Humanizer Skill: Der vollständige Leitfaden zu blader/humanizer für Claude Code

Die meisten Beiträge zum Thema “KI-Texte vermenschlichen” sind SEO-Köder für Paraphrasierungs-Tools, die versprechen, Detektoren auszutricksen. Dieser hier ist anders. blader/humanizer ist ein kleiner Open-Source-Skill, der auf einem Wikipedia-Leitfaden basiert, den Freiwillige tatsächlich nutzen, um KI-Müll zu bereinigen. Er läuft direkt in Claude Code oder OpenCode, ganz ohne Drittanbieter-Dienste. Wir interessieren uns dafür, was er tatsächlich tut, was er nicht kann und was seine 29 Regeln darüber lehren, wie sich KI-Texte verraten.

1. Was es ist, in einem Satz

blader/humanizer ist ein unter der MIT-Lizenz stehender Skill für Claude Code und OpenCode, der 29 Muster KI-generierter Texte aus dem Wikipedia-Leitfaden Signs of AI writing erkennt und diese umschreibt, inklusive eines optionalen Schritts zur Stimmenkalibrierung und einer integrierten zweistufigen Prüfung.

Das ist das gesamte Repository. Eine SKILL.md Datei. Keine Binärdateien, keine Modelle, keine API. Die Agent-Runtime erledigt die eigentliche Arbeit. Das Repo ist das Regelwerk.

2. Warum es existiert

Wikipedia-Editoren haben ein Problem. Seit Ende 2022 tauchen Entwürfe und Bearbeitungen auf, testament, landscape, tapestry, und vibrant tauchten in Artikeln auf, WikiProject AI Cleanup gebildet, um das Volumen zu bewältigen, Wikipedia: Anzeichen für KI-generierte Texte Leitfaden, ein langer, geduldiger Katalog der Dinge,

blader hat diesen Katalog genommen und in eine Skill verwandelt. Das Konzept ist direkt: Text einfügen,

Es gibt auch eine leisere Motivation. Redakteure und Autoren wollen keinen Detektor. Sie

3. Mentales Modell: Fünf Kategorien

The 29 patterns split cleanly into five buckets. If you remember the buckets, you can spot the type of problem before you spot the specific rule.

Die fünf Kategorien entsprechen in etwa dem, was der Text behauptet, wie er die Behauptung formuliert, wie er die Behauptung visuell darstellt, Rückstände aus der Chat-Oberfläche, und zusätzliche Wörter, die inhaltlich nicht notwendig waren. Die meisten KI-klingenden Absätze treffen auf zwei oder drei Kategorien gleichzeitig zu.

4. Kleinstes End-to-End-Beispiel

Hier ist der kürzeste Weg von einem rohen, KI-generierten Absatz zu einem menschlich wirkenden Ergebnis, genau so, wie eine typische Sitzung aussieht.

Eingefügter Text:

/humanizer

AI-assisted coding serves as an enduring testament to the transformative
potential of large language models, marking a pivotal moment in the
evolution of software development. In today's rapidly evolving
technological landscape, these groundbreaking tools are reshaping how
engineers ideate, iterate, and deliver, underscoring their vital role
in modern workflows.

Entwurf der Überarbeitung durch den Agenten:

AI coding assistants speed up some tasks. They are good at boilerplate:
config files, test scaffolding, repetitive refactors. They are bad at
knowing when they are wrong. The productivity claims are mixed.

Was macht das Folgende so offensichtlich KI-generiert?

- Rhythm is still slightly too even.
- "The productivity claims are mixed" is a hedge with no specifics.
- No first-person voice yet, no opinion.

Finale Überarbeitung nach dem zweiten Durchgang:

AI coding assistants can speed up the boring parts of the job. Not
architecture. Not the parts where you actually have to think.

They are great at boilerplate, especially the glue code you don't want
to write yourself. They are also great at sounding right while being
wrong, which is the part that scares me. I have accepted suggestions
that compiled, passed lint, and still missed the point because I stopped
paying attention.

If you have tests, this is fine. If you don't, you are mostly judging
vibes.

Zwei Durchgänge, kein Modellwechsel, keine externe API. Die Regeln erledigen die Arbeit, wobei der Agent sowohl als Editor als auch als Selbstprüfer fungiert.

5. Installation

Der Skill besteht aus einer einzigen Markdown-Datei. Es gibt keinen Kompilierungsschritt und keinen Abhängigkeitsbaum. Beide Tools erkennen sie, sobald das Verzeichnis existiert.

Claude Code:

mkdir -p ~/.claude/skills
git clone https://github.com/blader/humanizer.git ~/.claude/skills/humanizer

OpenCode:

mkdir -p ~/.config/opencode/skills
git clone https://github.com/blader/humanizer.git ~/.config/opencode/skills/humanizer

OpenCode liest ebenfalls ~/.claude/skills/, sodass ein einzelner Klon in das Claude-Verzeichnis für beide funktioniert. Starten Sie nach der Installation Ihre Agenten-Sitzung neu und führen Sie /humanizeraus. Der Trigger im Frontmatter ist der Beschreibungs-String, nicht der Dateiname. Der Skill registriert sich als humanizer 2.5.1.

