这个 Skill 能做什么，适合哪些场景？
Humanizer 是一个开源的 AI 写作「去机器味」技能。它能识别 55 种典型的 AI 写作模式（如套话开头、排比三连、破折号滥用、均匀句长等），用五档语气（casual / professional / technical / warm / blunt）改写文本，并可给出 0-100 的 AI 痕迹评分。它纯粹由 Markdown 指令构成，零依赖、零联网，通过把模式检测与语气注入结合，让改写后的文字读起来像某个具体的人写的。改写遵循严格的护栏：不改引文和代码、不虚构事实、对非母语英语和低句长波动的人类写法保持克制，避免把真人声音「洗」成另一种模板腔。
- 扫描文本，检测 55 类 AI 写作模式，覆盖内容、语言风格、沟通痕迹、填充词、新兴特征与「取证级」模式六大类
- 按 --score 输出 0-100 的 AI 痕迹密度评分（burstiness、词汇黑名单、句长方差等信号加权）
- 按 --voice 选择五种人设之一做全文改写，注入观点、具体细节与句长波动
- 用 --file --mode edit 直接原地编辑 Markdown 文件，只做最小定向修改
- 遮蔽代码块与引用块（--ignore-code / --ignore-quotes），避免误判和误改
- 提供 --iterate 迭代收敛、--aggressive 强改、--purpose 按文体分层等选项
- 写博客 / README / LinkedIn 帖子的人：发布前让文字读起来像真人写的，而不是像 ChatGPT 生成的
- 内容审校者：用 detect 模式审计一份文档，拿到逐条模式报告和 0-100 评分，先量化再动手
- 技术写作者：对 API 文档和 README 用 technical 语气改写，保留术语精确性，去掉「delve」「robust」式套话
- 高频发文的自媒体作者：用 --openings 生成多个差异化开头钩子，选最强的那个
- 团队品牌维护者：在项目根目录放 humanizer-context.md，注入品牌语料和禁用词，让改写贴合品牌声音
- 长期写作用户：把核心规则写进 CLAUDE.md / SOUL.md，让 agent 平时就用干净文风写作，而不是等调用
- 想伪造「人写的」身份去通过学校或平台的 AI 检测以掩盖真实 AI 生成的学术或合规文本——本技能定位是改进写作，README 明确说目标是写得更好，不是骗过检测器
- 对源代码、配置文件、结构化数据（.js/./.yaml 等）做改写——edit 模式会明确拒绝非散文目标
- 依赖联网 API 或第三方服务的场景——本技能完全本地运行，不提供任何在线检测或云端改写
如何安装这个 Skill？
- --mode edit 会原地修改文件，使用前建议自行备份；skill 未内置确认或回滚机制。
- 0-100 分数是启发式信号而非判定：作者自己引用研究表明专业人类判别接近抛硬币，且对非母语写作者和神经多样性作者存在系统性误报风险，勿用于对个人写作的自动化评判或考核。
- 中文附录（ZH1-ZH15）为实验性草稿，未经母语校验，中文场景效果不保证；ZH13/ZH14 为未验证假设。
- 发布者身份未经核实，模式目录会随模型对齐策略漂移而退化（作者已自述），需关注仓库更新。
- 本次为静态审阅，未执行任何代码；evals 为手动测试，触发准确性依模型而异。
- 本地文件系统
Node.js (optional, only for the standalone metrics CLI)
三种安装路线，按你的 agent 环境选择：
Claude Code（插件市场）
claude plugin marketplace add Aboudjem/10x
claude plugin install humanizer@10x任意支持 Agent Skills 的编辑器（70+，如 Cursor、Codex、Copilot、Gemini CLI）
npx skills add Aboudjem/humanizer-skill手动安装（curl，项目内 .claude/skills 目录）
mkdir -p .claude/skills/humanizer && curl -sL https://raw.githubusercontent.com/Aboudjem/humanizer-skill/main/skills/humanizer/SKILL.md -o .claude/skills/humanizer/SKILL.md其他编辑器把目录换成 .cursor/skills/、.codex/skills/、.gemini/skills/ 等；全局安装用 ~/.claude/skills/。可选的评分 CLI 需要 Node.js，仓库另有 pre-commit 钩子和 CI 退出码文档。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- humanize this: [粘贴一段 AI 味很浓的博客草稿]，用 casual 语气改写
- make this sound less AI --file draft.md --score，先给我 0-100 评分再改
- does this read like ChatGPT? 只检测不改，列出命中模式和修改建议
- 去掉这篇 README 的 AI 味，保留所有数字和代码块不动，用 technical 语气
在 Claude Code 或其他支持 Agent Skills 的 agent 里，用自然语言触发（如 "humanize this"、"make this sound less AI"）或直接调用 /humanizer 命令。流程是：解析参数 → 检测 55 种模式 → 应用语气与改写技巧 → 按模式输出结果。三种模式：detect（只报告不改）、rewrite（默认，全文改写）、edit（原地最小修改）。常用参数：--voice casual|professional|technical|warm|blunt 选语气，--file 指定文件，--score 加评分头，--iterate N 循环检测-改写直到收敛（最多 3 次），--aggressive 重改，--purpose essay|email|marketing|technical|general 按文体分层规则，--ignore-code / --ignore-quotes 遮蔽代码和引用。可选的 Node CLI 提供 score（逐信号评分细分）和 compare --check-facts（校验改写未丢数字、URL、日期等事实）命令，适用于 CI / pre-commit 门禁。
