Humanizer：AI 痕迹检测与人性化改写
免费开源的 AI 写作去痕工具：识别 55 种 AI 写作模式、提供 5 种人格化语气，给出 0-100 分 AI 痕迹评分，全程本地运行，数据不出你的机器。
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。
- --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。
这个 Skill 能做什么，适合哪些场景？
Humanizer 是一个纯 Markdown 的 Agent Skill，专门解决 AI 生成文本读起来像聊天机器人的问题。它扫描 55 种已知的 AI 写作模式（如意义拔高、套话词汇、均匀句长），给出 0-100 的痕迹密度评分，并按 casual、professional、technical、warm、blunt 五种语气之一重写文本。改写遵循严格的护栏：不虚构事实、不改动引用与代码、保护真实的人类写作特征。项目自带一个无依赖的 Node CLI，可计算确定性指标并输出 CI 可用的退出码。
读取用户提供的文本或 Markdown 文件，运行三种模式：detect（扫描并报告命中的模式及 0-100 评分，不改写）、rewrite（按选定语气全文重写）、edit（用编辑工具对文件做最小幅度的就地修改）。检测覆盖 P1-P55 共 55 种模式，包括 AI 高频词汇分级清单、em dash 滥用、句长均匀度（burstiness）、Unicode 混淆字符等。重写后可加 [Score: NN/100] 评分头，支持 --iterate 循环检测至收敛、--purpose 按文体叠加规则、--ignore-code/--ignore-quotes 屏蔽代码块与引用。附带 CLI 的 score 命令输出词汇密度、三元组重复、burstiness、词汇多样性四项信号分解，compare --check-facts 会核对改写是否丢失数字、URL、日期等事实。
- 博主或技术作者：发布博客、README 或 LinkedIn 帖子前，把读起来像 ChatGPT 输出的草稿改写成有个人风格的文章
- 技术写作者：用 --mode edit 对仓库里的 Markdown 文档做就地清理，保留原有事实和代码块
- 内容审核者：用 detect 模式和 --score 给稿件打 AI 痕迹分，发布前量化风险
- 工程团队：用 CLI 的 score 和 compare 命令接入 CI 或 pre-commit hook，只对暂存文件把关
- 中文写作者：参照自带的原生中文附录（patterns.zh.md）处理中文文本的 AI 痕迹
- 品牌内容团队：在项目根目录放 humanizer-context.md，注入品牌语料和禁用词表，统一团队文风
这个 Skill 有哪些优点和局限？
- 零依赖、零网络调用、无遥测，单个 Markdown 文件即可运行，隐私完全本地
- 55 种模式 + 四级置信度词汇分层，明确要求只在成簇出现时才标记，降低误报
- 内置护栏保护真实人类写作特征：引用、代码、专有名词不被改写，明确不虚构事实
- CLI 提供可复现的四信号评分分解和 CI 退出码，64 个测试固定其行为
- 兼容 70+ Agent，通过 skills CLI 一行安装，核心是纯 Markdown 与所用模型无关
- 明确承认检测器对非母语英语和低句长变化的写作者有误报，并有对应防护条款
- 0-100 评分是启发式信号而非判定，自评自己会话内的输出会偏高，作者本人也提醒不要当作结论
- 可选 CLI 需要 Node.js；不用 CLI 则纯靠模型执行检测，跨模型表现可能不一致
- 中文支持仅为临时性附录（patterns.zh.md），主目录以英文写作为准
- 纯提示词工程，无微调模型，检测精度受底层模型能力限制
- rewrite 模式的重写质量没有独立的自动化事实核查（需手动跑 compare --check-facts）
如何安装这个 Skill？
三种方式任选：1) Claude Code 插件市场：claude plugin marketplace add Aboudjem/10x 然后 claude plugin install humanizer@10x；2) 70+ 其他 Agent 用 skills CLI：npx skills add Aboudjem/humanizer-skill（加 -a cursor 等可指定单一 Agent）；3) 手动 curl：创建 .claude/skills/humanizer/ 目录，下载仓库中的 skills/humanizer/SKILL.md 放入即可，其他编辑器换用 .cursor/skills/、.github/skills/（Copilot）、.codex/skills/、.gemini/skills/ 等路径，全局安装用 ~/.claude/skills/。
如何使用这个 Skill？
在编辑器中输入斜杠命令并带参数，例如：/humanizer --file draft.md --voice technical（读取文件并按 technical 语气重写）；/humanizer "你的文本" --mode detect --score（仅检测并输出评分报告）；/humanizer --file doc.md --mode edit --ignore-code（就地编辑，屏蔽代码块）。也可以直接用自然语言触发，如 "humanize this"、"make this sound less AI"、"remove AI tells"。评分用 node cli/index.js score <file>，事实核对用 node cli/index.js compare --before <file> --after <file> --check-facts。