ne-slop-text

Que fait ne-slop-text ?

Le slop, c'est la moyenne : ce qu'un modèle écrit quand il comble un vide avec le mouvement le plus probable, ou quand on lui demande de "rendre ça mieux". Il se niche dans les décisions (ce qui est dit explicitement, qui est le sujet de l'action, comment ça se termine, ce qui est listé, ce qui est nommé), pas dans les mots. Changer les mots ne suffit pas : StoryScope (Russell et al., COLM 2026) sépare l'IA des récits humains à 93% de F1 rien qu'avec des traits de discours, et une réécriture de surface professionnelle n'a fait passer la détection que de 95,5% à 93,9%. Les modèles se regroupent dans une région ; les gens sont dispersés. Ce skill n'applique donc pas une recette fixe. Il trouve, pour chaque tâche, où les modèles par défaut atterrissent, et déplace le brouillon à l'écart de là, en utilisant le matériau de la personne.

Comment le pipeline a été trouvé et testé : docs/evidence.md. Les chemins ci-dessous sont relatifs au répertoire de ce skill.

Entrées

• Une tâche (quoi écrire, pour qui, pourquoi) ou une source (un texte à corriger).
• Contexte, optionnel : documents, faits, les propres mots de la personne (transcriptions vocales, conversations, notes internes).

Choisir le mode

• Court (moins d'environ 120 mots : réponses de chat, messages courts, titres) : Étape 1, puis Étape 3. La boucle n'a pas de signal pour cette longueur ; en test à l'aveugle, des résumés de 100 mots écrits de cinq manières différentes étaient indifférenciables.
• Complet (tout texte plus long destiné à d'autres personnes) : Étapes 1, 2, 3, 4. Étape 5 quand le texte compte ou que l'utilisateur le demande.

Étape 1. Philosophie, avant d'écrire

1. Le matériau d'abord. Trouvez ce que cette personne a d'unique : un épisode spécifique ; une opinion qu'elle a ; une force autre qu'elle qui a façonné les événements (quelqu'un a poussé, quelque chose a été hérité, quelque chose a échoué) ; une réserve ou une limite ; sa formulation propre. Les textes anciens du même genre (CV et lettres précédents) donnent des faits, pas la voix.
2. Matériau manquant. Si le texte compte, posez 1 à 3 questions courtes ; les réponses vocales sont les meilleures, gardez la transcription comme matériau. Posez des questions ouvertes qui ne suggèrent pas la réponse : "comment ça s'est passé en réalité", "y avait-il un cas", "que penses-tu de X", "que ne sais-tu pas encore faire". Si vous ne pouvez pas demander, utilisez des détails vérifiables (noms, chiffres, sources) et laissez les vides visibles. Ne comblez jamais un vide avec la moyenne.
3. Le lecteur et son code. Qu'ont-ils demandé littéralement ? Quels mots et quelles blagues utilisent-ils ? Répondre avec leurs propres mots est vivant quand cela fait un point ("Votre annonce demande de la justice, donc je ne prétendrai pas être le meilleur : je n'ai pas rencontré les autres candidats"). Utiliser leurs mots comme étiquettes ou titres est du slop.
4. Rendre proche du matériau. L'ordre de pensée de la personne, ses réserves ("probablement", "dans l'ensemble"), la traduction littérale plutôt qu'idiomatique, la première personne avec des verbes courts : "Je dirige 3 ingénieurs QA et j'approuve les versions" a été marqué vivant ; "Diriger une équipe de 3 ingénieurs QA et posséder l'approbation des versions" a été marqué slop.
5. Le genre vit dans le contenant (format, longueur, salutations, champs obligatoires), pas dans chaque phrase. Les listes vont là où les listes vont (une section de compétences, un tableau, le CV joint) ; une phrase porte un épisode ou un mécanisme.
6. Doutez de ce qui vient facilement. Si une phrase est arrivée sans décision, c'est probablement la moyenne.

