尧图网页设计 
SEO Machine /scrub 命令实战剥离 Markdown 内容中的隐形 AI 水印与上下文感知标点归一化【免费下载链接】seomachineA specialized Claude Code workspace for creating long-form, SEO-optimized blog content for any business. This system helps you research, write, analyze, and optimize content that ranks well and serves your target audience.项目地址: https://gitcode.com/GitHub_Trending/se/seomachine本篇技术指南以 SEO Machine 仓库中的 /scrub 自定义命令 为核心完整拆解其AI 指纹清理流水线如何识别并移除 15 类隐形 Unicode 水印字符、如何依据上下文智能替换 em-dash破折号、如何在归一化空白时不破坏 URL 与文件扩展名。读完本文你既能直接在 Claude Code 工作流中正确调用该命令也能读懂 data_sources/modules/content_scrubber.py 中正则级别的实现细节并将这一发布前清洗环节复用到自己的内容生产管线中。/scrub 的定位内容发布前的最后一道质量关口SEO Machine 是一个面向 SEO 长文内容生产的 Claude Code 工作区其命令体系覆盖研究/research、写作/write、改写/rewrite、优化/optimize到发布/publish-draft的完整链路。CLAUDE.md 中定义的内容管线为topics/选题 → research/研究简报 → drafts/文章草稿 → review-required/待审 → published/发布/scrub处于管线末端AI 语言模型生成的内容往往带有两类机器指纹——嵌入的隐形 Unicode 水印字符以及过度使用的 em-dash 等机械标点/措辞模式。若在发布前不做清洗这些痕迹会残留在正式内容中。QUICK-START.md 中的常用命令序列也印证了这一位置/optimize [file] # Final SEO polish /scrub [file] # Remove AI watermarks /publish-draft [file] # Publish to WordPress命令的调用形式非常简洁/scrub [file path]例如对drafts/目录下的文章执行/scrub drafts/content-marketing-strategies-2025-10-31.md从源码看清洗逻辑集中在ContentScrubber类与两个函数式接口中且仅依赖 Python 标准库re、unicodedata、typing见 content_scrubber.py#L11-L13无需安装data_sources/requirements.txt中的第三方依赖即可独立运行。五步清洗流水线scrub() 的编排顺序命令文档描述的三大清理目标水印移除、em-dash 替换、空白归一化在模块实现中实际组织为五步确定性流水线由ContentScrubber.scrub()统一编排见 content_scrubber.py#L80-L112def scrub(self, content: str) - Tuple[str, Dict]: # Step 1: Remove specific watermark characters content self._remove_watermark_chars(content) # Step 2: Remove all Unicode format-control characters (Category Cf) content self._remove_format_control_chars(content) # Step 3: Replace em-dashes with contextually appropriate punctuation content self._replace_emdashes(content) # Step 4: Replace AI-telltale phrases content self._replace_ai_phrases(content) # Step 5: Clean up any double spaces created by removals content self._clean_whitespace(content) return content, self.stats每一步都将计数写入实例的stats字典最终随清理结果一并返回。与命令文档的对照关系如下步骤方法对应命令文档章节1. 移除指定隐形字符_remove_watermark_charsWatermark Detection Removal2. 移除全部 Cf 格式控制字符_remove_format_control_charsWatermark Detection RemovalAll format-control characters 一条3. 上下文替换 em-dash_replace_emdashesEm-Dash Replacement4. 替换 AI 机械套话_replace_ai_phrases命令文档未展开属模块层扩展5. 空白归一化_clean_whitespaceWhitespace Normalization第一步移除 15 类隐形 Unicode 水印字符WATERMARK_CHARS常量content_scrubber.py#L22-L38显式枚举了 15 个隐形字符。