Humanizer Skill：blader/humanizer for Claude Code 完整指南

大多数关于“AI 文本人性化”的文章都是为了推广伪装工具而编写的 SEO 诱饵，承诺能骗过检测器。但本文有所不同。 blader/humanizer 是一个小型开源技能，源自志愿者们实际用于清理 AI 垃圾内容的 Wikipedia 指南。它直接在 Claude Code 或 OpenCode 内部运行，无需任何第三方服务。我们关注的是它的实际功能、局限性，以及它所总结的 29 条规则如何揭示 AI 写作的特征。

1. 一句话概括其功能

blader/humanizer 是一个采用 MIT 许可协议的 Claude Code 和 OpenCode 技能，它能检测出 Wikipedia AI 写作特征 指南中提到的 29 种 AI 生成写作模式，并对其进行重写，同时包含可选的语调校准步骤和内置的二次审核功能。

这就是整个仓库的内容。仅有一个 SKILL.md 文件。没有二进制文件，没有模型，也没有 API。实际工作由 Agent 运行时完成，而该仓库即是规则手册。

2. 存在意义

维基百科编辑们遇到了一个问题。自 2022 年末以来，草稿和编辑内容中不断出现相同的特征。诸如 testament， landscape， tapestry，以及 vibrant 等词汇开始出现在此前并不需要它们的文章中。句子开始倾向于使用“not just X, but Y”这种结构。标题采用了 Title-Cased 格式。列表也开始带上 emoji。 WikiProject AI Cleanup 为了应对庞大的数据量而组建，其产出之一便是 Wikipedia：AI 写作的迹象 指南，这是一份详尽且耐心的目录，记录了大型语言模型会做而人类很少做的行为。

blader 将这份目录转化为了一项技能。其核心诉求非常直接：粘贴文本，即可获得去除了 AI 特征的文本。该仓库足够小，可以一次性读完，且规则明确，这意味着你可以对其中的任何一条提出异议。这种开放性本身就占据了其价值的一半。

此外还有一个更深层的动机。编辑和作者并不需要一个检测器。他们想要的是找回属于自己的作品，并使其更加精炼。“人性化”技能作为一种文案编辑手段，比作为规避 GPTZero 的工具更有用。README 中并未承诺能欺骗检测器，SKILL.md 也未宣称 AI 写作一无是处。它只是指出了那些带有“机器味”的特定模式。

3. 心智模型：五个桶

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.

这五个类别大致对应于 文本所声称的内容， 文本表述该， 文本在视觉上呈现该主张的方式， 来自，以及 从未起到支撑作用的多余词汇。大多数

4. 最小端到端示例

以下是从原始 AI 生成段落到人工润色输出的最短路径，展示了典型会话的实际流程。

你粘贴的输入内容：

/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.

Agent 返回的草稿重写：

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.

下面的内容为什么一眼就能看出是 AI 生成的？

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

第二次处理后的最终重写：

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.

仅需两轮处理，无需切换模型，也无需外部 API。规则本身在发挥作用，而 Agent 同时担任了编辑和自审的角色。

5. 安装

该技能仅包含一个 Markdown 文件。无需编译步骤，也没有依赖树。只要目录存在，任何工具都能立即识别它。

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 也会读取 ~/.claude/skills/，因此只需将其克隆到 Claude 目录中，即可同时适用于两者。安装完成后，重启你的 Agent 会话并运行 /humanizer。Frontmatter 的触发器是描述字符串，而非文件名。该技能注册为 humanizer 2.5.1。

如果你不想进行克隆，也可以直接将 SKILL.md 放入名为 humanizer 的文件夹中，该文件夹位于 skills 目录下。该文件即是完整的契约。

对于其他 Antigravity-stack 工具，同样遵循这些约定。请参阅我们的 Antigravity Skills Setup Guide 以了解如果你是从零开始配置环境时所需的更广泛的技能配置流程。

6. 内容模式 (1–6)

一旦你知道如何观察，内容模式是最容易发现的。它们关注的是写作所声称的内容，而非其语气。几乎所有这些模式都在夸大其词，而原始素材本身并不支持这种重要性。

模式 1：重要性膨胀

需留意的词汇： stands as， serves as， is a testament， is a reminder， pivotal moment， evolving landscape， indelible mark， deeply rooted， 为……奠定基础， 标志着一种转变。

功能说明： 添加关于某事物如何代表或促成某种更广泛趋势的声明。维基百科编辑通常会在一些小众主题上发现此类内容，其夸大其词的程度与主题本身极不相称。

修改前： 加泰罗尼亚统计局成立于 1989 年，标志着西班牙区域统计发展的一个关键时刻。

修改后： 加泰罗尼亚统计局成立于 1989 年，旨在独立于西班牙国家统计局收集并发布区域统计数据。

模式 2：知名度“名牌效应”（Name-dropping）

需注意的词汇： 独立报道，媒体列表， 活跃的社交媒体形象， 由权威专家撰写。

功能说明： 通过声称知名度来强行灌输给读者，通常表现为列出大量引用该主题的媒体列表。解决方法是将该列表替换为单一具体的引文或研究发现。

修改前： 她的观点曾被《纽约时报》、《英国广播公司》（BBC）、《金融时报》和《印度教徒报》引用。

修改后： 在 2024 年《纽约时报》的一次采访中，她提出 AI 监管应侧重于结果而非手段。

模式 3：浅层的 -ing 分析

需注意的词汇： highlighting， underscoring， emphasizing， ensuring， reflecting， symbolizing， contributing to， 培养， 包含， 展示。