Wenn Sie keinen Klon möchten, können Sie auch einfach SKILL.md in einen Ordner namens humanizer innerhalb des Skills-Verzeichnisses ablegen. Die Datei stellt den gesamten Vertrag dar.

Für andere Tools des Antigravity-Stacks gelten dieselben Konventionen. Siehe unseren Antigravity Skills Setup Guide für die allgemeine Skill-Infrastruktur, falls Sie Ihre Umgebung von Grund auf neu einrichten.

6. Inhaltliche Muster (1–6)

Inhaltliche Muster lassen sich am einfachsten erkennen, sobald man weiß, worauf man achten muss. Es geht dabei darum, was der Text behauptet, nicht wie er klingt. Fast alle diese Muster blähen die Bedeutung auf, die durch das Ausgangsmaterial nicht gerechtfertigt ist.

Muster 1: Aufblähung der Bedeutung

Zu beachtende Begriffe: steht für, dient als, ist ein Beweis für, ist eine Erinnerung an, entscheidender Moment, sich entwickelnde Landschaft, unauslöschlicher Eindruck, tief verwurzelt, bereitet die Bühne für, markiert einen Wandel.

Was es bewirkt: Fügt Behauptungen darüber hinzu, wie eine beliebige Sache einen breiteren Trend repräsentiert oder dazu beiträgt. Wikipedia-Editoren bemerken dies bei nebensächlichen Themen, bei denen die Übertreibung in keinem Verhältnis zum Gegenstand steht.

Vorher: Das Statistische Institut von Katalonien wurde offiziell 1989 gegründet und markierte einen entscheidenden Moment in der Entwicklung der Regionalstatistik in Spanien.

Nachher: Das Statistische Institut von Katalonien wurde 1989 gegründet, um Regionalstatistiken unabhängig vom nationalen Statistikamt Spaniens zu sammeln und zu veröffentlichen.

Muster 2: Name-Dropping zur Relevanzdarstellung

Zu beachtende Begriffe: unabhängige Berichterstattung, Listen von Medienkanälen, aktive Präsenz in sozialen Medien, verfasst von einem führenden Experten.

Was es bewirkt: Überwältigt den Leser mit Behauptungen zur Relevanz, oft durch lange Listen von Medien, die das Thema zitieren. Die Lösung besteht darin, die Liste durch ein einzelnes, spezifisches Zitat oder eine konkrete Erkenntnis zu ersetzen.

Vorher: Ihre Ansichten wurden in der The New York Times, der BBC, der Financial Times und The Hindu zitiert.

Nachher: In einem Interview mit der The New York Times im Jahr 2024 argumentierte sie, dass sich die KI-Regulierung auf Ergebnisse statt auf Methoden konzentrieren sollte.

Muster 3: Oberflächliche -ing-Analysen

Zu beachtende Wörter: hervorheben, unterstreichen, betonen, sicherstellen, widerspiegeln, symbolisieren, beitragen zu, fördert, umfasst, präsentiert.

Was es bewirkt: Hängt Partizipialgruppen an das Ende von Sätzen, um Tiefe vorzutäuschen. Das Partizip deutet Bedeutung an, ohne eine Quelle oder einen Mechanismus zu benennen.

Vorher: Die Farbpalette des Tempels aus Blau, Grün und Gold harmoniert mit der natürlichen Schönheit der Region und symbolisiert die texanischen Bluebonnets, den Golf von Mexiko und die vielfältigen Landschaften von Texas.

Nachher: Der Tempel verwendet blaue, grüne und goldene Farben. Der Architekt gab an, dass diese gewählt wurden, um auf die lokalen Bluebonnets und die Golfküste Bezug zu nehmen.

Muster 4: Werbesprache

Zu vermeidende Wörter: besticht durch, lebendig, reichhaltig (im übertragenen Sinne), tiefgründig, eingebettet, im Herzen von, atemberaubend, ein Muss, beeindruckend, renommiert, Engagement für.

Funktionsweise: Das Modell verwendet standardmäßig die Sprache von Tourismusbroschüren für alles, was als “kulturelles Erbe” beschrieben wird. Geografie-Artikel auf Wikipedia sind der klassische Ort, an dem dies auftritt.

Vorher: Eingebettet in die atemberaubende Region Gonder in Äthiopien, präsentiert sich Alamata Raya Kobo als lebendige Stadt mit einem reichen kulturellen Erbe und beeindruckender natürlicher Schönheit.

Nachher: Alamata Raya Kobo ist eine Stadt in der äthiopischen Region Gonder, die für ihren wöchentlichen Markt und ihre Kirche aus dem 18. Jahrhundert bekannt ist.

