HumanAI 文本人性化引擎
把明显带有机器味的 AI 生成文本改写成读起来像人写的，覆盖 9 种语言，通过五阶段流水线逐段清除 AI 痕迹。
纯文本技能，无脚本执行、无凭据访问、无网络外发；README 明确伦理规则（[VERIFY] 标记、不改写法律/医疗文本、声明所有更改）。扣分：SKILL.md 引导 LLM 通过 GitHub raw URL 拉取外部内容，数据流有一定不透明性；无显式的用户确认机制。
指令内部大体自洽，KNOWN_LIMITATIONS 主动披露 LLM 计数不可靠、输出不确定、自评偏差等，失败反馈意识好。扣分：SKILL.md 被截断（Stage 2 未完整），依赖 shared/ 文件与 GitHub raw URL 可用性；无执行证据，静态评审上限为 10。
场景（15 个剧本）、7 种语气、边界（短文本、法律/医疗、诗歌）和触发条件（pre-flight 守卫）描述清晰。扣分：未声明中文支持，9 种语言不含中文；pre-flight 启发式评分的精确性仅有承诺、无验证数据。
有 MIT LICENSE、CHANGELOG、双语 README、架构图、CONTRIBUTING、KNOWN_LIMITATIONS，分层良好。扣分：版本信号冲突——SKILL.md/README 自称 v4.0 而 CHANGELOG 仅到 v3.0；PLAN.md 日期为 2026-07-12（未来日期）；仓库内引用的 raw 链接指向 'Natural-skill' 而仓库名为 HumanAI，维护责任与更新路径依赖未验证的个人发布者。
README 给出输入/输出示例，管线设计具体（specificity ladder、skip 政策），核心任务概念上可完成。扣分：纯提示词技能，效果完全依赖底层 LLM，静态评审无执行证据，self-eval 分数（如 94/100）属自评，按校准上限 7 以下计。
存在 CI 工作流（validate.yml）、tests/benchmark 目录、ZeroGPT 外部验证设计，可审计材料较充分。扣分：本次评审未见实际测试内容与运行结果（zerogpt-results. 未提供），CI 仅检查文件存在性而非质量，静态评审上限 5，扣至 4。
- 该技能支持 9 种语言但不含中文，且未声明中文输出质量，中文用户需自行评估。
- SKILL.md 引导 LLM 抓取 GitHub raw URL 获取扩展数据；在中国大陆网络环境下 raw.githubusercontent.com 可能不可达，深度模式可能失效。
- 效果完全依赖底层 LLM 且无确定性保证；作者自己在 KNOWN_LIMITATIONS 中承认自评分数不可作为独立验证。
- 版本信号混乱（v3.0 vs v4.0），且外部链接指向另一仓库名（Natural-skill），使用前请核对实际文件可用性。
- 外部验证依赖 ZeroGPT API（境外服务），需自备 API key，且该服务对输出质量的判断本身存在争议。
这个 Skill 能做什么，适合哪些场景？
HUMAN-AI 是一个可直接加载到任何大模型系统提示词中的技能（版本 4.0，MIT 许可）。它针对「读起来像 AI 写的」文本，按「预检 → 清理 → 具体化 → 语气 → 节奏 → 校对」的顺序处理：先估算 AI 概率并识别语言，再删除开场套话、高频滥用词、假过渡和结论复读，然后用具体细节替换抽象说法，设定 7 种语气之一，打破整齐划一的句式节奏，最后做残留扫描。支持英语、俄语、乌克兰语、德语、法语、西班牙语、葡萄牙语、意大利语、波兰语，每种语言都有专属的 AI 标记与烧词清单。SKILL.md 自包含全部核心规则，可独立使用；仓库还附带 15 个场景手册、示例库和可选的外部 ZeroGPT 验证脚本。
运行时它读取待改写文本，先做预检：识别主语言（置信度低于 70% 时要求用户指定），用打分表估算 AI 概率（低于 20 且无其他标记则直接停止并只输出诊断）。然后依次执行五个阶段：清理阶段按 9 语言对照表删除套话开场、结论复读、烧词、假过渡、对冲语、假平衡、空洞强调词和修辞问句，统一替换长破折号；具体化阶段用「具体化阶梯」（0 级抽象到 4 级给出后果）把模糊说法升级为带机制和数字的表述，无法核实的数字必须打 [VERIFY] 标记，且禁止编造事实；语气阶段从 expert/biz/human/social/landing/article/case 七个档案中选一并结合各语言文化矩阵调整；节奏阶段按从句数控制句长、轮换句首结构、打破对称段落；校对阶段做逐语言残留检查并输出带 [PIPELINE] 头、质量分和变更日志的成稿。可选脚本通过 PowerShell/Bash 调用 ZeroGPT API 做独立检测评分。