命令文档列出了其中的 7 类源码清单在此基础上做了补全码点字符名称说明U200BZero-width space常插入在单词之间UFEFFByte Order Mark (BOM)不应出现在正文内容中的 BOM 字符U200CZero-width non-joiner隐形格式字符U200DZero-width joiner隐形连接符命令文档未列出U2060Word joiner隐形禁止断词字符U00ADSoft hyphen可选连字符点U202FNarrow no-break space窄不换行空格U2062Invisible times隐形乘法号命令文档未列出U2063Invisible separator隐形分隔符命令文档未列出U2064Invisible plus隐形加号命令文档未列出U180EMongolian vowel separator蒙古语元音分隔符命令文档未列出U200ELeft-to-right mark左到右标记命令文档未列出U200FRight-to-left mark右到左标记命令文档未列出U2028Line separator换行分隔符命令文档未列出U2029Paragraph separator段落分隔符命令文档未列出实现细节上_remove_watermark_charscontent_scrubber.py#L114-L124对每个字符执行content.replace(char, )——直接删除而非替换为普通空格。源码注释明确解释了原因Dont replace with regular space as it breaks URLs零宽空格常出现在 URL 内部或单词中间若替换为可见空格会把链接切碎。统计数通过处理前后的字符串长度差计算。第二步全量清除 Unicode Cf 类别字符显式清单之外_remove_format_control_charscontent_scrubber.py#L126-L138逐字符调用unicodedata.category(char)将所有属于CfFormat格式控制类别的 Unicode 字符一并移除。这一步是显式清单的超集兜底——即便未来新型水印使用了清单之外的 Cf 字符也能被同一步骤清除。这正是命令文档中 All format-control characters: Unicode category Cf characters 一条的落地实现其独立计数体现在统计报告的 Format-control chars removed 项中。第三步基于上下文的 em-dash 替换AI 生成内容普遍过度使用 em-dash—。_replace_emdashescontent_scrubber.py#L140-L164先用正则捕获每个 em-dash 及其两侧上下文emdash_pattern r([^—]{0,100})—([^—]{0,100})即前后各取最多 100 字符交给决策函数_determine_emdash_replacementcontent_scrubber.py#L166-L229。决策函数实际取before末尾 50 字符与after开头 50 字符作为判断窗口按以下优先级顺序判定替换标点句末前导检查若 em-dash 后紧跟.、!、?之一则直接删除em-dash、保留原有句末标点避免产生 . . 这类冗余。归属/引用模式 → 逗号before以said|wrote|noted|according to|via结尾或after形如 John Smith大写词开头的双词人名模式时替换为,。这对应命令文档的 Attribution 规则Text — Author Name→Text, Author Name。双分句判定分别检测前后 30 字符窗口内是否含 be 动词/助动词is|are|was|were|has|have|had|do|does|did|can|could|will|would|should|may|might。若两侧都含动词视为两个独立分句after以大写开头 → 判定为新句子替换为.对应文档的 Strong Breaks 规则Sentence one — Sentence two→Sentence one. Sentence twoafter以连接副词开头however、therefore、moreover、furthermore、nevertheless、consequently、thus、hence→ 替换为;对应文档的 Conjunctive Adverbs 规则其他双分句情况 → 默认;对应文档的 Independent Clauses 规则First clause — second clause→First clause; second clause。列表/枚举上下文 → 逗号若前后 20 字符窗口内已含逗号替换为,。插入语/解释性内容 → 逗号after以小写开头或after不足 30 字符短旁注替换为,对应文档的 Simple Separation 规则Item — detail→Item, detail。默认兜底 → 逗号。这个先强后弱、逐级降级的规则链保证了替换结果的可预期性同一输入永远得到同一输出也为幂等性打下了基础见后文。第四步AI 机械套话替换模块层扩展命令文档侧重描述隐形字符 标点两类清理而模块实现额外内置了一组针对可见文本的机械措辞替换AI_PHRASE_REPLACEMENTScontent_scrubber.py#L41-L64在scrub()的第四步执行触发模式正则替换结果Its important/worth/crucial/essential to note/mention/highlight/understand/remember/recognize/emphasize that 删除引导短语保留主干In todays fast-paced/digital/modern/ever-changing/rapidly evolving/dynamic landscape/world/era/age/environment整句删除Delve(s/d) into/deeper、Dive(s/d) (deep) intoexploreLeverage(s/d)useUtilize(s/d)use行首 In conclusion, / To summarize,删除Its worth mentioning (that)、It bears mentioning (that)删除At the end of the day删除This comprehensive guide/overview/article/resourcethis guideWithout further ado删除匹配采用re.subn(pattern, replacement, content, flagsre.MULTILINE)命中数计入ai_phrases_replaced统计。