Muster 5: Vage Zuschreibungen und Weasel Words

Zu vermeidende Begriffe: Branchenberichte, Beobachter haben angeführt, Experten argumentieren, einige Kritiker argumentieren, mehrere Quellen wenn weniger als drei Quellen zitiert werden.

Was es bewirkt: Schreibt Meinungen vagen Autoritäten zu, damit der Satz fundiert klingt, ohne dass die entsprechende Arbeit geleistet wurde. Die Lösung ersetzt die Phantom-Autorität durch eine echte, namentlich genannte Quelle.

Vorher: Experten glauben, dass es eine entscheidende Rolle im regionalen Ökosystem spielt.

Nachher: Der Haolai River unterstützt laut einer Studie der Chinesischen Akademie der Wissenschaften aus dem Jahr 2019 mehrere endemische Fischarten.

Muster 6: Formelhafte „Herausforderungen und Zukunftsaussichten“

Zu vermeidende Wörter: Trotz seines... steht vor mehreren, Trotz dieser Herausforderungen, Herausforderungen und, Zukunftsausblick.

Was es bewirkt: Schließt Absätze mit einer künstlich erzeugten Spannung

Vorher: Trotz seines industriellen Wohlstands steht Korattur vor

Nachher: Die Verkehrsbelastung nahm nach 2015 zu, als drei neue IT-Parks

7. Sprachmuster (7–13)

Bei Sprachmustern geht es um die Wortwahl und den Satzbau. Es sind die Muster,

Muster 7: Überstrapaziertes KI-Vokabular

Häufig verwendete KI-Wörter: tatsächlich, zusätzlich, abstimmen auf, entscheidend, eintauchen, betonen, beständig, verbessern, fördern, sammeln, hervorheben (Verb), Zusammenspiel, komplex / Komplexitäten, wichtig (Adjektiv), Landschaft (abstraktes Substantiv), zentral, präsentieren, Geflecht, Beweis, unterstreichen (Verb), wertvoll, lebendig.

Was es bewirkt: Diese Wörter tauchen in Texten nach 2023 weitaus häufiger auf und treten meist gehäuft auf. Ein Satz mit einem dieser Wörter enthält meist auch ein weiteres. Sie durch einfache Alternativen zu ersetzen, ist der schnellste Weg, damit KI-Texte wie von Menschen geschrieben klingen.

Muster 8: Vermeidung von Kopula-Verben

Beobachte: dient als, steht als, markiert, repräsentiert, bietet, besticht durch, bietet.

Was es bewirkt: Ersetzt komplexe Verben durch die langweiligen Formen von sein und haben. Die Fähigkeit bevorzugt die einfache Kopula, wann immer sie funktioniert. Gallery 825 ist der Ausstellungsraum der LAAA schlägt Gallery 825 dient als Ausstellungsraum der LAAA in jeder Hinsicht, außer bei falscher Förmlichkeit.

Muster 9: Negative Parallelismen und nachgestellte Verneinungen

Beobachten: Nicht nur X, sondern auch Y, Es ist nicht nur A, es ist B, sowie nachgestellte Fragmente wie kein Raten oder keine verschwendete Bewegung , die an das Ende eines Satzes angehängt werden.

Was es bewirkt: Die Formulierung klingt rhetorisch, ohne sich auf eine konkrete Aussage festzulegen. Die Lösung besteht darin, die Verneinung wegzulassen und den eigentlichen Punkt direkt zu benennen. Der harte Beat verstärkt den aggressiven Ton. Beats Es geht nicht nur um den Beat; er ist Teil der Aggression und der Atmosphäre..

Muster 10: Übermäßige Verwendung der Dreierregel

Was es bewirkt: Zwingt Ideen in Dreiergruppen. Zwei oder vier Beispiele sind völlig ausreichend, sofern das Ausgangsmaterial dies hergibt, aber das Modell rundet standardmäßig auf drei ab. Die Veranstaltung umfasst Vorträge und Podiumsdiskussionen. Es gibt auch Zeit für informelles Networking. Beats Die Veranstaltung bietet Keynote-Sessions, Podiumsdiskussionen und Networking-Möglichkeiten..

Muster 11: Synonym-Cycling (elegante Variation)

Was es bewirkt: Die Wiederholungsstrafe in den meisten LLM-Trainingsdaten veranlasst das Modell dazu, Synonyme auszutauschen, selbst wenn das gleiche Wort besser klingen würde. Der Protagonist steht vor vielen Herausforderungen. Die Hauptfigur muss Hindernisse überwinden. Die zentrale Gestalt triumphiert schließlich. Der Held kehrt nach Hause zurück. kann fast immer ein Satz sein, bei dem Protagonist wiederholt wird.

Muster 12: Falsche Bereiche

Funktionsweise: Verwendet von X bis Y wenn X und Y keine sinnvolle Skala bilden. Von Urknall bis Dunkle Materie sind zwei unzusammenhängende Themen, die einen Bereich vortäuschen. Die Lösung besteht darin, die Themen direkt aufzulisten.

