从联名请愿禁 AI到 no-ai-slop2026 反 AI 水货运动全景图【免费下载链接】no-ai-slopRemoves 20 patterns of AI slop from any piece of writing.项目地址: https://gitcode.com/gh_mirrors/no/no-ai-slop2026 年开发者社区对 AI 的态度经历了一次明显的转向。年初还沸沸扬扬的百人联名请愿在项目里禁用 AI 辅助开发事件是这场情绪浪潮的顶点而到了下半年社区给出的答案不再是封禁而是一套以 no-ai-slop 为代表的反 AI 水货anti-slop工具链。本文结合全网社区情报与 no-ai-slop 仓库源码复盘这场运动从情绪到工程的完整路径并拆解文本反 slop 与代码反 slop 两条战线各自的技术思路以及下一步可能的爆发点。一、时间线复盘情绪顶点之后工程化接棒这场运动有清晰的三段式轨迹。第一阶段是情绪宣泄。触发点是某仓库中 1.9 万行由 Claude Code 生成的代码引发的百人联名请愿其中包括 Node.js 核心成员。请愿的核心诉求很直接在项目里禁止 AI 辅助开发。它反映的不是某个人的洁癖而是开源维护者对AI 生成代码涌入主分支、却无人能为其质量背书的普遍焦虑。请愿是快照式的事实声明它没有给出什么样的 AI 代码算合格的操作定义——这正是它注定无法成为终点的原因。第二阶段是工具爆发。2026 年 9 月上旬no-ai-slop 以写作 Skill 形式开源五天斩获 3.7K star9 月 10 日起CSDN 等平台开始出现去 AI 味的 Skill 为何登上 GitHub 周榜第一的实测拆解文章9 月 12 日与 9 月 19 日的 GitHub 周榜、9 月 20 日的周报中no-ai-slop 均与 humanizer 一同被列入AI 去痕代表项目。头条平台上也出现了2.3k Star 的 no-ai-slop 一次揪出 20 种废话等跟进内容。截至本文写作时该仓库已积累超过 12k star、833 个 fork却只有 23 次提交——几乎是一个单文件规则集撑起的热度。第三阶段是生态蔓延。与 no-ai-slop 同期走红的还有 stop-slop8 条核心规则 Quick Checks 自查表 5 维评分、Vale-LLM-slop基于散文 linter 的 prose linting 规则包、Continue 内置的 Anti-Slop 检查识别 10 种 AI 代码坏味道、anti-slop面向 Oxlint 的 TypeScript 代码质量规则以及 Hallmark 这类把60 项 slop test当作落地页门禁的工具。社区媒体的跟进也从是什么转向怎么配——包括如何在 Claude Code 中集成、如何统一 Key 跑通调用链路。这说明反 AI 水货已经从口号变成了一门可以配置、可以度量、可以进入 CI 的工程实践。二、仓库解剖no-ai-slop 到底做了什么理解这场运动值得先回到源头看 no-ai-slop 仓库里真实存在的规则系统。一份文件两种工作模式仓库的核心是 skills/no-ai-slop/SKILL.md它在文件头部声明了两种互斥的任务Edit默认和Detect。Edit 模式对用户草稿做最小有效编辑输出改后全文加一段What changed说明Detect 模式只点名命中的 slop 模式、引用原文、给出一句话修法不重写、不打分、不猜测是否由 AI 生成。最后一条是关键设计。SKILL.md里明确写着AI detectors guess. Named patterns are evidence the user can check.检测器靠猜命名的模式才是用户可以核对的证据。它把立场从AI 归属判定——一个几乎无法可靠解决的问题——转移到了可举证的模式清单上这让它在方法论上远比AI 含量检测站得住脚。20 种模式与三层词表SKILL.md的 Patterns to cut 部分逐条定义了典型 AI slop本文仅摘录几类有代表性的Binary contrasts二元对比This is not X. Its Y.。修法直截了当直接说出 Y。The question isnt the model. Its the eval. 应改为 The eval matters more than the model.Throat-clearing openers清嗓开场Heres the thing、Let me be clear直接删除并进入正题Colon reveals冒号悬念名词短语 冒号 小写戏剧性揭示如 The best part: it learns.