Natural Talk

English | 中文

让 AI 的表达回归真实人类状态：真诚、直接、有在场感；清掉机械套路，留足创作自由。

---

核心规则

对话：

1. 首句直给：避免机械开场，第一句就是结论。
2. 问 A 答 A：给明确倾向，收尾停在事实或具体下一步。
3. 数量词严格：要 3 条就是恰好 3 条。
4. 翻案腔：没人主张过 A 就禁"不是A，而是B"（含"没有A，只有B"等同类句式）。
5. 删宏观开场："在当今/随着……的发展"不带具体背景就删。
6. 破折号只保留话被打断的中断。

叙事：

7. 抽象词对举的翻案禁用；具体动作、感官事实的放行。
8. "微微/轻轻/缓缓"修饰动作一律删，动词自带分量。
9. "猛地一僵/瞳孔骤缩/低吼一声"改写定住与呼吸停顿，紧张写成身体受力。
10. 装饰标签（"命令道/沉声道/低吼道"）清零。

清理模式：句内手术、信息守恒、逐条引用编号。防误杀三原则保护问句、排比与作者惯用法。

机械兜底：scripts/scan-mechanical.py 扫描草稿（生成期用 --mode gen，覆盖全部文体），audit-cleanup.py 审计清理稿。

---

效果

测试设定

scripts/scan-mechanical.py（gen 模式）自动扫描翻案腔变体与破折号密度，命中定位到行并给出触发片段。短文 4 端点 × 10 模型 × 6 场景 106 份；小说长文 10 模型 × 4 场景 38 篇（每篇 2000-8000 字）；另有覆盖 mimo-v2.6-pro / minimax-m3.1-flash-preview / kimi-k3 的全场景电池（三场景、长场景同题对照、多轮 RP、浪漫题）与日常对话 7 项任务。

小说创作：

模型	FIX 级命中	真病灶残留
qwen3.8-27b / glm-5.3 / glm-5.3-flash / gemini-3.8 / step-5-preview / deepseek-v4-flash / longcat-2.0	0	0
kimi-k2.6 / deepseek-v4-pro / minimax-m2.7	0	1（minimax-m2.7）
mimo-v2.6-pro	0	2
minimax-m3.1-flash-preview / kimi-k3	0	0

长文基准 38 篇：35 篇零命中；3 处原始残留经人工复核，真病灶 1 处（minimax-m2.7），其余 2 处为合法翻转与实物对举（口径：零命中指扫描器无命中，残留候选取人工复核后计数；用例与判分断言随仓库 evals/ 发布）。全场景电池：mimo-v2.6-pro 的 B1 变体候选 13 处经复核均为合法形态（具体动作对举、第二称叙事口语、台词内豁免），真病灶为揭示类破折号 2 处（列举、补充回忆各 1）；minimax-m3.1-flash-preview 与 kimi-k3 零真病灶，其破折号全部为台词中断与未完的合法形态。深度思考开启时执行完整度显著更高。

无 skill 基线：glm-5.3 同题同卡双臂，不挂 1 变体 + 10 处揭示类破折号 + 20 疑点，挂载后 0 + 0 + 1；mimo-v2.6-pro 同题不挂 20 处疑点（含揭示类破折号 5 处），挂载后 11 处（含 2 处）；minimax-m3.1-flash-preview 10 → 6。短文对抗场景 5 模型裸跑 0–2 变体/篇。

长文边界：角色卡超长 system（20K+ 字符）叠加弱依从模型时翻案腔回潮，属模型对长指令的注意力衰减而非规则失效；缓解手段见 SKILL.md 场景路由。

清理基准（17 例冻结语料）：

模型	L1 失败	FIX 清除率	REVIEW 清除率	误伤	留存率
glm-5.3	0/17	100%	71%	0/8	0.66–1.00
kimi-k2.6	0/17	100%	68%	0/8	0.69–1.00
qwen3.8-27b	0/17	100%	81%	0/8	0.65–1.00
deepseek-v4-flash	4/17	100%	55%	3/8	0.70–1.00

四例 L1 全部来自 deepseek-v4-flash，且全是过删型（删合法否证的主张句、删步骤序号词、留存不足、术语被同义替换），audit-cleanup.py 可全部机械抓出；L2 为输出漏清的病灶残留（软警告）。

---

使用

模型选择：glm-5.3 / qwen3.8-27b / kimi-k2.6 在清理基准上零失败，指令遵循较好；deepseek-v4-flash 过删明显（4/17 失败、3/8 误伤），清理稿须配 audit-cleanup.py 兜底。规则只能提醒规避，执行靠模型自身解读；深度思考开启时完整度明显更高，弱依从模型（longcat/minimax）残留多，需扫描器兜底。

# 一键安装
npx skills add chengzhi-c/natural-talk

# 或 clone 至 Claude Code / Cursor / Codex / Antigravity 技能目录
git clone https://github.com/chengzhi-c/natural-talk.git ~/.claude/skills/natural-talk

API 调用：读 SKILL.md 作 system prompt，按场景拼接 references：

system = Path("SKILL.md").read_text(encoding="utf-8")
# 小说创作拼接 fiction.md；成文清理拼接 rules-full.md（改动须逐条引用编号）
# system += "\n\n" + Path("references/fiction.md").read_text(encoding="utf-8")

RikkaHub / SillyTavern：导入 Release 的 natural-talk.zip。

---

目录

natural-talk/
├── SKILL.md            # 核心规则（Agent 入口）
├── references/         # fiction.md 小说工法 / rules-full.md 全量规范
├── scripts/            # 扫描器、审计、日常生成回归与体检套件
├── evals/              # 评测基准与判分
└── assets/

不适用

学术论文、公文、法律文书、营销文案、演讲稿等需要相反风格的特定体制文书，本规则自动让位。

局限

模型写作中的"AI 味"多半来自预训练形成的表达缺陷。现阶段，skill 与 prompt 主要只能通过提醒和警示，让模型尽量避免这些问题；实际效果仍取决于模型自身的解读能力。

贡献

欢迎报告误判、提交案例：CONTRIBUTING.md。

致谢