Muster 13: Passiv und subjektlose Fragmente

Funktionsweise: Lässt den Akteur weg bei Zeilen wie Keine Konfigurationsdatei erforderlich oder Die Ergebnisse werden automatisch gespeichert. Die Fähigkeit schreibt diese im Aktiv um, wenn dies den Satz verständlicher macht. Sie benötigen keine Konfigurationsdatei ist besser als Keine Konfigurationsdatei erforderlich wenn der Akteur ein echter menschlicher Benutzer ist.

8. Stil-Muster (14–19, 26–29)

Stil-Muster sind visuell. Sie lassen sich am einfachsten mit Regex erkennen und am leichtesten übertreiben, wenn man sie mechanisch anwendet. Die meisten von ihnen sind für sich genommen nicht falsch. Sie sind nur in der Masse falsch.

Muster 14: Übermäßiger Gebrauch von Gedankenstrichen

Modelle greifen zum Gedankenstrich, weil ihnen Verkaufstexte beigebracht haben, dass er „schlagkräftig“ klingt. Die meisten Gedankenstriche könnten durch Kommas, Punkte oder Klammern ersetzt werden, ohne dass die Aussage an Bedeutung verliert. Der Skill bevorzugt die sauberere Zeichensetzung.

Muster 15: Übermäßiger Gebrauch von Fettdruck

Das Hervorheben von Schlüsselbegriffen in jedem Satz schwächt die Betonung ab. Wenn alles fett gedruckt ist, wird nichts hervorgehoben. Die Lösung besteht darin, Fettdruck im Fließtext sparsam oder gar nicht einzusetzen.

Muster 16: Vertikale Listen mit Inline-Überschriften

Listen, bei denen jeder Punkt mit einer fettgedruckten Überschrift gefolgt von einem Doppelpunkt beginnt, wirken wie eine Präsentation, die vorgibt, ein Artikel zu sein. Wandeln Sie diese in Fließtext um, es sei denn, die Punkte benötigen zwingend eine Bezeichnung.

Muster 17: Title Case in Überschriften

Modelle schreiben alle Hauptwörter in Überschriften groß. Der Stil von Wikipedia verwendet jedoch Sentence Case, und die meisten Redaktionsrichtlinien stimmen dem zu. Strategische Verhandlungen und schlägt Strategische Verhandlungen und globale Partnerschaften.

Muster 18: Emojis

Das Verzieren von Überschriften oder Aufzählungspunkten mit Raketen, Glühbirnen und Häkchen wirkt wie eine Chatbot-Ausgabe und nicht wie ein verfasster Text. Entfernen Sie diese.

Muster 19: Geschwungene Anführungszeichen

ChatGPT bevorzugt geschwungene Anführungszeichen („ “) gegenüber geraden Anführungszeichen (" "). Die meisten Blog-CMS korrigieren dies automatisch in die andere Richtung, daher ist das Vorkommen von geschwungenen Anführungszeichen in reinem Text ein fast sicheres Indiz für ChatGPT.

Muster 26: Übermäßiger Gebrauch von Bindestrich-Wortpaaren

Beispiele: funktionsübergreifend, datengesteuert, kundenorientiert, Entscheidungsfindung, Echtzeit-, langfristig, End-to-End, bekannt, hochwertig, Drittanbieter-.

Funktionsweise: Verbindet gängige zusammengesetzte Modifikatoren absolut konsistent mit Bindestrichen. Menschen verwenden diese selten einheitlich. Die Funktion entfernt Bindestriche bei allgemeinen Wortpaaren und behält sie nur bei technischen Komposita bei.

Muster 27: Überzeugende Autoritäts-Tropen

Achtung: Die eigentliche Frage ist, im Kern, in der Realität, was wirklich zählt, grundlegend, das tieferliegende Problem, der Kern der Sache.

Was es bewirkt: Das Modell gibt vor, den Lärm zu durchdringen, um zu einer tieferen Wahrheit zu gelangen. Der Satz nach diesem Tropus wiederholt meist einen gewöhnlichen Punkt mit zusätzlichem Pathos.

Muster 28: Wegweiser und Ankündigungen

Achtung: Legen wir los, lass uns erkunden, lass uns das aufschlüsseln, hier ist, was du wissen musst, schauen wir uns jetzt an, ohne weitere Umschweife.

Was es bewirkt: Kündigt den nächsten Schritt an, anstatt ihn auszuführen. Der Satz ist meta, nicht inhaltlich. Streiche den Wegweiser und beginne direkt mit dem eigentlichen Punkt.

Muster 29: Fragmentierte Überschriften

Was es bewirkt: Eine Überschrift, gefolgt von einem einzeiligen Absatz, der lediglich die Überschrift wiederholt, bevor der eigentliche Inhalt beginnt. Der Einzeiler bietet keinen Mehrwert. Die Fähigkeit entfernt ihn und lässt die Überschrift ihre Aufgabe erfüllen.