改为普通陈述句Fake-profound endings伪深刻结尾The future isnt coming. Its already here.——不要求改写成更好的比喻而是直接删掉让草稿停在最具体的那句话上。此外还有 faux-insight setupsWhat nobody tells you、weasel attributionexperts agree、synonym cycling同一事物换词轮播、dramatic fragments、superficial analysis、negative listing、robotic rhythm 等。规则之外文件还维护了三层词表直接封杀的禁词delve、leverage、utilize、cutting-edge、paradigm shift 等 30 余个、常为空洞的副词just、literally、fundamentally 等、常为空转的短语its worth noting、at the end of the day、in todays world 等。值得注意的是词表规则都附了保留条件保留当它承载语气/不确定性/作者口头节奏时——它反的是模式化不是这些词本身。自检闭环eval.md 与最小有效编辑仓库里还有一份容易被忽略的文件 skills/no-ai-slop/eval.md它是技能对自己输出的检查清单是否保留作者的口吻与节奏、是否放过强的人类句子、是否让每个句子挣到自己的位置、是否通过可移植性测试一句话挪到别的公司/产品上依然成立就说明它是水词。工作流要求编辑完成后逐条自检任一 fail 即返工。这构成了一个规则 - 执行 - 自检的闭环也是它区别于一键润色类提示词的根本它把编辑者的主观判断拆成了可验证的条目。工程化与分发仓库虽小工程化并不简陋。.codex-plugin/plugin.json 声明了 ChatGPT/Codex 插件元数据版本号 1.0.6category 为 Productivity能力标签是 Edit / Detect / Preserve voicescripts/build_plugin.py 负责把SKILL.md、eval.md、图标、许可与隐私文件打包成 zip 并做一致性校验.github/workflows/plugin.yml 在 push 与打 tag 时自动构建并附到 GitHub Release。PRIVACY.md 则明确声明这是一个纯 skill 插件不跑外部服务、不要求账号、不采集数据——这恰好回应了请愿运动里AI 进项目最敏感的数据与可控性担忧。三、两条战线文本反 slop 与代码反 slop把时间线上的项目归拢会发现反 AI 水货实际存在两条并行但方法论同源的战线。文本战线以 no-ai-slop、stop-slop、humanizer、Vale-LLM-slop 为代表。它们的共同动作是把AI 味拆成可枚举的模式与词表再以提示词技能、prose linter 或独立工具的形式嵌入写作/编辑流程。区别在于执行方式no-ai-slop 依赖大模型按规则改写Vale-LLM-slop 用确定性规则做静态扫描可进 CIstop-slop 则额外给出了 5 维量化评分试图把去味效果变成可比较的数字。这一战线的核心洞察是AI 生成的平庸有可识别指纹而指纹可以被规则化地抹除。代码战线则以 anti-slopOxlint 规则集、Continue Anti-Slop 以及最初的联名请愿为代表。anti-slop 拒绝链式断言、unknown 泛滥、无注释强制转换——用 lint 规则逼程序员写出有依据的代码Continue 的 Anti-Slop 在临时 worktree 中基于 diff 范围检查识别 10 种坏味道过度冗余注释、样板代码爆炸、过度抽象等核心原则是移除仪式感保留功能性。请愿虽然以禁用为诉求但代码战线的成熟产物全部走的是规则拦截而非整体禁入的路线——这其实是对请愿目标的一次温和修正不是不让 AI 写而是让不符合质量定义的 AI 产物进不了主分支。两条战线共享同一个方法论内核可以归纳为三点从猜归属转向命名模式。判定是不是 AI 写的不可靠命名这里有哪种 slop 模式可核对、可讨论、可修把品味翻译成规则。写得不像人话无法执行删掉冒号悬念、禁用 delve、恢复主动语态可以执行让反 slop 成为工作流的一环。无论是SKILL.md的 Edit 模式、Vale 的 CI 集成还是 Continue 的 diff 范围检查反 slop 都从事后吐槽变成了事中门禁。