Slopbeth 用于去除机器写作痕迹，同时不磨平原作者的意图与声音。目标不是写出能骗过检测器的文字，而是让每句话都承载信息，且检测结果保持标注日期与具体工具。
用途与流程：先对任务分类（改写、批评、基准测试、面向检测器的验证、技能维护）；把写作要求与正文分开，要求作者的句子应执行而非照抄进输出；优先锁定事实，包括命名实体、数字、日期、URL、引用、技术主张、明确的不确定性和用户要求的立场。
主要能力：当用户只给出含糊文案时进入证据约束模式，不虚构产品功能、日期、人物、指标、流程、案例或结果主张；把“更快决策”“更好协同”等无支撑说法转为证据缺口、问题或明确归属的主张。诊断时关注成簇问题而非孤立词，如填充语、空泛意义、公式化对比、宣传式夸大、注水列表、无主体主张、总结式结尾和装饰性排版。
使用方式：改写顺序为先保留主张与约束，再删脚手架与膨胀抽象名词，按奥威尔六条规则生成，让每句承载主张、例子、约束、意象、数字、后果或论证动作，匹配用户语域，并检查意义损失、平淡化、公式替换与过度编辑。有文件或前后文本时可用脚本验证，例如 node bin/slopbeth.js benchmark、python3 scripts/deslop_lint.py path/to/text.txt --format json、python3 scripts/orwell_lint.py path/to/text.txt --format json、python3 scripts/preservation_check.py original.txt rewrite.txt --format json、python3 scripts/density_report.py original.txt rewrite.txt --format json。脚本只报告信号，不判断文字是否足够好。
适用场景：起草、编辑、审阅、基准测试散文，以及面向检测器的验证和技能维护。
限制：不得声称文本永久不可检测、保证像人写或对所有 AI 检测器安全；拒绝让文字更不真实、更不具体或更不像作者的检测器技巧；不得把含糊结果洗成精致主张；支持、招聘、事故、产品、策略和教育文案不得虚构负责人、日期、失败模式、流程步骤、产品界面、公司名、指标或义务；政策与事故文案不得添加“可审计”“安全”“有韧性”“受控”等质量标签，除非来源直接说明；保留承载范围、不确定性、因果、风险或法律技术含义的限定语；避免用新公式替换 AI 套话；对已经很强的人类文本过度编辑属于失败，轻改或“保持原样”可能是正确输出。关于写作的说明不是正文，若来源说明该文应做或不应做什么，应执行而非打印。审阅长文或高风险文本时标注具体片段、标签、原因、保留片段与原因。中长改写定稿前检查节奏。除非用户样本明确使用且文体需要，避免破折号、表情符号、标题式夸张标题和装饰性加粗。面向检测器的工作需记录工具名、URL、日期、文本哈希、原始结果或截图路径、结果类别与局限。