学习目标

读完本文后，你应该能够：

• 解释 Stop Slop 项目的定位：它不是模型或工具，而是一份写给 LLM 看的 Skill（可机读规则集）
• 对照 8 条 Core Rules 判断一段 LLM 输出有哪些「AI 味」问题
• 区分词面清理（禁词清单）和结构改造（二元对比、负面列表等 6 类结构套路）
• 在 Claude Code、Claude Projects、Custom Instructions 或 API 调用中正确接入 Stop Slop
• 判断什么场景下应该采用 Stop Slop、什么场景下需要谨慎或不用

目录

1. 核心判断
2. Skill 结构
3. 规则覆盖范围
4. Before/After 对照
5. 接入方式
6. 采用顺序与适用边界
7. 总结
8. 自测题
9. 练习
10. 进阶路径

Stop Slop 项目导读：一份给 LLM 用的「去 AI 味」规则清单

目标读者：被 LLM 输出里那些套话、二元口号、机械排比烦到想做点什么的工程师或作者 前置知识：知道 Claude / LLM 的 system prompt 是什么，用过 Claude Code、Claude Projects 或任何支持自定义指令的 LLM 工具 预计阅读时间：8 分钟 | 难度：⭐

一、核心判断

hardikpandya/stop-slop 不是模型，不是工具，也不是 Agent。它是一份写给 LLM 看的 Skill——把"AI 写出来的东西为什么总像 AI"这件事，整理成可机读的检查表。仓库本身极轻：4 个 Markdown 文件（SKILL.md + 3 个 references/*.md），MIT 协议，截至 2026-06-25 累计 12,372 Stars、859 Forks。这套 Skill 不让 LLM 写得更聪明，而是教 LLM 别再犯同样的写作毛病。

这套 Skill 的设计取舍很明确：

• 不做模型权重修改，只做 prompt 约束（因此任何兼容 system prompt 的客户端都能直接套用）
• 不试图覆盖所有文风问题，只瞄准"可识别的 AI 套路"（throat-clearing、二元对比、虚假主语、机械排比等）
• 不替代人类编辑，但能在大规模 LLM 输出场景里省下 80% 的"挑刺时间"

如果你受够了自己 LLM 输出里"在当今快节奏的时代"“这不仅仅是 X，更是 Y"这种句式，这套规则会比一句"请写得更像人"管用得多——因为它把"像人"拆成了 8 条核心规则 + 5 维评分 + 一份"删除词清单”。

二、Skill 结构：4 个 Markdown 文件各管一摊

整个仓库的可执行部分只有 4 个文件：

stop-slop/
├── SKILL.md              # 核心规则（8 条主规则 + 11 项 quick checks + 5 维评分表）
├── references/
│   ├── phrases.md        # 词面禁词：throat-clearing、business jargon、adverbs、meta-commentary
│   ├── structures.md     # 结构禁式：binary contrasts、negative listing、dramatic fragmentation、false agency
│   └── examples.md       # before/after 对照示例
├── README.md             # 项目说明 + 接入方式
└── LICENSE               # MIT

SKILL.md 是核心入口，定下 8 条 Core Rules + 11 项 Quick Checks + 5 维评分。phrases.md 和 structures.md 是按需加载的细节字典：写完一句先扫 phrases.md 看有没有命中禁词，看一段节奏先扫 structures.md 看有没有落入套式。examples.md 提供 5 段 before/after 对照，把"为什么这样改"具体化。

这种"主入口 + 按需 reference"的分层是 Claude Skill 的标准模式：system prompt 不会被一次性撑爆，模型可以决定什么时候去翻 reference。

三、规则覆盖范围：8 条主规则能改掉什么

SKILL.md 列出的 8 条 Core Rules 大致可以归成 4 类问题：

1. 词面清理：删 filler、删套话、删副词

phrases.md 给出的禁词清单分 5 组：

• Throat-clearing openers："Here's the thing:"、"It turns out"、"Let me be clear"、"The real [X] is" 这类"先清嗓再说话"的开场——直接删，让内容从第一句开始。
• Emphasis crutches："Full stop."、"Let that sink in."、"This matters because"——空转的强调动作，没有任何信息量。
• Business jargon："navigate (challenges)" → handle、"unpack (analysis)" → explain、"lean into" → accept、"deep dive" → analysis、"circle back" → return to。这一组特别针对 LLM 在企业语境里特别爱用、但实际上什么都没说的 11 个动词。
• Adverbs：really、just、literally、genuinely、honestly、simply、actually 这 16 个最常见的副词——按规则"全删，不留"。
• Vague declaratives："The reasons are structural"、"The implications are significant"、"The stakes are high"——只说"重要"不说"什么"的话。