此外类中还定义了AI_FILLER_ADVERBS词表moreover、furthermore、additionally、consequently、nevertheless、nonetheless、henceforth、thereby见 content_scrubber.py#L67-L70从源码结构看该词表当前未被任何清洗方法调用属于预留的扩展点。第五步空白归一化_clean_whitespacecontent_scrubber.py#L238-L257执行五条正则逐条对应命令文档 Whitespace Normalization 的四个要点并额外包含一条文件名修复规则正则作用对应文档要点(?!\.) → 单空格连续多空格压缩为单空格.之后的多空格不压缩Multiple Spaces(\w)\s\.\s*(\w)→\1.\2修复 file. png → file.png水印删除可能在扩展名前留下空格文档未单列属实现层防御\s([,;:!?])→\1移除标点前的空格Punctuation Spacing(\w)([.!?])([A-Z])→\1\2 \3句号/叹号/问号后紧跟大写字母时补一个空格前置词字符约束避免误伤 URL、顶级域名与文件扩展名Post-Punctuation Spacing\n{3,}→\n\n3 个及以上连续换行压缩为 2 个Excessive Line Breaks其中后两条体现了清洗不能破坏可见内容的工程约束补空格规则只在词字符 句末标点 大写字母的结构下触发确保example.com、file.pdf这类被水印污染过的片段在修复的同时不会被二次破坏。统计报告、文件写入与内置自检函数式接口命令文档指向的主入口是scrub_filecontent_scrubber.py#L284-L306def scrub_file(file_path: str, output_path: str None, verbose: bool False) - None: with open(file_path, r, encodingutf-8) as f: content f.read() cleaned_content scrub_content(content, verboseverbose) output output_path or file_path with open(output, w, encodingutf-8) as f: f.write(cleaned_content)output_path为None时原地覆盖原文件与命令文档 Original file is overwritten with cleaned content / All changes are applied in-place 的描述一致指定output_path时可写出到新的位置实现非破坏性清洗——这与命令文档最佳实践中 Test on Sample Content: If unsure, scrub a copy first to verify results 的做法直接对应。配套的scrub_content(content, verboseFalse)content_scrubber.py#L260-L281面向纯文本字符串供流水线内部复用。统计报告命令文档定义的输出格式为Content Scrubbing Complete: - Unicode watermarks removed: [count] - Format-control chars removed: [count] - Em-dashes replaced: [count]源码实际输出verboseTrue时在此基础上多一行AI phrases replaced与第四步相对应Content Scrubbing Complete: - Unicode watermarks removed: [count] - Format-control chars removed: [count] - Em-dashes replaced: [count] - AI phrases replaced: [count] Scrubbed content saved to: [output]四个计数项与scrub()中重置的stats键unicode_removed、format_control_removed、emdashes_replaced、ai_phrases_replaced一一对应审查这份报告即可量化本次清洗动了什么。可直接运行的内置自检模块尾部附带__main__自检脚本content_scrubber.py#L309-L329内嵌了含零宽空格、BOM、零宽非连接符、词连接符、软连字符与 em-dash 的测试样本python3 data_sources/modules/content_scrubber.py运行后会先打印原始内容的repr()此时能看见隐形字符的\uXXXX转义形式再执行scrub_content(test_content, verboseTrue)并打印四项统计与清理结果。这是在不改动任何业务文件的前提下验证清洗逻辑的最快方式。幂等性与安全性设计命令文档对清洗过程给出两组关键承诺均可在源码中找到依据。