四、下一个爆发点在哪里基于现有情报与仓库源码可以给出三个方向判断。第一从技能走向门禁并最终走向评分基准。no-ai-slop 当前是 skill 形态依赖人工触发Vale-LLM-slop 已把同类规则带入 CIHallmark 已把 slop test 做成上线门禁。下一步的合理演化是把SKILL.md中的模式清单编译成确定性检查器对文本与代码同时做 diff 级扫描形成反 slop 覆盖率这类可度量的工程指标——就像今天的代码覆盖率。届时AI 去味会从个人写作习惯升级为团队质量规范。第二从去味升级为风格保持。no-ai-slop 的差异化卖点始终是 without flattening your personal voiceSKILL.md反复要求先识别作者的词汇、节奏、粗粝感、幽默与离题再做最小编辑。这个方向目前靠提示词约束实现脆弱且不可复现。下一代工具很可能引入风格画像先采样作者的既有文本建立风格基线再在去 slop 时做差异最小化。这与 5 维评分、风格白名单stop-slop 路线图里已提到的方向互相印证。第三战线向全内容形态蔓延。情报显示反 slop 已从技术写作扩展到 SaaS 落地页Hallmark 的 60 项门禁、产品文案、社媒帖子。随着 AI 生成内容在营销、文档、客服语料中占比上升slop 标准很可能会像无障碍标准一样成为内容管线里的默认关卡。最后需要泼一盆冷水规则化反 slop 有一个结构性短板——模型会学会规避规则。禁词表会过时模式清单会被新的AI 味取代就像广告拦截与反拦截的军备竞赛。但这场运动真正的遗产不在于某一份词表而在于它确立了一个可复用的方法论把对AI 平庸的不满转化为可举证、可执行、可进工作流的规则系统。从这个意义上说无论具体规则如何迭代反 AI 水货都已经从一场请愿长成了一个可持续进化的工程领域。【免费下载链接】no-ai-slopRemoves 20 patterns of AI slop from any piece of writing.项目地址: https://gitcode.com/gh_mirrors/no/no-ai-slop创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/10 3:16:14 · 阅读 1.2k 从“联名请愿禁 AI“到 no-ai-slop：2026 反 AI 水货运动全景图
从联名请愿禁 AI到 no-ai-slop2026 反 AI 水货运动全景图【免费下载链接】no-ai-slopRemoves 20 patterns of AI slop from any piece of writing.项目地址: https://gitcode.com/gh_mirrors/no/no-ai-slop2026 年开发者社区对 AI 的态度经历了一次明显的转向。年初还沸沸扬扬的百人联名请愿在项目里禁用 AI 辅助开发事件是这场情绪浪潮的顶点而到了下半年社区给出的答案不再是封禁而是一套以 no-ai-slop 为代表的反 AI 水货anti-slop工具链。本文结合全网社区情报与 no-ai-slop 仓库源码复盘这场运动从情绪到工程的完整路径并拆解文本反 slop 与代码反 slop 两条战线各自的技术思路以及下一步可能的爆发点。一、时间线复盘情绪顶点之后工程化接棒这场运动有清晰的三段式轨迹。第一阶段是情绪宣泄。触发点是某仓库中 1.9 万行由 Claude Code 生成的代码引发的百人联名请愿其中包括 Node.js 核心成员。请愿的核心诉求很直接在项目里禁止 AI 辅助开发。它反映的不是某个人的洁癖而是开源维护者对AI 生成代码涌入主分支、却无人能为其质量背书的普遍焦虑。请愿是快照式的事实声明它没有给出什么样的 AI 代码算合格的操作定义——这正是它注定无法成为终点的原因。第二阶段是工具爆发。2026 年 9 月上旬no-ai-slop 以写作 Skill 形式开源五天斩获 3.7K star9 月 10 日起CSDN 等平台开始出现去 AI 味的 Skill 为何登上 GitHub 周榜第一的实测拆解文章9 月 12 日与 9 月 19 日的 GitHub 周榜、9 月 20 日的周报中no-ai-slop 均与 humanizer 一同被列入AI 去痕代表项目。头条平台上也出现了2.3k Star 的 no-ai-slop 一次揪出 20 种废话等跟进内容。截至本文写作时该仓库已积累超过 12k star、833 个 fork却只有 23 次提交——几乎是一个单文件规则集撑起的热度。第三阶段是生态蔓延。