2. 结构改造：避开二元对比和负面列表

structures.md 把 6 类结构套路列成对照表：

• Binary contrasts："Not because X. Because Y."、"[X] isn't the problem. [Y] is."、"It's not this. It's that."——这些"先否定再揭示"的句式本质上是 telegraphed reversal，规则是"直接说 Y，跳过 X"。
• Negative listing："Not a X... Not a Y... A Z."——靠连续否定做的"戏剧性揭示"，读者其实不需要这个 runway。
• Dramatic fragmentation："[Noun]. That's it. That's the [thing]."、"X. And Y. And Z."——把短句堆成"表演性深刻"，改写时直接合并成一句完整陈述。
• Rhetorical setups："What if [reframe]?"、"Here's what I mean:"、"Think about it:"、"And that's okay."——这些是"先预告再揭示"的 scaffolding，直接说观点。
• False agency：把"complaint becomes a fix"“the decision emerges"“the market rewards"这种人称动词挂在无生命主语上。规则要求"点名执行人”，“the team fixed it” 而不是 “the complaint becomes a fix”。

3. 句子级硬约束

• 不用 Wh- 开头（What / When / Where / Which / Who / Why / How）
• 不用 em dash
• 不用被动语态
• 不用极端词（every / always / never / nobody / everybody）
• 段落不用"punchy one-liner"结尾——每段换一种收尾方式

4. 5 维评分卡

写完之后，按 Directness / Rhythm / Trust / Authenticity / Density 五项各打 1-10 分，总分 < 35/50 就重写。这套评分卡的设计思路是：与其让 LLM 写一次"看起来行”，不如让 LLM 自查五维后再交付。

四、5 段 before/after 看清"AI 味"长什么样

examples.md 给出 5 段对照，把规则从抽象落到具体：

这 5 段对照把"AI 味"具体化到读者能直接对照自检的程度。

五、接入方式：4 条路径

README.md 列了 4 种接入方式：

• Claude Code：把整个文件夹作为 skill 添加（.claude/skills/stop-slop/ 即可识别）
• Claude Projects：把 SKILL.md + 3 个 reference 上传到 project knowledge
• Custom instructions：从 SKILL.md 拷贝核心规则到任何 LLM 工具的 custom instructions
• API 调用：把 SKILL.md 放进 system prompt，phrases.md / structures.md 通过 tool use 按需加载

从工程角度看，前两条路径最省事；后两条适合已经在做 RAG 或 Agent pipeline、需要在 system prompt 级别强制约束的场景。

六、采用顺序与适用边界

适合采用的场景：

• 大量 LLM 生成内容需要"过一遍"的场景：博客草稿、文档初稿、营销文案、社交媒体内容
• 自己写完也总带 AI 味、想用一份规则清单作为"自检表"的作者
• Agent 系统中需要在 generation 后做一次"去味"步骤的 pipeline
• 想在团队里统一 LLM 写作风格基线（把 8 条 Core Rules 当作 style guide）

谨慎采用的场景：

• 需要保留 LLM 标志性格式的场景（例如某些营销文案的"对比 + 强调"是品牌识别的一部分）——直接套用会破坏品牌一致
• 学术论文或法律文书——这类内容对 hedging 词有合规需求，按 stop-slop 全删副词反而会损失必要的精确度
• 翻译任务：翻译要忠于原文措辞风格，把 stop-slop 直接套在翻译 system prompt 里会强制译员"二次创作"

不适用的场景：

• 想用它改模型权重或 RLHF（stop-slop 是 prompt 层面，不动模型）
• 想用它在生产环境做实时"反 AI 味检测"（规则都是 LLM-readable，没有提供 standalone 检测器 API）

与现有工具的关系：

• bleu / perplexity 等传统 NLP 指标不直接反映"AI 味"——停用词命中率可以近似，但不准确
• 一些 SaaS 提供"AI detector"功能，但 stop-slop 的设计目标不是"识别 AI 写的"，而是"让 LLM 少写出 AI 味的"
• 如果你已经在用 Anthropic 的 Claude with style 偏好，stop-slop 可以叠加上去作为更细的约束