幂等性对同一文件重复执行不产生额外变更因此可以安全地多次运行、嵌入自动化流程、作为无副作用的质量检查。从源码结构看幂等性来自每条规则都是确定性问题状态 → 清理后状态的单向映射Cf 字符与水印字符一经删除即不复存在em-dash 被替换为普通标点后不再匹配—模式空白归一化规则对已归一化的文本再次执行是恒等操作。安全性命令文档声明清洗Never modifies visible content or meaning、Only removes invisible/problematic characters、Preserves all markdown formatting、Maintains document structure。需要指出的边界差异在于第四步的 AI 套话替换确实会改写少量可见措辞如 leverage → use这已超出仅移除隐形字符的字面承诺属于模块层在命令文档口径之外的扩展。若你的内容对可见文字有严格保真要求评估清洗结果时应重点核对ai_phrases_replaced计数与替换后的行文。清洗前后示例命令文档的标准用例命令文档给出的对比样例完整保留了水印形态与替换结果清洗前单词间含零宽空格 U200B两处 em-dashContent marketing is a powerful strategy—businesses can reach global audiences—and convert more customers.清洗后零宽空格被直接删除em-dash 按上下文分别替换为分号与逗号Content marketing is a powerful strategy; businesses can reach global audiences, and convert more customers.这个例子恰好演示了三步流水线的协作第一步删掉不可见字符若替换为普通空格会污染行文第三步把 strategy—businesses双分句替换为;、audiences—andafter 小写且短替换为,第五步收尾保证标点前后空格规范。与写作工作流的集成/scrub在 SEO Machine 的工作流中既支持自动触发也支持手动调用。自动执行命令文档规定在/write或/rewrite命令保存文章文件之后scrubber 应对以下目标自动运行——drafts/目录中的主文章文件以及任何将被发布的内容。结合 QUICK-START.md 的命令序列这使清洗成为 写作 → 优化 → 清洗 → 发布 链路中固定的一环。手动执行的典型场景命令文档归纳的四种测试内容洁净度Testing content cleanliness清洗历史遗留内容Cleaning legacy content处理外部 AI 生成的内容Processing externally generated content验证此前的清洗是否成功Verifying scrubbing was successful发布侧衔接清洗后的稿件最终由/publish-draft [file]经 WordPress REST API 发布CLAUDE.md 说明该流程依赖自定义 MU-pluginwordpress/seo-machine-yoast-rest.php暴露 Yoast SEO 字段。把/scrub放在发布前一步执行可确保进入 WordPress 的内容不含隐形字符残留——这类字符若随正文入库可能在前端渲染、搜索索引与第三方抓取中产生难以排查的异常。质量标准与最佳实践命令文档为清洗产物定义了五项质量标准Every scrubbed file ensuresZero invisible Unicode watermarks零隐形 Unicode 水印Natural punctuation patterns自然的标点模式Clean whitespace formatting干净的空白格式No telltale AI signatures无 AI 特征痕迹Publish-ready cleanliness达到可发布的洁净度并给出五条操作建议发布前必洗把/scrub作为任何内容上线前的最后一步所有 AI 生成内容都要洗即便人工编辑过也要执行查看统计检查四项计数理解本次清洗的具体内容先在副本上验证拿不准时先对副本清洗、比对结果可用output_path参数写出到新位置不覆盖原稿;纳入自动化管线将清洗步骤固化进内容生产工作流避免遗漏。小结/scrub把让 AI 内容读起来像人写的这一模糊诉求拆解成了可审计的五步确定性流水线15 类隐形水印字符的精确删除、Cf 类别的全量兜底、基于 100 字符上下文的 em-dash 标点决策、12 组机械套话的定向替换以及保护 URL 与文件扩展名的空白归一化。四项统计计数、原地或副本两种写回模式、内置自检脚本与幂等性设计共同使它既能作为 Claude Code 工作流中的自动环节也能作为独立的质量检查工具使用。其完整实现约 330 行、零第三方依赖集中在 data_sources/modules/content_scrubber.py命令口径定义在 .claude/commands/scrub.md两者对照阅读即可掌握该功能的全部细节。【免费下载链接】seomachineA specialized Claude Code workspace for creating long-form, SEO-optimized blog content for any business. This system helps you research, write, analyze, and optimize content that ranks well and serves your target audience.项目地址: https://gitcode.com/GitHub_Trending/se/seomachine创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 SEO Machine /scrub 命令实战：剥离 Markdown 内容中的隐形 AI 水印与上下文感知标点归一化