这个 Skill 有哪些优点和局限？
- 55 个模式逐条有触发词列表和前后对照示例，可解释性强，不是黑盒打分
- 零依赖、零联网、纯 Markdown，README 明确承诺无遥测、无账号、无 API key，隐私友好
- 改写有明确的「不虚构」护栏：Concretizer 只用原文已有或暗示的细节，缺了就标记或问作者
- 误报防护细致：不孤立看单个 em dash，不把完美语法、非母语英语、神经多样性作者的低句长波动当 AI 证据
- 可选 fact-check（compare --check-facts）能在改写丢失数字、百分比、URL、日期时直接报错，CI 友好
- 0-100 评分是启发式信号组合（burstiness、词汇密度、三元组重复等），可复现但不是语义判断，自我评分在同一会话里倾向虚高，仓库自己也提示把它当信号而非结论
- em dash 零容忍（P13）、强制消除 em dash 的策略对习惯用破折号的作者可能显得过于激进
- 中文支持是「provisional」（初步版本，references/patterns.zh.md），模式库主体为英文写作，中文效果未经验证
- 模式判定依赖启发式和社区观察（如分号连用是 LOW-MEDIUM 置信度），部分规则缺乏对照研究支撑
- 改写质量仍取决于底层 LLM；技能只提供规则和流程，不提供模型本身
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Humanizer —— AI 痕迹清除与人性化改写技能 本页 | 67 · 推荐 | ★ 282 | 1 个月前 | MIT |
| 说人话：中文去 AI 味改写 Skill | 65 · 推荐 | ★ 2.1k | 25 天前 | MIT |
| HumanAI 文本人性化引擎 | 52 · 谨慎使用 | ★ 38 | 3 个月前 | MIT |
| FLOW 博客工作流 | 52 · 谨慎使用 | ★ 2.4k | 11 天前 | MIT |
| GEO 内容引用优化器 | 52 · 谨慎使用 | ★ 3k | 11 天前 | Apache-2.0 |
README 明确把核心模式目录（P1-P30）的来源标注为 Wikipedia 的 Signs of AI writing（CC BY-SA），并引用 Liang et al. (arXiv:2304.02819) 作为「检测器对非母语英语误报」的依据。与通用 AI 检测器（如 GPTZero 类工具）相比，它不是联网概率模型，而是可解释的规则库加本地启发式评分，且附带改写能力——检测器只告诉你「像 AI」，这个技能同时告诉你哪里像、为什么像、怎么改。README 未提及具体同类竞品。
FollowSkills 如何评估这个 Skill？
证据显示：纯 Markdown、allowed-tools 限于 Read/Write/Edit/Grep/Glob/AskUserQuestion、声明零依赖零网络、SECURITY.md 明确数据流与威胁模型（提示注入）、无隐蔽外传。扣分：--mode edit 直接原地改写用户文件，未强制要求显式确认或备份/回滚路径；humanizer-context.md 自动加载属.opt-in 但仍读取项目文件。未达满分。
证据显示：参数解析、模式、标志定义自洽，evals. 覆盖触发与不触发案例，CLI 有 node --test 测试。扣分：静态审阅下限 10；提交的 SKILL.md 文本在 P50 处疑似截断，且 CI 校验的 'Voice Profiles'/'Soul Injection' 章节在提供的 SKILL.md 中不可见，存在自洽性疑点；evals 为手动运行，无自动触发测试；改写质量依赖模型，失败反馈路径未经验证。
证据显示：触发短语明确、有 should_trigger=false 反例、误报护栏详尽（引语/代码/神经多样性/非母语写作者）、本地运行无网络依赖。扣分：中文支持为实验性附录，作者自述未经母语校验、burstiness/perplexity 不可直接迁移中文，ZH13/ZH14 为未验证假设；--score 判定标准的可复现细节在 skill 文件层面较薄。
证据显示：分层文档（SKILL.md 主文件 + references 按需加载）、MIT LICENSE、CHANGELOG/FAQ/SECURITY/CONTRIBUTING 由 CI 强制存在、provenance 引用 Wikipedia/HC3/arXiv、known-limitation 章节诚实披露。扣分：发布者身份未经核实，维护责任与更新路径仅依赖个人仓库；CI 与提供的 SKILL.md 内容存在轻微不一致（章节 grep 目标不可见）。
证据显示：55 模式含 34 组前后对比、三个完整实战示例（技术/博客/LinkedIn）、CLI compare --check-facts 提供事实丢失检查，'不发明事实'原则明确。扣分：静态上限 7；改写质量与 0-100 分数的实际效果未经执行验证，模式的查准/查全无量化证据。
证据显示：多处可审计来源（Wikipedia、arXiv 2301.07597、2304.02819、HackerNews 线程）、对 Wikipedia 指南的逐条覆盖映射、Honest limits 章节主动披露来源本身的可信度争议、许可合规说明（HC3 CC-BY-SA）。扣分：静态上限 5；所有科学声明（HC3 统计、ACL 2026 研究）均未独立复现，AI 分数的行为仅由 CLI 测试间接固定。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →