云语法检查器会存储你的草稿。靠谱的替代是两层：LanguageTool 管确定性规则错误，本地 LLM 管语气和重构建议，全部留在自己磁盘上。

📜 目录

• 一、为什么必须分两层
• 二、第一层：LanguageTool 本地跑
• 三、第二层：本地模型管风格
• 四、一条脚本串起来
• 五、怎么判断值不值得换
• 常见问题

AI语法检查器：LanguageTool + 本地LLM私密写作

在线语法检查器的商业模式，决定了它必须读你的文本。你粘贴进去的合同草稿、还没发表的文章、内部报告，都经过它的服务器。条款里通常允许"为改进服务处理内容"，这句授权足够让在意隐私的人不舒服。

替代方案不是找一个更讲道德的云服务，而是把检查拆成两层放在本地：规则引擎管确定性错误，语言模型管风格判断。

一、为什么必须分两层

一层做不完这件事，原因是两类错误的性质完全不同。

规则引擎的强项是"确定"，它不会发明一条不存在的规则；弱点是不会看上下文，遇到故意打破规则的修辞就误报。语言模型正相反：能读懂意图，但会一本正经地给出不存在的修改理由。

把二者当队友而不是互相替代，误报和漏报同时下降。

二、第一层：LanguageTool 本地跑

LanguageTool 是开源语法检查器，支持二十多种语言，核心版可以完全离线运行。两种部署方式：

方式 A：桌面应用。下载后本地运行，界面里粘贴文本即可，最省事，适合偶尔用。

方式 B：本地 HTTP 服务。适合集成进自己的脚本或编辑器。

# 下载语言包与服务器 jar 后
java -jar languagetool-server.jar --port 8081 --allow-origin

调用：

curl -s --data-urlencode "text=这是一句有错别字的句字。" \
  --data "language=zh-CN" http://127.0.0.1:8081/v2/check

返回的 JSON 里，每条 matches 带 offset、length、message、replacements，直接可以用来做替换建议。

中文检查要单独装中文规则包，默认发行版对中文的覆盖比英文弱，这点要有预期：它抓错别字和标点很准，抓句式问题不行。

三、第二层：本地模型管风格

用 Ollama 起一个本地模型，把规则引擎标出的问题，连同"规则抓不到的部分"一起交给它。

ollama pull qwen2.5:7b-instruct

提示词的关键是约束范围。不加约束的模型会把整段重写一遍，你拿到的是一篇不像自己写的东西。

你是文字编辑。只做三件事：
1. 指出句子过长（超过40字）的位置，并给出拆分建议
2. 指出语气过于生硬或过于客套的句子
3. 指出前后不一致的用词（同一概念用了不同说法）

不要改写全文，不要替换作者的措辞习惯。
输出格式：每条一行，"原文片段 → 问题 → 建议"，最多10条。

"不要改写全文"这句必须写。模型默认倾向于"帮你写得更好"，而好编辑的标准是保留作者的声音。

四、一条脚本串起来

import requests, json

def check(text: str) -> dict:
    r = requests.post("http://127.0.0.1:8081/v2/check",
                      data={"text": text, "language": "zh-CN"}, timeout=20)
    rule_hits = r.json().get("matches", [])
    prompt = BUILD_PROMPT.format(text=text)
    s = requests.post("http://127.0.0.1:11434/api/generate",
                      json={"model": "qwen2.5:7b-instruct", "prompt": prompt,
                            "stream": False}, timeout=180)
    return {"rules": rule_hits, "style": s.json().get("response", "")}

审稿时的用法：先看规则命中，能机改的直接改；再看风格建议，逐条判断要不要接受。全部本地，不联网。

五、怎么判断值不值得换

三个维度自测：

• 你的文本敏感吗？合同、未发表稿件、内部战略文档，只要有一类，本地就值得。
• 你写英文还是中文？英文场景 LanguageTool 覆盖很成熟，中文场景规则层较弱，模型层的比重会更大。
• 你能接受多少误报？规则引擎误报低但漏报多，模型相反。两个一起用，你仍然要人工过一遍。

成本对照很简单：云服务是订阅费换省心；本地方案是零订阅费、一次性配置时间、加一点电费。

常见问题

Q：本地模型的中文润色能力够吗？ A：七到十四B的开源中文模型，做句子级的问题指出已经够用；整篇重写的质量还比不上顶级闭源模型。这也是为什么方案设计成"提建议"而不是"代写"。

Q：LanguageTool 中文规则太少怎么办？ A：可以自己加规则。它对自定义词表和正则规则支持不错，把常犯的错误（行业术语误写、固定搭配）写成规则，比等官方更新快。

Q：需要什么硬件？ A：七B模型量化后在普通消费级显卡或十六G内存的机器上能跑，速度够审稿用。纯CPU也能跑，就是等得久一点。

Q：能接进 Word 或编辑器吗？ A：LanguageTool 有浏览器扩展和编辑器插件，可以指向本地服务地址。语言模型的建议目前多半要自己写脚本串，或者用支持自定义端点的写作工具。

注：LanguageTool 的端口、参数与中文规则覆盖随版本变化，具体以官方文档为准。