9. Kommunikationsmuster (20–22)

Kommunikationsmuster sind Überbleibsel der Chat-Oberfläche. Jemand hat ein Modell um einen Entwurf gebeten, das Modell hat den Entwurf in Höflichkeitsfloskeln verpackt, und diese Floskeln haben das Kopieren und Einfügen in ein Dokument überlebt. Dies sind die am einfachsten zu erkennenden und zu entfernenden Elemente im Playbook.

Muster 20: Kollaborative Kommunikationsartefakte

Ansehen: Ich hoffe, das hilft weiter, Natürlich!, Gerne!, Da hast du absolut recht!, Möchtest du..., let me know, hier ist ein....

Vorher: Hier ist ein Überblick über die Französische Revolution. Ich hoffe, das hilft! Sag mir Bescheid, falls ich einen der Abschnitte weiter ausführen soll.

Nachher: Die Französische Revolution begann 1789, als eine Finanzkrise und Nahrungsmittelknappheit zu weit verbreiteten Unruhen führten.

Muster 21: Haftungsausschlüsse zum Knowledge-cutoff

Beobachten: Stand [date], bis zu meinem letzten Trainings-Update, während spezifische Details begrenzt sind, basierend auf den verfügbaren Informationen.

Was es bewirkt: Schränkt die gesamte Aussage im Hinblick auf den Trainings-Cutoff des Modells ein. Die Lösung besteht entweder darin, eine echte Quelle zu finden oder die Einschränkung wegzulassen und den Fakt direkt zu benennen.

Muster 22: Sykophantischer / unterwürfiger Tonfall

Achte auf: Großartige Frage!, Du hast absolut recht!, Das ist ein exzellenter Punkt.

Was es bewirkt: Komplimentiert den Leser vor der Antwort. Das Kompliment ist inhaltslos. Streiche die Einleitung und antworte direkt.

10. Füllwörter und Einschränkungen (23–25)

Muster 23: Füllphrasen

Mehrwortphrasen, die das Gleiche bedeuten wie ein einzelnes Wort. Die Fähigkeit ersetzt diese direkt.

Muster 24: Übermäßige Absicherung (Hedging)

Gestapelte Qualifizierer, die sich gegenseitig aufheben. Es könnte möglicherweise argumentiert werden, dass die Richtlinie einen gewissen Effekt haben könnte komprimiert zu Die Richtlinie könnte sich auf die Ergebnisse auswirken.

Muster 25: Allgemeine positive Schlussfolgerungen

Vage, optimistische Endungen wie Die Zukunft sieht rosig aus oder Aufregende Zeiten liegen vor uns. Ersetzen Sie diese durch einen konkreten Plan oder Fakt, oder entfernen Sie den abschließenden Satz vollständig.

11. Stimmenkalibrierung

Das Entfernen von KI-Mustern ist nur die halbe Miete. Die andere Hälfte besteht darin, eine erkennbare Stimme wieder einzubringen. Die Standardstimme des Skills ist direkt und etwas trocken. Wenn Sie möchten, dass es wie Sieklingt, weist die SKILL.md den Agenten an, zuerst eine Textprobe von Ihnen zu lesen und diese anzupassen.

So stellen Sie eine Textprobe bereit:

/humanizer

Here's a sample of my writing for voice matching:
[paste 2-3 paragraphs of your own writing]

Now humanize this text:
[paste AI text to humanize]

Der Agent analysiert die Probe anschließend auf sechs Merkmale und wendet diese beim Umschreiben an:

• Satzlängenmuster. Kurz und prägnant, lang und fließend oder gemischt.
• Wortwahl-Niveau. Locker, akademisch oder etwas dazwischen.
• Absatzeinleitungen. Direkt einsteigen oder erst den Kontext setzen.
• Zeichensetzungsgewohnheiten. Gedankenstriche, Klammern, Semikolons.
• Wiederkehrende Phrasen oder sprachliche Tics.
• Übergangsstil. Explizite Konnektoren oder einfach der nächste Punkt.

Die Regel, bei der die SKILL.md am strengsten ist: Verbessere nicht den Wortschatz des Autors. Wenn das Beispiel Zeug und Dingeverwendet, ersetze sie nicht durch Elemente und Komponenten. Eine Anpassung des Sprachstils ist standardmäßig eine Verschlechterung, keine Verbesserung. Das Modell neigt dazu, alles formeller zu gestalten. Die Skill weist es an, dies zu unterlassen.

12. Das Zwei-Phasen-Audit

Die Skill führt immer zwei Durchläufe durch. Der erste Durchlauf ist eine reguläre Überarbeitung gemäß den 29 Regeln. Der zweite Durchlauf ist das, was die SKILL.md als „offensichtlich KI-generiertes Audit“ bezeichnet. Nach der ersten Überarbeitung stellt sich der Agent selbst eine einzige Frage:

What makes the below so obviously AI generated?

Anschließend benennt er verbleibende Anzeichen in wenigen kurzen Stichpunkten. Häufige Beispiele:

• Zu gleichmäßiger Rhythmus (jeder Satz hat die gleiche Länge).
• Plausibel klingende, aber unbelegte Zitate oder Namen.
• Slogan-artiger Schluss, der wie ein TED-Talk klingt.
• Latente Absicherungen (Hedging), die den ersten Durchlauf überlebt haben.

Dann fordert er sich erneut auf:

Now make it not obviously AI generated.

Und überarbeitet den Text ein weiteres Mal. Der zweite Durchlauf ist kurz, fokussiert und überraschend effektiv. Es ist derselbe Trick, den ein menschlicher Redakteur anwendet, wenn er seinen eigenen Entwurf eine Stunde später noch einmal liest. Die Regeln sagen dem Modell, worauf es achten soll; der zweite Durchlauf weist das Modell an, noch einmal genau hinzusehen.

13. Persönlichkeit und Seele

Der subjektivste Abschnitt in der SKILL.md handelt nicht von Regeln, sondern von der Stimme.

• Jeder Satz hat die gleiche Länge und Struktur.
• Keine Meinungen, nur neutrale Berichterstattung.
• Keine Anerkennung von Unsicherheit oder gemischten Gefühlen.
• Kein Gebrauch der ersten Person, wo sie angebracht wäre.
• Kein Humor, keine Ecken und Kanten, keine Persönlichkeit.
• Liest sich wie ein Wikipedia-Artikel oder eine Pressemitteilung.

Der Rat, um dem Text wieder eine Stimme zu verleihen, ist kurz und praxisnah:

• Habe eine Meinung. Berichte nicht nur Fakten. Reagiere darauf.
• Variiere deinen Rhythmus. Kurz und prägnant. Dann längere Sätze, die sich Zeit nehmen.
• Erkenne Komplexität an. Beeindruckend, aber beunruhigend beats beeindruckend.
• Verwende I wenn es passt. Die erste Person ist ehrlich, nicht unprofessionell.
• Lass ein wenig Unordnung zu. Abschweifungen und Einschübe wirken menschlich.
• Sei spezifisch bei Gefühlen. Benenne das Beunruhigende beim Namen.

Das Kontrastbeispiel in der SKILL.md ist es wert, zitiert zu werden. Der saubere, aber seelenlose Entwurf: Das Experiment lieferte interessante Ergebnisse. Die Agents generierten 3 Millionen Zeilen Code. Einige Entwickler waren beeindruckt, während andere skeptisch blieben. Die Auswirkungen sind nach wie vor unklar. Die Version mit Puls: Ich weiß ehrlich gesagt nicht, was ich davon halten soll. 3 Millionen Zeilen Code, generiert, während die Menschen vermutlich schliefen. Die Hälfte der Entwickler-Community spielt verrückt, die andere Hälfte erklärt, warum das nicht zählt. Dieselben Fakten.

14. Was wir falsch eingeschätzt haben

Drei Annahmen, die wir vor dem Lesen des Skills hatten, und was sich durch das Lesen geändert hat.

Annahme 1: Das wird ein Tool zum Paraphrasieren. Das ist es nicht.

Annahme 2: Die meisten Regeln sind Geschmackssache, keine Erkennung. Ein paar sind es. Muster 14 (übermäßiger Gebrauch von Gedankenstrichen) ist größtenteils Geschmackssache. Aber die meisten Regeln sind statistisch. Muster 7 (KI-Vokabular), Muster 19 (typografische Anführungszeichen), Muster 22 (unterwürfige Einleitungen) – sie alle weisen messbare Nutzungsspitzen nach 2023 auf. Der Wikipedia-Leitfaden ist ein stilles Messprojekt, kein Manifest.

Annahme 3: Es wird über das Ziel hinausschießen und technische Dokumentationen ruinieren. It can, if you let it. Pattern 13 (passive voice) and pattern 15 (boldface overuse) are actively useful in well-formatted technical writing. The skill respects bullet lists and code blocks by default, but it will rewrite headings and prose. For manuals, give it a voice sample with the formatting you want kept, or scope the rewrite to specific paragraphs.