与 no-ai-slop 同期走红的还有 stop-slop8 条核心规则 Quick Checks 自查表 5 维评分、Vale-LLM-slop基于散文 linter 的 prose linting 规则包、Continue 内置的 Anti-Slop 检查识别 10 种 AI 代码坏味道、anti-slop面向 Oxlint 的 TypeScript 代码质量规则以及 Hallmark 这类把60 项 slop test当作落地页门禁的工具。社区媒体的跟进也从是什么转向怎么配——包括如何在 Claude Code 中集成、如何统一 Key 跑通调用链路。这说明反 AI 水货已经从口号变成了一门可以配置、可以度量、可以进入 CI 的工程实践。二、仓库解剖no-ai-slop 到底做了什么理解这场运动值得先回到源头看 no-ai-slop 仓库里真实存在的规则系统。一份文件两种工作模式仓库的核心是 skills/no-ai-slop/SKILL.md它在文件头部声明了两种互斥的任务Edit默认和Detect。Edit 模式对用户草稿做最小有效编辑输出改后全文加一段What changed说明Detect 模式只点名命中的 slop 模式、引用原文、给出一句话修法不重写、不打分、不猜测是否由 AI 生成。最后一条是关键设计。SKILL.md里明确写着AI detectors guess. Named patterns are evidence the user can check.检测器靠猜命名的模式才是用户可以核对的证据。它把立场从AI 归属判定——一个几乎无法可靠解决的问题——转移到了可举证的模式清单上这让它在方法论上远比AI 含量检测站得住脚。20 种模式与三层词表SKILL.md的 Patterns to cut 部分逐条定义了典型 AI slop本文仅摘录几类有代表性的Binary contrasts二元对比This is not X. Its Y.。修法直截了当直接说出 Y。The question isnt the model. Its the eval. 应改为 The eval matters more than the model.Throat-clearing openers清嗓开场Heres the thing、Let me be clear直接删除并进入正题Colon reveals冒号悬念名词短语 冒号 小写戏剧性揭示如 The best part: it learns.改为普通陈述句Fake-profound endings伪深刻结尾The future isnt coming. Its already here.——不要求改写成更好的比喻而是直接删掉让草稿停在最具体的那句话上。此外还有 faux-insight setupsWhat nobody tells you、weasel attributionexperts agree、synonym cycling同一事物换词轮播、dramatic fragments、superficial analysis、negative listing、robotic rhythm 等。规则之外文件还维护了三层词表直接封杀的禁词delve、leverage、utilize、cutting-edge、paradigm shift 等 30 余个、常为空洞的副词just、literally、fundamentally 等、常为空转的短语its worth noting、at the end of the day、in todays world 等。值得注意的是词表规则都附了保留条件保留当它承载语气/不确定性/作者口头节奏时——它反的是模式化不是这些词本身。自检闭环eval.md 与最小有效编辑仓库里还有一份容易被忽略的文件 skills/no-ai-slop/eval.md它是技能对自己输出的检查清单是否保留作者的口吻与节奏、是否放过强的人类句子、是否让每个句子挣到自己的位置、是否通过可移植性测试一句话挪到别的公司/产品上依然成立就说明它是水词。工作流要求编辑完成后逐条自检任一 fail 即返工。这构成了一个规则 - 执行 - 自检的闭环也是它区别于一键润色类提示词的根本它把编辑者的主观判断拆成了可验证的条目。工程化与分发仓库虽小工程化并不简陋。.codex-plugin/plugin.json 声明了 ChatGPT/Codex 插件元数据版本号 1.0.6category 为 Productivity能力标签是 Edit / Detect / Preserve voicescripts/build_plugin.py 负责把SKILL.md、eval.md、图标、许可与隐私文件打包成 zip 并做一致性校验.github/workflows/plugin.yml 在 push 与打 tag 时自动构建并附到 GitHub Release。