Academic Humanizer 学术去AI味编辑
去除论文与基金申请书中AI写作痕迹，在保留学术语体与作者个人风格的同时，把每个论断锚定到证据。
SKILL.md 声明了最小工具集（Read/Write/Edit/Grep/Glob/AskUserQuestion），采用先审计后改写的流程并输出变更报告，README 明确伦理边界（不改数字/引用、不用于规避 AI 披露），数据流基本透明；扣分项：对写入操作无显式用户确认要求、无回滚机制说明、出版方身份未经验证。
指令结构自洽：六层流程、审计→改写→报告闭环、保留规则与改写规则相互不冲突，示例覆盖主要模式；扣分项：无测试、异常输入（如无作者样本、非英文稿件、格式异常文件）的处理与失败反馈薄弱，关键路径仅静态可读、未经验证，故不超过 10。
适用与非适用边界清晰（学术论文与 NSF/NIH 申请，不用于博客/营销），触发描述明确，NSF/NIH 结构知识具体；扣分项：仅面向英文写作，无中文支持说明，对中文用户场景适用性受限，环境适配未声明。
文档分层良好（frontmatter、分层正文、README、示例、上游致谢、MIT 许可证与署名），渐进披露合理；扣分项：SKILL.md 版本 0.3.3 与 README 徽章 0.3.2 不一致，无变更日志，维护者与更新路径不明，license 元数据为 NOASSERTION。
核心任务（去除 AI 痕迹、保留学术规范、声明-证据对齐）路径明确且前后对照示例具体，边际价值清楚（区别于通用 humanizer）；扣分项：无实际执行或第三方验证，输出质量依赖模型遵循，示例文件（examples/before-after.md）未在本次审查中提供。
有可审计的一手材料：分层规则、before/after 示例、上游项目致谢（blader/humanizer、ARMS）、NSF/NIH 官方参考链接，声明与推断区分清楚；扣分项：无测试套件、无 CI、无独立可复现结果，证据类型单一，静态上限为 5。
- 本评估为纯静态源码审查，未执行任何技能指令，置信度低。
- SKILL.md 版本 0.3.3 与 README 徽章 0.3.2 不一致，且无变更日志，使用者应注意版本治理缺口。
- 仓库许可证元数据为 NOASSERTION，但 LICENSE 文件为 MIT；建议核实发布渠道的许可标注。
- 改写会直接修改用户稿件文件，技能未要求改写前确认或提供回滚说明；建议先在副本上运行。
- 技能仅面向英文学术写作，无中文支持；核心功能不依赖海外网络服务，可在中国大陆网络环境离线使用。
- 无测试与 CI 证据，效果声明（保留所有数字与引用）仅由指令约束保证，应在使用后人工核对。
这个 Skill 能做什么，适合哪些场景？
Academic Humanizer 是一个面向学术论文和基金申请（NSF/NIH）的编辑型 Agent Skill，用于清理 AI 辅助草稿中的通用套话、夸大措辞和超长句式。它分六层工作：通用 AI 痕迹清单、学术特有痕迹、保留合法学术惯例、论断与证据匹配、作者声音与期刊风格校准，以及专门针对 NSF/NIH 申请书的申请模式。它承诺绝不改动任何数字、结果或引用，也不用于规避 AI 使用披露。适合需要用 AI 起草但又不想让稿件显得千篇一律的研究者。
读取稿件（论文各节、摘要、rebuttal 或 NSF Project Summary / NIH Specific Aims）及可选的作者过往论文样本；先审计列出每处检测到的模式及其位置，再按六层规则重写；每条经验性论断检查是否有数字、图表或引用支撑，动词强度是否匹配证据；申请模式下额外执行论断与可行性匹配。输出干净文本和简短变更报告（删除的模式类型、软化或补证据的论断、语体备注），并保证结构覆盖完整。
- 投稿前的博士/博士后：用 AI 起草了论文章节，需去掉 'paves the way'、'delve' 等痕迹并使论断与表格数据匹配
- 准备 NSF CAREER 申请的教师：需要按照 Overview / Intellectual Merit / Broader Impacts 三段结构打磨一页 Project Summary
- 撰写 NIH R01 Specific Aims 页的申请人：需要检查中央假设是否可证伪、各 Aim 是否平行独立
- 帮导师润色 rebuttal 的学生：希望保留礼貌而审慎的措辞，只清除 AI 套话
- 想统一团队写作风格的 PI：把自己已发表的论文作为声音样本，让编辑结果贴近自己的风格
这个 Skill 有哪些优点和局限？
- 六层规则覆盖从通用 AI 痕迹到 NSF/NIH 结构的完整编辑流程，含大量真实改写示例（含一份已获资助的 NSF CAREER 摘要）
- 明确保留合法学术惯例（校准性模糊措辞、被动语态、'we'、定义与符号），避免通用去味工具把精度一并抹平
- 严格不改数字、公式、引用，并对每条论断执行证据匹配
- 开源 MIT，规则鼓励用户针对自己的声音和领域 fork 定制
- 编辑质量依赖 AI 对作者风格的判断，声音匹配没有自动化评测
- 仓库 license 字段为 NOASSERTION（README/SKILL.md 声称 MIT），许可信息需自行确认
- 规则反映某一研究组的写作偏好，未必适合所有学科或非英语写作
- 申请写作部分基于 NSF PAPPG 和 NIH 指南的稳定结构，具体页数与格式要求仍需查官方最新文件
- 无自动化测试套件，效果靠示例展示而非基准
如何安装这个 Skill？
git clone https://github.com/AIScientists-Dev/academic-humanizer ~/.claude/skills/academic-humanizer —— 这是纯 SKILL.md 加示例文件的形态，Claude Code 会自动识别；Codex 和 MorphMind 用户可把 SKILL.md 作为 skill 或系统提示词直接使用。
如何使用这个 Skill？
在 Claude Code 中输入：/academic-humanizer，然后粘贴某一段落或指向 main.tex；可选附加指令如 "match my voice from prior_paper.pdf; target venue: ICLR"。技能会先输出审计清单再重写，最后附变更报告。
这个 Skill 与同类方案有什么区别？
与 blader/humanizer（MIT，面向博客和日常文本的通用 AI 痕迹去除）相比，本技能复用其第一层清单但专为学术文本扩展了证据纪律与申请模式；与 koaeraser/ARMS（自动化统计/方法论文全流程管线）相比，本技能是更窄的单一编辑环节。