SEO Machine /scrub 命令实战剥离 Markdown 内容中的隐形 AI 水印与上下文感知标点归一化【免费下载链接】seomachineA specialized Claude Code workspace for creating long-form, SEO-optimized blog content for any business. This system helps you research, write, analyze, and optimize content that ranks well and serves your target audience.项目地址: https://gitcode.com/GitHub_Trending/se/seomachine本篇技术指南以 SEO Machine 仓库中的 /scrub 自定义命令 为核心完整拆解其AI 指纹清理流水线如何识别并移除 15 类隐形 Unicode 水印字符、如何依据上下文智能替换 em-dash破折号、如何在归一化空白时不破坏 URL 与文件扩展名。读完本文你既能直接在 Claude Code 工作流中正确调用该命令也能读懂 data_sources/modules/content_scrubber.py 中正则级别的实现细节并将这一发布前清洗环节复用到自己的内容生产管线中。/scrub 的定位内容发布前的最后一道质量关口SEO Machine 是一个面向 SEO 长文内容生产的 Claude Code 工作区其命令体系覆盖研究/research、写作/write、改写/rewrite、优化/optimize到发布/publish-draft的完整链路。CLAUDE.md 中定义的内容管线为topics/选题 → research/研究简报 → drafts/文章草稿 → review-required/待审 → published/发布/scrub处于管线末端AI 语言模型生成的内容往往带有两类机器指纹——嵌入的隐形 Unicode 水印字符以及过度使用的 em-dash 等机械标点/措辞模式。若在发布前不做清洗这些痕迹会残留在正式内容中。QUICK-START.md 中的常用命令序列也印证了这一位置/optimize [file] # Final SEO polish /scrub [file] # Remove AI watermarks /publish-draft [file] # Publish to WordPress命令的调用形式非常简洁/scrub [file path]例如对drafts/目录下的文章执行/scrub drafts/content-marketing-strategies-2025-10-31.md从源码看清洗逻辑集中在ContentScrubber类与两个函数式接口中且仅依赖 Python 标准库re、unicodedata、typing见 content_scrubber.py#L11-L13无需安装data_sources/requirements.txt中的第三方依赖即可独立运行。五步清洗流水线scrub() 的编排顺序命令文档描述的三大清理目标水印移除、em-dash 替换、空白归一化在模块实现中实际组织为五步确定性流水线由ContentScrubber.scrub()统一编排见 content_scrubber.py#L80-L112def scrub(self, content: str) - Tuple[str, Dict]: # Step 1: Remove specific watermark characters content self._remove_watermark_chars(content) # Step 2: Remove all Unicode format-control characters (Category Cf) content self._remove_format_control_chars(content) # Step 3: Replace em-dashes with contextually appropriate punctuation content self._replace_emdashes(content) # Step 4: Replace AI-telltale phrases content self._replace_ai_phrases(content) # Step 5: Clean up any double spaces created by removals content self._clean_whitespace(content) return content, self.stats每一步都将计数写入实例的stats字典最终随清理结果一并返回。与命令文档的对照关系如下步骤方法对应命令文档章节1. 移除指定隐形字符_remove_watermark_charsWatermark Detection Removal2. 移除全部 Cf 格式控制字符_remove_format_control_charsWatermark Detection RemovalAll format-control characters 一条3. 上下文替换 em-dash_replace_emdashesEm-Dash Replacement4. 替换 AI 机械套话_replace_ai_phrases命令文档未展开属模块层扩展5. 空白归一化_clean_whitespaceWhitespace Normalization第一步移除 15 类隐形 Unicode 水印字符WATERMARK_CHARS常量content_scrubber.py#L22-L38显式枚举了 15 个隐形字符。