PRIVACY.md 则明确声明这是一个纯 skill 插件不跑外部服务、不要求账号、不采集数据——这恰好回应了请愿运动里AI 进项目最敏感的数据与可控性担忧。三、两条战线文本反 slop 与代码反 slop把时间线上的项目归拢会发现反 AI 水货实际存在两条并行但方法论同源的战线。文本战线以 no-ai-slop、stop-slop、humanizer、Vale-LLM-slop 为代表。它们的共同动作是把AI 味拆成可枚举的模式与词表再以提示词技能、prose linter 或独立工具的形式嵌入写作/编辑流程。区别在于执行方式no-ai-slop 依赖大模型按规则改写Vale-LLM-slop 用确定性规则做静态扫描可进 CIstop-slop 则额外给出了 5 维量化评分试图把去味效果变成可比较的数字。这一战线的核心洞察是AI 生成的平庸有可识别指纹而指纹可以被规则化地抹除。代码战线则以 anti-slopOxlint 规则集、Continue Anti-Slop 以及最初的联名请愿为代表。anti-slop 拒绝链式断言、unknown 泛滥、无注释强制转换——用 lint 规则逼程序员写出有依据的代码Continue 的 Anti-Slop 在临时 worktree 中基于 diff 范围检查识别 10 种坏味道过度冗余注释、样板代码爆炸、过度抽象等核心原则是移除仪式感保留功能性。请愿虽然以禁用为诉求但代码战线的成熟产物全部走的是规则拦截而非整体禁入的路线——这其实是对请愿目标的一次温和修正不是不让 AI 写而是让不符合质量定义的 AI 产物进不了主分支。两条战线共享同一个方法论内核可以归纳为三点从猜归属转向命名模式。判定是不是 AI 写的不可靠命名这里有哪种 slop 模式可核对、可讨论、可修把品味翻译成规则。写得不像人话无法执行删掉冒号悬念、禁用 delve、恢复主动语态可以执行让反 slop 成为工作流的一环。无论是SKILL.md的 Edit 模式、Vale 的 CI 集成还是 Continue 的 diff 范围检查反 slop 都从事后吐槽变成了事中门禁。四、下一个爆发点在哪里基于现有情报与仓库源码可以给出三个方向判断。第一从技能走向门禁并最终走向评分基准。no-ai-slop 当前是 skill 形态依赖人工触发Vale-LLM-slop 已把同类规则带入 CIHallmark 已把 slop test 做成上线门禁。下一步的合理演化是把SKILL.md中的模式清单编译成确定性检查器对文本与代码同时做 diff 级扫描形成反 slop 覆盖率这类可度量的工程指标——就像今天的代码覆盖率。届时AI 去味会从个人写作习惯升级为团队质量规范。第二从去味升级为风格保持。no-ai-slop 的差异化卖点始终是 without flattening your personal voiceSKILL.md反复要求先识别作者的词汇、节奏、粗粝感、幽默与离题再做最小编辑。这个方向目前靠提示词约束实现脆弱且不可复现。下一代工具很可能引入风格画像先采样作者的既有文本建立风格基线再在去 slop 时做差异最小化。这与 5 维评分、风格白名单stop-slop 路线图里已提到的方向互相印证。第三战线向全内容形态蔓延。情报显示反 slop 已从技术写作扩展到 SaaS 落地页Hallmark 的 60 项门禁、产品文案、社媒帖子。随着 AI 生成内容在营销、文档、客服语料中占比上升slop 标准很可能会像无障碍标准一样成为内容管线里的默认关卡。最后需要泼一盆冷水规则化反 slop 有一个结构性短板——模型会学会规避规则。禁词表会过时模式清单会被新的AI 味取代就像广告拦截与反拦截的军备竞赛。但这场运动真正的遗产不在于某一份词表而在于它确立了一个可复用的方法论把对AI 平庸的不满转化为可举证、可执行、可进工作流的规则系统。从这个意义上说无论具体规则如何迭代反 AI 水货都已经从一场请愿长成了一个可持续进化的工程领域。【免费下载链接】no-ai-slopRemoves 20 patterns of AI slop from any piece of writing.项目地址: https://gitcode.com/gh_mirrors/no/no-ai-slop创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考