15. Workflows aus der Praxis

16. Häufige Fehler

• Die Fähigkeit als KI-Detektor behandeln. Es ist das Gegenteil. Es geht davon aus, dass der Text KI-geprägt ist, und bearbeitet ihn. Wenn man es auf einen tatsächlich von Menschen geschriebenen Text anwendet, werden dennoch Umschreibungen ausgelöst, falls der Mensch zufällig dieselben Wörter verwendet.
• Das Überspringen der Stimmprobe. Ohne eine Probe ist die Ausgabe generische, saubere Prosa. Drei Absätze deines eigenen Schreibstils machen den Unterschied zwischen “nicht KI” und “du” aus.
• Einmal ausführen und veröffentlichen. Die Zwei-Pass-Prüfung ist integriert, aber die Skill funktioniert besser, wenn Sie den Output zusätzlich selbst noch einmal lesen. Der zweite Durchgang erkennt oberflächliche Auffälligkeiten. Ein menschliches Korrekturlesen erkennt Auffälligkeiten auf Argumentationsebene.
• Lässt zu, dass gültige Gedankenstriche entfernt werden. Muster 14 ist eine Häufigkeitsregel, kein Verbot. Wenn Sie Gedankenstriche bewusst verwenden, weisen Sie den Agent an, diese beizubehalten.
• Anwendung auf Code. Die Skill ist für Prosa gedacht. Wenn Sie sie auf Code-Kommentare anwenden, werden diese umgeschrieben, als wären sie Werbetexte. Beschränken Sie den Anwendungsbereich auf Text.
• Die Annahme, MIT bedeute „sicher, alles wortwörtlich weiterzuverbreiten“.Die Skill selbst ist unter MIT lizenziert. Der Text, den sie verarbeitet, gehört Ihnen. Der Wikipedia-Leitfaden, aus dem sie stammt, steht unter CC BY-SA. Drei verschiedene Lizenzen, drei verschiedene Geltungsbereiche.

17. Hinweise zu Performance und Kosten

• Token-Budget. Die Skill selbst umfasst etwa 4.500 Wörter an Anweisungen. Das ist ein fixer Overhead, der bei jedem /humanizerAufruf hinzukommt. Bei Claude Sonnet landet ein typischer 800-Wörter-Humanize-Roundtrip bei etwa 12.000 Input-Tokens, sobald man die SKILL.md einbezieht.
• Latenz. Zwei Durchgänge plus ein Prüfungsschritt bedeuten mindestens drei Modellaufrufe. Planen Sie die zwei- bis vierfache Zeit im Vergleich zu einer einfachen Umschreibanfrage ein.
• Sprachbeispiel. Das Hinzufügen eines Beispiels vergrößert den Prompt um die Anzahl der eingefügten Tokens. Drei Absätze entsprechen normalerweise 300 bis 500 Tokens. Es lohnt sich.
• Batch-Jobs. Die Skill ist konzeptionell interaktiv. Wenn Sie Hunderte von Artikeln humanisieren möchten, steuern Sie dies über ein Skript, das den Agent CLI im nicht-interaktiven Modus aufruft. Die SKILL.md ist so konzipiert, dass sie dafür deterministisch genug ist.
• Qualitätsplateau. Bei mehr als etwa 1.500 Wörtern Input wird die Prüfung im zweiten Durchgang weniger effektiv, da das Modell den Überblick darüber verliert, welche Auffälligkeiten es bereits benannt hat. Teilen Sie lange Dokumente in Abschnitte auf.

18. Für wen das geeignet ist

19. Community-Signal

Drei Kategorien von Reaktionen, die lesenswert sind.

Die erste ist star velocity. Das Repository erreichte innerhalb weniger Monate nach der Veröffentlichung 16.000 Sterne, was für eine einzelne Markdown-Datei ungewöhnlich ist. Fähigkeiten, die einen echten Workflow abbilden, neigen dazu, solche Spitzen zu erreichen. Das nächste Äquivalent im Claude Code-Ökosystem ist obra/superpowers, das eine ähnliche Entwicklung nahm.

Die zweite ist Fork-Muster. Die 1,6k Forks bestehen größtenteils aus Anpassungen: Leute fügen branchenspezifische Regeln hinzu, entfernen die Regel für geschweifte Anführungszeichen, weil ihr CMS diese erzwingt, oder binden den Skill in eine CI-Pipeline ein, die PRs ablehnt, wenn sie das Audit nicht bestehen. Der Inhalt der Forks ist vielfältiger als das Basis-Repo, was ein gesundes Zeichen ist.

Der dritte Punkt ist Scope-Druck. Offene Issues fragen nach nicht-englischen Sprachen, fordern einen JSON-only Modus für die Weiterleitung an andere Tools und schlagen ein “preserve original formatting”-Flag für technische Dokumentationen vor. Nichts davon sind Bugs im Skill. Es sind die nächsten sinnvollen Meilensteine für ein Projekt, das offensichtlich Anklang gefunden hat.

20. Das Urteil: Lohnt sich die Nutzung?

Das Repo verdient das Vertrauenssignal, das es einfordert. Die Lizenz ist permissiv, das Quellenmaterial ist benannt, die Regeln sind einzeln diskutierbar und die SKILL.md ist kurz genug, um sie in fünfzehn Minuten zu lesen. Das ist in dieser Kategorie selten.

21. Das Gesamtbild

Beim Humanizer-Skill geht es eigentlich nicht um das „Vermenschlichen“. Es geht darum, einem Modell beizubringen, seinen eigenen Output so zu lesen, wie es ein guter Lektor tun würde. Das ist eine allgemeinere Fähigkeit als dieser einzelne Anwendungsfall. Sobald man einen Skill schreibt, der sagt: “Hier sind die statistischen Anzeichen für schlechten Output, so erkennt man sie im eigenen Entwurf, so überarbeitet man sie”, hat man eine Vorlage, die auf jede Art von Schreibproblem anwendbar ist. Tonfall-Audits. Bias-Audits. House-Style-Audits. Markenstimme. Der Humanizer ist der Prototyp.