七、总结：规则清单的工程价值

hardikpandya/stop-slop 的真正信号是：LLM 的"AI 味"问题不是靠换 prompt 措辞能解决的，而需要把"像不像人"拆成可机读的规则集。仓库用 4 个 Markdown 文件、约 500 行内容，给出了一份经过分类、可按需加载、能直接套用 system prompt的检查表——这件事在 LLM 应用层被严重低估了。

它的局限性也来自这个选择：规则是英文为主、中文场景下"throat-clearing"和"binary contrast"的具体形式会变化（中文的"那么问题来了"“不仅如此"“更重要的是"是另一套套路），需要自行补充或本地化。当作英文写作的 baseline rule set 来用最稳；中文场景建议把"删副词"和"删二元对比"这两条作为最稳的起点，再按需扩展。

自测题

1. Stop Slop 的 8 条 Core Rules 中，「Throat-clearing openers」具体指哪些句式？为什么规则要求直接删掉它们？
2. 在中文语境下，「那么问题来了」「不仅如此」「更重要的是」这三类句式对应英文规则里的哪类结构套路？
3. Stop Slop 的 5 维评分卡包含哪五个维度？总分低于多少分需要重写？
4. 如果你要给一个已经用 Claude 写好的营销文案去除 AI 味，你会选择哪种接入方式？为什么？
5. Stop Slop 规则集中有一条硬约束「不用 Wh- 开头」。这条约束在中文写作里对应什么现象？应该如何改写？

练习

练习 1：用 Stop Slop 规则改一段 LLM 输出

找一段你自己用 Claude / GPT 生成的文字（100-200 字），完成：

1. 对照 phrases.md 的 5 组禁词清单，标记所有命中项
2. 对照 structures.md 的 6 类结构套路，标记所有落入套式的句子
3. 按 8 条 Core Rules 逐条检查，记录需要改写的句子
4. 改写完再用 5 维评分卡自评，目标总分 ≥ 35/50

练习 2：为中文场景补充禁词清单

Stop Slop 原始规则以英文为主。请你：

1. 收集 10 段中文 LLM 输出（来自不同模型）
2. 提取重复出现的中文套话（如「在当今…」「值得注意的是…」「简而言之…」）
3. 整理成中文版 phrases-zh.md，按词面、句式、节奏三层的分类方式
4. 与原文 phrases.md 合并，形成中英双语禁词清单

练习 3：把 Stop Slop 接入自己的 LLM 工作流

选一个你每天用的 LLM 工具（Claude / GPT / 工蜂 Copilot 等），完成：

1. 找到它的 Custom Instructions 或 System Prompt 入口
2. 把 Stop Slop 的 8 条 Core Rules 翻译成适合该工具的格式（不用全搬，保留最核心的 4 条）
3. 生成一段测试文字，对比接入前后的输出差异
4. 记录：哪些规则对你的场景最有效？哪些需要调整？

进阶路径

入门（第一次接触 AI 写作风格问题）

• 先跑通练习 1，用手动方式感受「AI 味」长什么样
• 阅读 examples.md 的 5 段 before/after 对照，建立直觉
• 在 Claude Projects 或 Custom Instructions 里试用 Stop Slop（不用一次搬完，先加 2-3 条最明显的规则）

进阶（在团队或产品中使用 Stop Slop）

• 把 Stop Slop 的 8 条 Core Rules 当作团队 LLM 写作风格基线
• 为中文场景补充本地化禁词清单（练习 2）
• 在 CI/CD 或内容发布流程里加入「LLM 输出风格检查」步骤（可以人工，也可以再训练一个分类器）

专业（深入理解 AI 写作风格问题并贡献规则集）

• 对比 Stop Slop 与其他「去 AI 味」方法的差异（传统 NLP 指标、AI Detector SaaS、人工编辑）
• 深入理解「AI 味」的语言学根源：为什么 Transformer 模型会倾向于生成套话、二元对比、副词堆叠？
• 为 Stop Slop 项目贡献中文规则集（Fork 仓库 → 补充 phrases-zh.md 和 structures-zh.md → 提 PR）