命令文档列出了其中的 7 类源码清单在此基础上做了补全码点字符名称说明U200BZero-width space常插入在单词之间UFEFFByte Order Mark (BOM)不应出现在正文内容中的 BOM 字符U200CZero-width non-joiner隐形格式字符U200DZero-width joiner隐形连接符命令文档未列出U2060Word joiner隐形禁止断词字符U00ADSoft hyphen可选连字符点U202FNarrow no-break space窄不换行空格U2062Invisible times隐形乘法号命令文档未列出U2063Invisible separator隐形分隔符命令文档未列出U2064Invisible plus隐形加号命令文档未列出U180EMongolian vowel separator蒙古语元音分隔符命令文档未列出U200ELeft-to-right mark左到右标记命令文档未列出U200FRight-to-left mark右到左标记命令文档未列出U2028Line separator换行分隔符命令文档未列出U2029Paragraph separator段落分隔符命令文档未列出实现细节上_remove_watermark_charscontent_scrubber.py#L114-L124对每个字符执行content.replace(char, )——直接删除而非替换为普通空格。源码注释明确解释了原因Dont replace with regular space as it breaks URLs零宽空格常出现在 URL 内部或单词中间若替换为可见空格会把链接切碎。统计数通过处理前后的字符串长度差计算。第二步全量清除 Unicode Cf 类别字符显式清单之外_remove_format_control_charscontent_scrubber.py#L126-L138逐字符调用unicodedata.category(char)将所有属于CfFormat格式控制类别的 Unicode 字符一并移除。这一步是显式清单的超集兜底——即便未来新型水印使用了清单之外的 Cf 字符也能被同一步骤清除。这正是命令文档中 All format-control characters: Unicode category Cf characters 一条的落地实现其独立计数体现在统计报告的 Format-control chars removed 项中。第三步基于上下文的 em-dash 替换AI 生成内容普遍过度使用 em-dash—。_replace_emdashescontent_scrubber.py#L140-L164先用正则捕获每个 em-dash 及其两侧上下文emdash_pattern r([^—]{0,100})—([^—]{0,100})即前后各取最多 100 字符交给决策函数_determine_emdash_replacementcontent_scrubber.py#L166-L229。决策函数实际取before末尾 50 字符与after开头 50 字符作为判断窗口按以下优先级顺序判定替换标点句末前导检查若 em-dash 后紧跟.、!、?之一则直接删除em-dash、保留原有句末标点避免产生 . . 这类冗余。归属/引用模式 → 逗号before以said|wrote|noted|according to|via结尾或after形如 John Smith大写词开头的双词人名模式时替换为,。这对应命令文档的 Attribution 规则Text — Author Name→Text, Author Name。双分句判定分别检测前后 30 字符窗口内是否含 be 动词/助动词is|are|was|were|has|have|had|do|does|did|can|could|will|would|should|may|might。若两侧都含动词视为两个独立分句after以大写开头 → 判定为新句子替换为.对应文档的 Strong Breaks 规则Sentence one — Sentence two→Sentence one. Sentence twoafter以连接副词开头however、therefore、moreover、furthermore、nevertheless、consequently、thus、hence→ 替换为;对应文档的 Conjunctive Adverbs 规则其他双分句情况 → 默认;对应文档的 Independent Clauses 规则First clause — second clause→First clause; second clause。列表/枚举上下文 → 逗号若前后 20 字符窗口内已含逗号替换为,。插入语/解释性内容 → 逗号after以小写开头或after不足 30 字符短旁注替换为,对应文档的 Simple Separation 规则Item — detail→Item, detail。默认兜底 → 逗号。这个先强后弱、逐级降级的规则链保证了替换结果的可预期性同一输入永远得到同一输出也为幂等性打下了基础见后文。第四步AI 机械套话替换模块层扩展命令文档侧重描述隐形字符 标点两类清理而模块实现额外内置了一组针对可见文本的机械措辞替换AI_PHRASE_REPLACEMENTScontent_scrubber.py#L41-L64在scrub()的第四步执行触发模式正则替换结果Its important/worth/crucial/essential to note/mention/highlight/understand/remember/recognize/emphasize that 删除引导短语保留主干In todays fast-paced/digital/modern/ever-changing/rapidly evolving/dynamic landscape/world/era/age/environment整句删除Delve(s/d) into/deeper、Dive(s/d) (deep) intoexploreLeverage(s/d)useUtilize(s/d)use行首 In conclusion, / To summarize,删除Its worth mentioning (that)、It bears mentioning (that)删除At the end of the day删除This comprehensive guide/overview/article/resourcethis guideWithout further ado删除匹配采用re.subn(pattern, replacement, content, flagsre.MULTILINE)命中数计入ai_phrases_replaced统计。