plainspoken-core 是 Plainspoken Writing 家族的原理解释层，只回答一个最上游的问题：AI 味从哪来，该往什么方向写。它不出诊断报告，也不出改写稿，而是把「为什么」和「往哪走」讲清楚，供下游工具动手时有的放矢。
用途与定位 家族里各层分工明确：查浓度、定位到具体句子用 plainspoken-writing；直接出改写版用 content-refiner；先搞清作者声音用 voice-dissolver；只删废话、调结构用 editor-revisor。plainspoken-core 不承担这些执行任务，专注原理与正面目标的阐述。
核心思路 首先重新定义问题：多数人看到 AI 写的字，第一反应是删套话、拆排比，但删完还是 AI。问题出在定义上——「去 AI 味」只讲不要什么，没讲要什么；擦干净 AI 的痕迹，人的痕迹不会自己长出来。重新定义后，去 AI 味是回到人写文章的状态：脑子里先有话说，文字跟着意思走，没到那一步不硬挤，到了就直说。
第一性原理 AI 味的根源是模型在概率分布上偏爱安全的表达，由此产生两大母体：抽象（如「核心竞争力」「显著提升」，看着有深度却没有具体所指）和二元对立（用「不是 A 而是 B」假装有观点、用「更重要的是」武断排序、用「本质上」拿修辞替代洞察）。两者都指向制造虚假的确定性。真人放在这个位置的是时间线、具体场景或一句「我也不确定」。
MECE 三层框架 从原理往下拆，AI 味落在三个互不重叠的层上，作为记忆框架用于快速定位：词汇偏好（「值得注意的是」「总而言之」「不仅……而且」等套话密度过高）、句式惯性（长句、排比、层层递进连着来）、结构模板（总分总，开头概括、中间展开、结尾升华）。定位到哪一层就用对应修法，不越层。具体检测口径以 plainspoken-writing 的 25 维为准。
量化线索 「感觉像 AI」不算标准。资料给出若干可比的分布特征：句长上人写起伏大，AI 挤在窄区间；词频上人反复用「我、你、这个、那个、就是」，AI 反复用「进行、实现、通过、对于、以及」；标点上人逗号多、句号少，AI 反过来；信息密度上人一段往往只讲一个点且讲得实，AI 一段塞三个点、单看都对合起来发虚。资料同时强调这些是分布特征而非阈值，句长方差是争议项，不单独据此判；密度要用频率算、跟人类基线比。
四步打磨法 一、写完初稿，不改，先把想法倒干净；二、量化检测，用清单和诊断过一遍句长、高频词、结构模板；三、逐层修订，从大到小，先结构、再句式、最后词汇；四、读出声，拗口处即未改净处。
正面目标：直陈白描 直陈指话直接摆出来，有效就说有效，不同意就说不同意；白描指用具体的词，写「他吃了三碗饭」胜过「他食欲旺盛」。配套原则包括：少用状语、补语、副词，但状语不是一律不用，而是少而准，只在真带信息时保留；保留口头禅、重复等自然语言习惯；长短句让它们自己走；允许磕绊和戛然而止，但不靠破折号和省略号表演停顿。
验收门 改完过三关：二元对立测试（有无「不是……而是……」「更重要的是」「本质上」「唯一的核心是」）；真人感测试（第一人称、具体时间或数字、真实场景、困惑或不确定，至少三项）；留白测试（结尾无「所以」「总之」「最后」，不给绝对正确答案，回归生活场景或开放提问）。三关与 plainspoken-writing 的 L5 质量控制同源。
适用场景与限制 适合想理解去 AI 味方法论、写作原则与正面目标的场景，可作为下游改写与诊断工具的上游指引。限制在于：去 AI 味不等于好内容，内容本身空需先回 chinese-write-checker；不编造原文没有的人物、故事、细节、样本量；不为去 AI 味强行口语化，真人本来也写规范表达。资料另提到 references/samples.md 含五个改写样本（观点、趋势、方法论、产品、复盘），含错误改法与正确改法对照。
使用方式与收费：资料未提供具体安装命令、调用方式或收费信息，暂未提供。