- 内容营销人员拿到一份明显是 AI 生成的博客草稿或 SEO 文章，需要让它读起来像人写、降低被 AI 检测工具标记的概率
- 跨境电商或本地化团队把俄语/乌克兰语文案转成德语、法语等，需要去除「翻译腔」让文字像母语写作（translation-fix 场景）
- 独立开发者在 Claude Code 或 OpenCode 中把它作为技能安装，批量清洗落地页、邮件、新闻稿等商业文案
- B2B 写手想给产品案例研究加上可信的具体数字和「第一次尝试失败了」的叙事结构（case 语气）
- 团队只想诊断不重写：用 Audit 模式扫描一段文本，列出所有 AI 模式供人工修改
- 自媒体运营需要把 LinkedIn / Twitter 帖子改成短句、碎片化的滚动阅读风格（social 语气）
这个 Skill 有哪些优点和局限？
- SKILL.md 完全自包含，任何支持系统提示词的 LLM 都能用，不锁定某个平台
- 9 种语言各有专属的 AI 标记、烧词表和文化规范（如乌克兰语去俄语化、德语去名词化风格），不是同一套英文规则的机械翻译
- 伦理约束明确：禁止编造事实和统计数据，可疑数字必须打 [VERIFY]，不重写法律/医疗/安全关键文本
- 提供三层质量验证：内置质量分、EVAL.md 独立评估提示词、可选 ZeroGPT API 外部检测
- 与同作者的 RankWise（SEO）和 MindFluence（认知偏差营销）技能有明确的联合流水线协议，处理 SEO 内容时保留标题结构和关键词密度
- 「降低 AI 检测器命中率」没有公开的、系统性的检测器对比数据，仓库仅提供可选的 ZeroGPT 单一第三方基准，且需自备 API key
- 外部验证和完整性脚本依赖 PowerShell 或 Bash，非纯提示词环境需要额外配置
- 重写质量高度依赖底层模型对密集规则表的遵循能力，弱模型可能漏删或误删
- 具体化阶段允许模型生成「领域典型细节」的示例数字，即使有 [VERIFY] 标记，使用者仍需逐条核实，存在事实风险
- 对 100 词以下的短文本预检评分被明确视为不可靠，直接跳过诊断
- shared/ 中的完整烧词表、语气档案、文化矩阵等文件未在源材料中展开，独立使用者只能看到 SKILL.md 内嵌的 top-15 清单
如何安装这个 Skill？
三种方式：1) OpenCode：把仓库目录复制到项目 .opencode/skills/ 或全局 ~/.config/opencode/skills/；2) Claude Code：复制到 ~/.claude/skills/；3) 任意 LLM 独立使用：把 SKILL.md 全文粘贴为系统提示词，SKILL.md 自包含完整流水线；如需更丰富的分语言细节，再补充 shared/ 目录下的文件。可选：设置环境变量 ZEROGPT_API_KEY 以运行 scripts/ 下的外部检测基准脚本。文档未说明 Windows 特定安装步骤或依赖版本。
如何使用这个 Skill？
安装后直接用自然语言下达任务。完整流水线：「Rewrite this text to sound human. Language: ru.」；指定场景：「Rewrite this as a landing page. DE.」；只跑单个阶段：「Just clean the AI patterns from this.」；只审计不重写：「Tell me what's wrong with this. Don't rewrite.」；翻译腔修复：「This was translated from Russian to English. Make it sound native.」。输出包含语言、语气、流水线阶段声明、质量分和变更日志。
这个 Skill 与同类方案有什么区别？
源材料没有直接命名外部竞品，但明确了同一作者生态中的两个互补技能：RankWise 负责 SEO 结构，MindFluence 负责认知偏差说服文案，HUMAN-AI 专责人声化收尾，三者可串联为「RankWise → MindFluence → HumanAI」三段流水线。选择依据：如果你只需要给人声化，单独用本技能即可；如果要完整的 SEO 或营销文案生产链路，应组合使用。