此外类中还定义了AI_FILLER_ADVERBS词表moreover、furthermore、additionally、consequently、nevertheless、nonetheless、henceforth、thereby见 content_scrubber.py#L67-L70从源码结构看该词表当前未被任何清洗方法调用属于预留的扩展点。第五步空白归一化_clean_whitespacecontent_scrubber.py#L238-L257执行五条正则逐条对应命令文档 Whitespace Normalization 的四个要点并额外包含一条文件名修复规则正则作用对应文档要点(?!\.) → 单空格连续多空格压缩为单空格.之后的多空格不压缩Multiple Spaces(\w)\s\.\s*(\w)→\1.\2修复 file. png → file.png水印删除可能在扩展名前留下空格文档未单列属实现层防御\s([,;:!?])→\1移除标点前的空格Punctuation Spacing(\w)([.!?])([A-Z])→\1\2 \3句号/叹号/问号后紧跟大写字母时补一个空格前置词字符约束避免误伤 URL、顶级域名与文件扩展名Post-Punctuation Spacing\n{3,}→\n\n3 个及以上连续换行压缩为 2 个Excessive Line Breaks其中后两条体现了清洗不能破坏可见内容的工程约束补空格规则只在词字符 句末标点 大写字母的结构下触发确保example.com、file.pdf这类被水印污染过的片段在修复的同时不会被二次破坏。统计报告、文件写入与内置自检函数式接口命令文档指向的主入口是scrub_filecontent_scrubber.py#L284-L306def scrub_file(file_path: str, output_path: str None, verbose: bool False) - None: with open(file_path, r, encodingutf-8) as f: content f.read() cleaned_content scrub_content(content, verboseverbose) output output_path or file_path with open(output, w, encodingutf-8) as f: f.write(cleaned_content)output_path为None时原地覆盖原文件与命令文档 Original file is overwritten with cleaned content / All changes are applied in-place 的描述一致指定output_path时可写出到新的位置实现非破坏性清洗——这与命令文档最佳实践中 Test on Sample Content: If unsure, scrub a copy first to verify results 的做法直接对应。配套的scrub_content(content, verboseFalse)content_scrubber.py#L260-L281面向纯文本字符串供流水线内部复用。统计报告命令文档定义的输出格式为Content Scrubbing Complete: - Unicode watermarks removed: [count] - Format-control chars removed: [count] - Em-dashes replaced: [count]源码实际输出verboseTrue时在此基础上多一行AI phrases replaced与第四步相对应Content Scrubbing Complete: - Unicode watermarks removed: [count] - Format-control chars removed: [count] - Em-dashes replaced: [count] - AI phrases replaced: [count] Scrubbed content saved to: [output]四个计数项与scrub()中重置的stats键unicode_removed、format_control_removed、emdashes_replaced、ai_phrases_replaced一一对应审查这份报告即可量化本次清洗动了什么。可直接运行的内置自检模块尾部附带__main__自检脚本content_scrubber.py#L309-L329内嵌了含零宽空格、BOM、零宽非连接符、词连接符、软连字符与 em-dash 的测试样本python3 data_sources/modules/content_scrubber.py运行后会先打印原始内容的repr()此时能看见隐形字符的\uXXXX转义形式再执行scrub_content(test_content, verboseTrue)并打印四项统计与清理结果。这是在不改动任何业务文件的前提下验证清洗逻辑的最快方式。幂等性与安全性设计命令文档对清洗过程给出两组关键承诺均可在源码中找到依据。