Die andere Sache, die er repräsentiert, ist eine stille Verschiebung dessen, was Skills sind. Vor einem Jahr waren Claude Code Skills dünne Wrapper um externe CLIs. Der Humanizer hat keine CLI. Der gesamte Skill ist eine einzige Markdown-Datei über wie man denkt. Das ist ein anderer Modus, näher an einem System-Prompt als an einer Tool-Integration. Die nächste Welle nützlicher Skills wird so aussehen wie dieser: kurz, meinungsstark, textbasiert und aufgebaut auf dem Playbook eines echten Fachexperten.

Weitere Informationen darüber, wie Skills mit anderen Agent-Primitiven kombiniert werden können, finden Sie in unserem Mastering Agent Skills Leitfaden und dem Karpathy Claude Code Skills Guide für den philosophischen Rahmen, warum textbasierte Fähigkeiten den Agent-Stack dominieren. Claude Code Best Practice Guide der kanonische Begleiter.

22. Häufig gestellte Fragen

23. Glossar

• KI-Vokabular — Wörter wie testament, landscape, pivotal, und vibrant , die in LLM-Ausgaben nach 2023 weitaus häufiger vorkommen als in früheren menschlichen Texten.
• Kopula — Das Verb to be, oder haben. LLMs vermeiden diese zugunsten ausgefallenerer Verben wie dient als oder bietet.
• Geschwungene Anführungszeichen — Die gerichteten doppelten Anführungszeichen (“ ”), die ChatGPT standardmäßig ausgibt. Die meisten Plain-Text-Editoren verwenden stattdessen gerade doppelte Anführungszeichen (" ").
• Gedankenstrich — Der breite Gedankenstrich (—), den LLMs anstelle von Kommas, Punkten oder Klammern verwenden. Muster 14 im Skill.
• Falscher Bereich — Eine von X bis Y Konstruktion, bei der X und Y nicht auf einer sinnvollen Skala liegen. Muster 12.
• Frontmatter — Der YAML-Block am Anfang einer SKILL.md-Datei, der den Namen, die Beschreibung, die Version und die erlaubten Tools des Skills deklariert. Claude Code liest diesen, um den Skill zu registrieren.
• OpenCode — Ein Open-Source-CLI-Agent, der dem Claude Code Skill-Format folgt. Der Humanizer-Skill funktioniert in beiden.
• Negative Parallelität — Konstruktionen wie nicht nur X, oder es ist nicht nur A, sondern B. Muster 9.
• Dreierregel — Die rhetorische Gewohnheit, Dinge in Dreiergruppen zusammenzufassen. LLMs wenden dies an, unabhängig davon, ob das Ausgangsmaterial drei Elemente enthält oder nicht.
• SKILL.md — Die einzelne Markdown-Datei, die eine Claude Code- oder OpenCode-Fähigkeit definiert. Das gesamte Repository des Humanizers besteht im Wesentlichen aus einer solchen Datei.
• Sykophantischer Ton — Dem Benutzer schmeichelnde Einleitungen wie Großartige oder Sie haben absolut recht!. Muster 22.
• Nachgestellte Negation — Abgekürzte Fragmente, die an das Ende eines Satzes angehängt werden, wie kein Raten oder keine unnötigen Bewegungen. Ein
• Zwei-Phasen-Audit — Die vom Skill selbst angestoßene zweite Was macht das Folgende so offensichtlich von einer KI.
• Stimmenkalibrierung — Der optionale Schritt, zwei oder drei
• WikiProject AI Cleanup — Die Wikipedia-Freiwilligengruppe, Signs of AI writing Leitfaden pflegt. Die primäre Quelle für

24. Alle Quellen & Links

Primärquellen

• blader/humanizer GitHub repo
• SKILL.md (der gesamte Skill, Frontmatter und Regeln)
• README.md (Installation, Verwendung, Versionsverlauf)
• Issue-Tracker (Funktionsanfragen, Sprachunterstützung, Formatierungs-Flags)
• Pull Requests
• Release-Verlauf (Versionen 1.0.0 bis 2.5.1)

Zugrunde liegendes Quellenmaterial

• Wikipedia: Signs of AI writing (die Primärquelle)
• WikiProject AI Cleanup (die betreuende Organisation)

Kompatible Agents

• Claude Code (offiziell)
• OpenCode (Open-Source CLI-Agent)

Interne Links

• Beherrschung von Agent-Skills
• Karpathy Claude Code Skills-Leitfaden
• Antigravity Skills-Einrichtungsanleitung
• Claude Code Best-Practice-Leitfaden
• Android Reverse Engineering Skill-Leitfaden

25. Quellennachweistabelle