Étape 2. La boucle : s'éloigner du défaut (mode complet)

1. Défauts. Lancez 3 agents frais sur des modèles différents (par exemple opus, sonnet, haiku). Donnez à chacun la tâche simple et le même contexte avec loop/default_prompt.md. Ils ne doivent pas voir ce skill, le brouillon, ni les autres.
2. Annotez. Un agent frais supplémentaire, sur un modèle différent de celui de l'écrivain, annote le brouillon et les défauts avec loop/questionnaire.json, en suivant loop/annotator.md. Sortie : features.json.
3. Rapport.
   python3 loop/consensus.py loop/questionnaire.json features.json D1,D2,D3 DRAFT TEXTS_DIR > report.txt
   donne P1 (le brouillon fait ce que chaque défaut fait, et il penche vers le mécanique), P2 (penche vers le mécanique au poids), Keep (penche vers l'humain, à ne pas perdre), les 4-grams partagés avec les défauts et la proximité de la phrase d'ouverture avec les leurs.
4. Révision. Un agent frais applique loop/reviser.md au brouillon avec le rapport et le contexte. Le matériau prime sur les poids : une phrase qui rend les propres mots de la personne reste même si une caractéristique la signale.
5. Arrêtez après 2 tours au maximum, ou quand P1 est vide. Le texte ne doit pas s'allonger.

Coût : environ 6 à 8 appels d'agents et 3 à 5 minutes. Le consensus seul n'est pas du slop : quand le contexte est riche, chaque défaut a aussi un épisode spécifique. Un signal nécessite les deux : les défauts sont d'accord, et la caractéristique penche vers le mécanique. Un certain accord relève simplement du genre (un README dit comment installer) ; dites au réviseur quel est le contenant.

Étape 3. Linting, en dernier

python3 lint/lint.py FICHIER --lang en (ou ru), puis lisez lint/en.md ou lint/ru.md. Corrigez uniquement ce qui est signalé ; ne restructurez pas à ce stade. Les listes de mots sont le signal le plus faible et le premier à vieillir.

Étape 4. Sortie

Donnez à l'utilisateur : le texte ; ce qui a changé et pourquoi, en quelques lignes ; les questions ouvertes et les vides qui sont restés visibles. Quand le contexte a été utilisé, proposez une carte "ligne ← source". Ne modifiez jamais les fichiers originaux de l'utilisateur ; écrivez les brouillons à côté d'eux.

Étape 5. Apprendre

• Test à l'aveugle pour les textes importants :
  python3 tools/blind.py out.html key.json "Titre" "Sous-titre" nom=chemin=étiquette ...
  Plusieurs traitements du même matériau, classement sans ex aequo, marqueurs de phrases (slop / vivant). Comparez au moins deux paragraphes ; les courts extraits ne séparent pas.
• Les marques deviennent des poids. Ajoutez les marques de l'utilisateur à learn/marks.jsonl avec une étiquette de motif provenant de learn/patterns.md, puis exécutez python3 learn/update_weights.py. Il montre quels motifs sont stables et quels poids du questionnaire ne correspondent pas ; modifiez loop/questionnaire.json pour qu'il corresponde. Un nouveau motif marqué slop deux fois et jamais vivant devient une nouvelle caractéristique.
• Les rejets enseignent plus que les éloges. Quand l'utilisateur édite votre texte, faites un diff : ce qu'il a coupé est aussi une marque.

Ce qu'il ne faut pas faire (chaque cas a été testé)

• Polir vers le genre ("rendre plus professionnel") : le parler de CV et le héros solitaire reviennent, les épisodes sont déformés.
• Générer en un seul passage à partir d'un bon matériau : le modèle dissout la voix dans la moyenne et perd l'opinion.
• Faire semblant d'être décontracté : les blagues écrites comme des constructions ("La réponse en blague est... ; la vraie réponse est..."), les réécritures "ajouter de la personnalité". C'est la signature d'humaniseur que les gens repèrent.
• Prendre une opinion dans de vieilles notes plutôt que de la personne en direct. Les notes disaient une chose ; la personne en a dit une autre.
• Chercher des mots rares. Le texte vivant est lexicalement ordinaire ; la rareté se trouve dans ses décisions.
• Les tournures brillantes, même les propres de la personne ("parle aux ingénieurs comme un ingénieur", "...et l'équipe passe les tickets à un seul").
• Le texte qui parle de lui-même ("Le X d'abord, puisque vous l'avez demandé explicitement").

Là où les autres approches s'intègrent

• ne-slop (le skill parent, pour tout travail créatif) : l'Étape 1 en est la partie spécifique au texte. Matériau réel, nombreuses petites décisions explicites, plusieurs variantes différentes, la personne choisit, les rejets sont mémorisés, regardez le résultat.
• StoryScope : la théorie derrière l'Étape 2 et la graine des poids du questionnaire.
• unslop : le test de portabilité (cette phrase conviendrait-elle à une autre personne ou entreprise ?) et ses garde-fous contre les faits inventés appartiennent aux Étapes 1 et 3 ; ses listes de mots alimentent le lint.
• humanizer : sa liste de motifs alimente le lint. Sa réécriture avec "personnalité et âme" est exclue délibérément.