Claude Code Agent Skill：分析用户写作习惯，对比 AI 生成文章与人工编辑版，累积风格画像，按用户风格改写 AI 文本。
一个运行在 Claude Code 中的 Agent Skill（纯 Markdown 指令集，无外部依赖）。它能：
- 分析写作风格 — 对比一篇 AI 生成的文章和用户手动修改后的版本，提取用户的写作习惯
- 累积风格画像 — 每次分析结果合并到画像中，随着样本增多，可信度自动升级
- 按你的风格改写 — 拿到一篇新的 AI 文章，根据画像自动改写成你的风格
整个过程由 Claude 自己完成——没有脚本、没有后端、不需要 API Key（Skill 本身不调用任何外部服务）。
用户请求
├── 提供两篇文档（AIGC + 修改版）
│ └── 对比分析 → 提取习惯 → 更新画像
├── "重新整理画像" / "全量分析"
│ └── 读取所有归档样本 → 交叉验证 → 覆盖重写画像
├── 提供一篇 AI 文章 + "改成我的风格"
│ └── 读画像 → 逐层改写 → 输出结果 + 改写说明
├── "回滚画像"
│ └── 展示 git 历史 → 选择版本 → 回滚
触发词："分析写作习惯"、"对比写作风格"、"帮我分析我改了哪些"
输入一对文章——AI 生成的原文 + 你手动修改后的版本。Claude 会从五大维度逐一对比，找出你的修改模式，然后累积更新到风格画像中。
详细流程见 references/analyze_single.md
触发词："重新整理画像"、"全量分析"、"compile profile"
当你积累了多篇代表性样本后，对所有归档样本进行一次全量交叉验证，生成更精准的画像。适合画像中出现多处冲突标注、或觉得不够准时使用。
详细流程见 references/compile_profile.md
触发词："用我的风格改写"、"改成我的风格"、"rewrite in my style"
输入一篇新的 AI 文章，Claude 读取你的风格画像，按五层顺序逐层改写：
| 层序 | 改写内容 | 示例 |
|---|---|---|
| Layer 1 | 内容操作 | 删除冗余表述、添加个人观点、补充具体例子 |
| Layer 2 | 结构性 | 调整段落/句子长度、标题层级、列表风格 |
| Layer 3 | 词汇 | 替换 AI 高频词为你的偏好用词 |
| Layer 4 | 句式 | 调整主动/被动语态、连接词密度、句复杂度 |
| Layer 5 | 语气与风格 | 调整正式程度、情感词密度、人称使用 |
每条改写操作都有可追溯的画像依据，不确定的操作标注 [推测]。没有画像支撑的维度宁可保留原文，不强行修改。
详细流程见 references/rewrite.md
所有分析工作流共享同一套分析框架（references/analysis_dimensions.md）：
| 维度 | 关注点 |
|---|---|
| 一、结构性 | 段落长度偏好、句子长度偏好、标题层级习惯、列表 vs 段落、结构重组模式 |
| 二、词汇 | 高频用词替换（AI→用户）、专业术语密度、口语/书面语倾向、修饰语使用 |
| 三、句式 | 主动/被动语态比例、连接词偏好、句式复杂度、句首多样性 |
| 四、语气与风格 | 正式程度、情感表达方式、人称使用习惯（第一/二/三人称）、标点与语气词 |
| 五、内容操作 | 倾向添加什么（例子/数据/观点）、倾向删除什么（冗余/客套/AI 模板用语） |
每个维度的分析输出包含：观察到的具体模式 + 量化差异数据 + 可信度标注。
画像中每条习惯都有可信度标注，随着样本积累自动升级：
初步 ──→ 多次观察 ──→ 稳定
(1) (2-3) (4+)
| 标注 | 条件 | 改写时权重 |
|---|---|---|
| 初步 | 仅基于 1 次样本观察 | 降低权重，仅供参考 |
| 多次观察 | 基于 2-3 次样本，方向一致 | 正常权重 |
| 稳定 | 基于 4+ 次样本，方向一致，无矛盾 | 完全信任 |
| 待裁决 | 不同样本间观察到矛盾模式 | 暂停使用，等待更多样本 |
全量重编译（工作流 2）会跨所有样本重新判定每条习惯的可信度，确保画像精度随样本增加而提高。
data/ # 个人数据（独立 git 仓库，不纳入主仓库）
├── profile.md # 写作习惯画像（每次分析后自动更新）
├── samples/
│ ├── INDEX.md # 归档样本索引
│ ├── 2026-07-11-01/ # 每日归档，NN 自动递增
│ │ ├── aigc_original.md # AI 生成的原文
│ │ ├── user_modified.md # 用户修改后的版本
│ │ └── diff_summary.md # 差异分析摘要
│ └── 2026-07-13-01/
│ └── ...