幂等性对同一文件重复执行不产生额外变更因此可以安全地多次运行、嵌入自动化流程、作为无副作用的质量检查。从源码结构看幂等性来自每条规则都是确定性问题状态 → 清理后状态的单向映射Cf 字符与水印字符一经删除即不复存在em-dash 被替换为普通标点后不再匹配—模式空白归一化规则对已归一化的文本再次执行是恒等操作。安全性命令文档声明清洗Never modifies visible content or meaning、Only removes invisible/problematic characters、Preserves all markdown formatting、Maintains document structure。需要指出的边界差异在于第四步的 AI 套话替换确实会改写少量可见措辞如 leverage → use这已超出仅移除隐形字符的字面承诺属于模块层在命令文档口径之外的扩展。若你的内容对可见文字有严格保真要求评估清洗结果时应重点核对ai_phrases_replaced计数与替换后的行文。清洗前后示例命令文档的标准用例命令文档给出的对比样例完整保留了水印形态与替换结果清洗前单词间含零宽空格 U200B两处 em-dashContent marketing is a powerful strategy—businesses can reach global audiences—and convert more customers.清洗后零宽空格被直接删除em-dash 按上下文分别替换为分号与逗号Content marketing is a powerful strategy; businesses can reach global audiences, and convert more customers.这个例子恰好演示了三步流水线的协作第一步删掉不可见字符若替换为普通空格会污染行文第三步把 strategy—businesses双分句替换为;、audiences—andafter 小写且短替换为,第五步收尾保证标点前后空格规范。与写作工作流的集成/scrub在 SEO Machine 的工作流中既支持自动触发也支持手动调用。自动执行命令文档规定在/write或/rewrite命令保存文章文件之后scrubber 应对以下目标自动运行——drafts/目录中的主文章文件以及任何将被发布的内容。结合 QUICK-START.md 的命令序列这使清洗成为 写作 → 优化 → 清洗 → 发布 链路中固定的一环。手动执行的典型场景命令文档归纳的四种测试内容洁净度Testing content cleanliness清洗历史遗留内容Cleaning legacy content处理外部 AI 生成的内容Processing externally generated content验证此前的清洗是否成功Verifying scrubbing was successful发布侧衔接清洗后的稿件最终由/publish-draft [file]经 WordPress REST API 发布CLAUDE.md 说明该流程依赖自定义 MU-pluginwordpress/seo-machine-yoast-rest.php暴露 Yoast SEO 字段。把/scrub放在发布前一步执行可确保进入 WordPress 的内容不含隐形字符残留——这类字符若随正文入库可能在前端渲染、搜索索引与第三方抓取中产生难以排查的异常。质量标准与最佳实践命令文档为清洗产物定义了五项质量标准Every scrubbed file ensuresZero invisible Unicode watermarks零隐形 Unicode 水印Natural punctuation patterns自然的标点模式Clean whitespace formatting干净的空白格式No telltale AI signatures无 AI 特征痕迹Publish-ready cleanliness达到可发布的洁净度并给出五条操作建议发布前必洗把/scrub作为任何内容上线前的最后一步所有 AI 生成内容都要洗即便人工编辑过也要执行查看统计检查四项计数理解本次清洗的具体内容先在副本上验证拿不准时先对副本清洗、比对结果可用output_path参数写出到新位置不覆盖原稿;纳入自动化管线将清洗步骤固化进内容生产工作流避免遗漏。小结/scrub把让 AI 内容读起来像人写的这一模糊诉求拆解成了可审计的五步确定性流水线15 类隐形水印字符的精确删除、Cf 类别的全量兜底、基于 100 字符上下文的 em-dash 标点决策、12 组机械套话的定向替换以及保护 URL 与文件扩展名的空白归一化。四项统计计数、原地或副本两种写回模式、内置自检脚本与幂等性设计共同使它既能作为 Claude Code 工作流中的自动环节也能作为独立的质量检查工具使用。其完整实现约 330 行、零第三方依赖集中在 data_sources/modules/content_scrubber.py命令口径定义在 .claude/commands/scrub.md两者对照阅读即可掌握该功能的全部细节。【免费下载链接】seomachineA specialized Claude Code workspace for creating long-form, SEO-optimized blog content for any business. This system helps you research, write, analyze, and optimize content that ranks well and serves your target audience.项目地址: https://gitcode.com/GitHub_Trending/se/seomachine创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考