添加“（74% 替换 / 18% 删除 / 8% 新增），并且绝不引入文风漂移。

认可度

  • GitHub Star：截至 2026-09-06 约 2,000+ 星（8 月 28 日创建，约 9 天）
  • 周排名：GitHub Trending 周榜 Top 7（2026-08-31 当周）
  • 原生插件：Claude Code、Codex、Grok Build、Antigravity 四个平台均有官方插件封装
  • 生态覆盖：通过 Skills CLI 支持 77+ 款 Agent，一条命令安装到任意兼容 Agent
  • 社区热议：被多个中文技术社区（稀土掘金、Git Times、博客说）深度报道

链接

GitHub：https://github.com/Nanako0129/sepia

原作者

Nanako0129，独立开发者，项目采用 MIT 许可证，基于多项学术研究（StoryScope、LAMP、Measuring AI Slop 等）构建。

介绍

传统 humanizer 工具的思路是替换词汇、调整句式。但 StoryScope 研究团队（Russell et al., 2026）用 6.1 万条故事（人类 + 5 款前沿 LLM）证明：仅靠叙事结构特征，单层分类器就能以 93.2% macro-F1 检测出 AI 小说，而只改表层风格的工具几乎不动这个指标（95.5% → 93.9%）。换句话说——改词是治标，修架构才是治本。

Sepia 将这个发现工程化，拆解为三遍式改写协议：

  • 第一遍：叙事结构层——松动强因果链、推迟关键信息揭晓、混合情绪模式、构建稀疏人物网络、点名真实事物，阻止 AI 在开篇就解释主题
  • 第二遍：语篇流节奏层——破除”段落-抛出问题-给出结论”的 AI 高频模板，修复中段塌陷，变化句子长短和信息落点
  • 第三遍：表层风格层——清除 AI 高频陈词套话，调整词汇和句法

职业文本则走另一条路径：系统内置了 6 个专业场景规则文件（release-notes、dev-replies、postmortems、tickets、tech-articles 等），每个场景有独立的编辑协议，最后再过一遍共享的风格扫描。

Sepia 提供四个原子操作，可独立使用也可组合：

操作 说明 适用场景
write 从头按叙事协议生成新文本 从零创作，源头规避 AI 叙事指纹
review 纯诊断，输出 30 项特征报告，不改原文 风险评估、AI 特征定位
refactor 最小改动就地重构，只修叙事骨架 成品微调，改动成本最低
recreate 提取原始事实和意图，整体重写 AI 痕迹较重需大规模重构的文稿

特点

  • 学术根基：以 6.1 万条故事标注数据集（StoryScope）为基础，有可复现的量化依据，而非经验玄学
  • 三遍分层协议：叙事架构 → 语篇流 → 表层词汇，层层递进，而非单点替换
  • 30 特征小说诊断 rubric：手工可执行的 AI 指纹检查清单，有明确的判定维度
  • per-model 指纹校正：内置主流模型（Claude Fable 5.1/GPT-5.6/Gemini/DeepSeek/Kimi 等）的叙事层特征prior，对应调整改写策略
  • 77+ Agent 兼容：Skills CLI 一条命令安装，同时为 Claude Code / Codex / Grok Build / Antigravity 提供原生插件
  • 安全边界清晰：将目标文本视为不可信数据，嵌入式指令无法劫持技能执行路径

使用方法

一条命令安装（任意兼容 Agent）：

npx skills add Nanako0129/sepia --skill sepia -g

Claude Code 原生插件：

claude plugin marketplace add Nanako0129/sepia
claude plugin install sepia@sepia --scope user

Codex 原生插件：

codex plugin marketplace add Nanako0129/sepia
codex plugin add sepia@sepia

最小使用示例（review 模式）：

当需要诊断一段文字的 AI 特征时，在 Agent 中触发：

/sepia review <粘贴待检测文本>

Agent 加载 SKILL.md 后，自动路由到对应的场景（小说/发布说明/复盘等），执行三遍扫描，输出结构化诊断报告，告诉你哪些叙事层特征暴露了 AI 身份。

recreate 模式（整体重写）：

/sepia recreate <原文>

Agent 提取写作意图和事实层，丢弃原有叙事框架，按场景协议从头重写。

使用场景与人群

  • 小说作者：需要消除 AI 辅助写作的叙事架构指纹，让故事读起来更像人类创作习惯
  • 技术写作者：发布说明、故障复盘、工单、技术博客等职业文本的场景化 humanizer
  • AI 研究者：Sepia 的 research/ 目录公开了完整文献综述（11 篇相关研究），可作为”AI 写作检测与修复”议题的调研起点
  • Agent 开发者：将 Sepia 作为技能包集成到自己的 Agent 工作流，让 Agent 在输出文本前自动过三遍改写协议

输入与输出案例

案例 1：小说叙事修复

输入（AI 生成的开头）：

“The story begins with Sarah discovering the truth about her family’s past. This revelation changes everything. She feels a deep sadness as she realizes the implications…”

输出（Sepia 重写后）：

“Sarah found the letter at the back of the drawer. The envelope was yellowed, the handwriting unfamiliar. She almost put it back — almost.”

对比：原版开篇点题、线性因果链、情绪直接描写；重写版松开因果链、信息后置、情绪通过动作暗示，无一句解释主题。

案例 2：职业文本 humanize

输入（AI 生成的 PR 回复）：

“Thank you for your pull request. I have reviewed the changes and they look good. I will merge them now.”

输出（Sepia 重写后）：

“Landed — thanks for catching that edge case.”

对比：原版是典型的 AI 高频确认模板；重写版贴合 dev-replies 场景的简洁文风，去掉了一切冗余客套。

GitHub: https://github.com/Nanako0129/sepia

评论区

0 条评论

登录后可评论。

Skill超级捕获手 14 阅读