└── .git/ # data/ 的独立版本历史
- 画像 (
profile.md)：增量分析时合并追加，全量重编译时覆盖重写，每次写入自动 git commit - 样本 (
samples/)：代表性对比存档，每次分析后可选择是否归档（满足 ≥3/4 条件时推荐归档） - 索引 (
INDEX.md)：表格形式记录所有归档样本的日期、序号、标题、关键词
data/ 是一个独立的 git 仓库，所有画像和样本的写入自动 commit，提供完整的版本历史。
| 层级 | 仓库 | 追踪内容 | 示例命令 |
|---|---|---|---|
| 外层 | 项目根目录 .git/ |
Skill 指令（SKILL.md、references/、assets/） | git log |
| 内层 | data/.git/ |
个人数据（profile.md、samples/） | git -C data log |
外层 .gitignore 忽略了 data/，所以你的个人数据不会出现在主仓库中，也不会被推送到 GitHub。
| 操作 | Commit Message |
|---|---|
| 画像增量更新 | profile: 增量更新 #N |
| 画像全量重编译 | profile: 全量重编译 (N篇样本) |
| 样本归档 | archive: YYYY-MM-DD-NN <标题> |
| 画像回滚 | rollback: 回滚至 <sha> |
# 查看画像修改历史
git -C data log --oneline -- data/profile.md
# 查看最近两次分析间的画像差异
git -C data diff HEAD~1 -- data/profile.md
# 给当前画像打标签（如赛前稳定版本）
git -C data tag stable-2026-07
# 查看某个归档样本
git -C data show <sha>:samples/2026-07-11-01/aigc_original.md回滚功能也内置于 Skill 中——对 Claude 说 "回滚画像" 即可。
writing-style-analyzer/
├── SKILL.md # Skill 入口：触发词 + 决策树 + 约定
├── README.md # 本文件
├── CLAUDE.md # 开发者文档（给 Claude 自己看的）
├── .gitignore # 排除 data/、本地配置
│
├── assets/
│ └── profile_template.md # 画像骨架模板（首次分析或全量重建用）
│
├── references/ # 按需加载的工作流指令
│ ├── analysis_dimensions.md # 五大维度分析框架（共享）
│ ├── analyze_single.md # 工作流 1：单篇分析
│ ├── compile_profile.md # 工作流 2：全量重编译
│ └── rewrite.md # 工作流 3：按风格改写
│
└── data/ # 运行时生成（gitignore，有独立 git）
├── profile.md
├── samples/
│ ├── INDEX.md
│ └── YYYY-MM-DD-NN/
└── .git/
- Claude Code（CLI、桌面应用、Web 版或 IDE 插件均可）
- Git（可选，用于版本追踪；没有也能正常使用，只是无法回滚）
将本仓库克隆到 Claude Code 能访问的位置，然后注册为 Skill：
# 克隆仓库
git clone https://github.com/ttzc/writing-style-analyzer.git
# 在 Claude Code 中注册 Skill
claude skills add writing-style-analyzer /path/to/writing-style-analyzer或者直接将整个目录放入 Claude Code 的 skills 目录中。
-
分析你的修改习惯——准备一篇 AI 写的文章 + 你手动改过的版本，粘贴给 Claude：
【AIGC 原文】 <AI 生成的原文> 【用户修改版】 <你修改后的版本>或者提供两个文件路径。Claude 会分析你的修改模式并生成第一版画像。
-
重复 3-5 次——每次分析后确认归档代表性样本，画像的可信度会从"初步"逐步升级到"稳定"。
-
开始改写——有了稳定的画像后，拿到新的 AI 文章直接说：
用我的风格改写这篇文章： <AI 生成的新文章>Claude 会逐层应用你的习惯，输出改写结果和可追溯的改写说明。
- LLM 即分析器：不依赖外部 NLP 工具或脚本。Claude 直接阅读两篇文章做对比分析，这比机械式字符串 diff 更准确——尤其是对中文文本（无需分词）
- 渐进式加载：SKILL.md 是入口，根据用户意图只加载当前工作流需要的 reference 文件，避免上下文浪费
- 画像可追溯：每条改写操作都能溯源到画像中的具体条目和可信度层级
- 数据主权：你的写作习惯数据完全在本地
data/目录中，由独立的 git 仓库保护，不会出现在主仓库中
本项目采用 MIT License。
Copyright © 2026-present ttzc — 允许自由使用、复制、修改、合并、发布、分发、再许可和/或销售本软件的副本，唯须在所有副本或实质性部分中包含上述版权声明和本许可声明。
- SKILL.md — Skill 入口与完整技术细节
- CLAUDE.md — 架构设计文档
- analysis_dimensions.md — 五大维度分析框架
- analyze_single.md — 单篇分析工作流
- compile_profile.md — 全量重编译工作流
- rewrite.md — 按风格改写工作流