用途：识别并移除文本、代码和设计中标志低质、泛化内容的可预测模式，即所谓“output slop”。适用于交付前审查AI生成内容、创作时避免套路化表达、清理已有内容，或为项目与团队建立质量标准。
主要能力：文本方面，检测过度使用的短语（如“delve into”“navigate the complexities”）、堆砌术语、元评论（如“In this article, we will discuss...”）和模糊措辞；代码方面，检测泛化变量名（data、result、temp）、复述代码的明显注释、不必要的抽象层和过度设计；设计方面，检测千篇一律的布局、通用渐变背景、滥用视觉模式和空泛营销文案。
使用方式：先检测，再清理。文本文件可参考 text-patterns.md、code-patterns.md、design-patterns.md 中的详细模式；清理推荐手动应用参考文件中的策略，也可选用 references 中的 Python 脚本辅助分析与建议，设置与用法见 python-detection.md。
质量原则：文本要直接、具体、真实，跳过前言与元评论，用具体例子替代泛化词，变化句式并多用主动语态；代码要有意义命名、只记录“为什么”而非“是什么”、优先简单而非炫技；设计要以内容为先、每个决策可解释、文案体现真实品牌声音。
常见高优先级目标：文本中删除“delve into”“in today's fast-paced world”等，代码中把 data 改为具体含义、删除复述代码的注释、避免一次性工具过度抽取，设计中用有意选择的配色替代紫粉青渐变、删除无目的漂浮3D形状、把“Empower Your Business”改为具体价值主张。
限制：资料未提供具体安装命令、收费方式、平台支持或效果数据；该技能侧重审查与清理，预防性问题可配合 code-deduplication 与 coding-discipline 使用。