功能说明： 在句末附加现在分词短语以营造深度感。这种分词方式在未指明来源或机制的情况下，暗示了某种重要性。

修改前： 该寺庙采用蓝色、绿色和金色的配色方案，与该地区的自然美景相呼应，象征着德克萨斯州的矢车菊、墨西哥湾以及德克萨斯州多样的景观。

修改后： 该寺庙使用了蓝色、绿色和金色。建筑师表示，选择这些颜色是为了呼应当地的矢车菊和墨西哥湾沿岸。

模式 4：宣传性语言

需注意的词汇： boasts a， 充满活力的， 丰富的 （比喻义）， 深远的， 坐落于， 在……中心， 令人惊叹的， 必游之地， 绝美的， 著名的， 对……的承诺。

功能说明： 对于任何被描述为“文化遗产”的内容，该模型默认使用旅游宣传册风格的语言。维基百科上的地理类文章是这种现象最典型的体现。

修改前： Alamata Raya Kobo 坐落于埃塞俄比亚令人惊叹的贡德尔地区，是一座充满活力的小镇，拥有丰富的文化遗产和绝美的自然风光。

修改后： Alamata Raya Kobo 是埃塞俄比亚贡德尔地区的一个城镇，以其每周集市和 18 世纪的教堂而闻名。

模式 5：模糊归因与闪烁其词

需注意的词汇： 行业报告， 观察人士指出， 专家认为， 一些批评人士认为， 多方来源 当引用的来源少于三个时。

作用： 将观点归因于模糊的权威，使句子听起来有据可查，实则并未进行实质性考证。解决方法是将虚构的权威替换为真实、具名的来源。

修改前： 专家认为它在区域生态系统中发挥着至关重要的作用。

修改后： 根据中国科学院 2019 年的一项调查，好来河（Haolai River）支持着多种特有鱼类。

模式 6：公式化的“挑战与未来展望”

需留意的词汇： Despite its... faces several challenges， Despite these challenges， Challenges and Legacy， Future Outlook。

作用： 通过人为制造的紧张感（挑战）和人为的解决方案（持续繁荣）来收尾段落。这种模式几乎是 AI 生成的传记或地理类文章的“指纹”。

修改前： Despite its industrial prosperity, Korattur faces challenges typical of urban areas. Despite these challenges, with its strategic location and ongoing initiatives, Korattur continues to thrive.

修改后： 2015 年三个新的 IT 园区开放后，交通拥堵加剧。市政公司于 2022 年启动了一项雨水排水工程，以解决反复出现的洪水问题。

7. 语言模式 (7–13)

语言模式关乎词汇选择和句式结构。即使去除了明显的夸张修辞，这些模式依然存在，也是二次审计中最常被发现的问题。

模式 7：过度使用的 AI 词汇

高频 AI 词汇： actually（实际上）, additionally（此外）, align with（与……一致）, crucial（至关重要的）, delve（深入研究）, emphasizing（强调）, enduring（持久的）, enhance（增强）, fostering（培养/促进）, garner（获取）, highlight（动词：突出显示）, interplay（相互作用）, intricate / intricacies（错综复杂的/复杂细节）, key（形容词：关键的）, landscape（抽象名词：格局/领域）, pivotal（核心的/关键的）, showcase（展示）, tapestry（错综复杂的整体/挂毯）, testament（证明）, underscore（动词：强调）, valuable（有价值的）, vibrant（充满活力的）。

其作用： 这些词在 2023 年后的文本中出现频率极高，且往往成簇出现。如果一个句子中包含其中一个词，通常也会包含另一个。将它们替换为平实的替代词，是让 AI 生成的文本读起来更像人类写作的最快方法。

模式 8：避免使用系动词

观察： serves as（充当/作为）， stands as（作为/是）， marks（标志着）， represents（代表）， features（以……为特色）， boasts（拥有/以……自豪）， offers（提供）。

其作用： 将冗长的动词替换为枯燥的 to be 以及 to have。该技巧在可行的情况下，更倾向于使用简单的系动词。 Gallery 825 是 LAAA 的展览空间 胜过 Gallery 825 在除虚假形式感之外的每一项指标上。

模式 9：否定平行结构与尾部否定

观察： 不仅是 X，而且是 Y， 这不仅仅是 A，，以及诸如 no guessing 或 no wasted 这样附加在句子末尾的片段。

其作用： 这种表述听起来像是在虚张声势，却并未提出实质性的观点。解决方法是去掉否定词，直接陈述核心要点。 沉重的节拍增强了攻击性的基调。 节拍 这不仅仅是关于节拍的问题；它是攻击性和氛围的一部分。。

模式 10：过度使用“三段式”规则

作用： 强行将观点归纳为三点。只要素材支持，使用两个或四个例子完全没问题，但模型默认会将其凑成三个。 活动包括演讲和小组讨论。此外还有非正式交流的时间。 节拍 活动包含主题演讲、小组讨论和交流机会。。

模式 11：同义词循环（优雅变体）

作用： 大多数 LLM 训练数据中的重复惩罚机制会促使模型替换同义词，即使使用同一个词读起来效果更好。 主人公面临许多挑战。主角必须克服障碍。核心人物最终取得胜利。英雄回到了家。 几乎总是可以合并成一个句子，并保留 protagonist 的重复使用。

模式 12：虚假范围

功能说明： 用法 从 X 到 Y 当 X 和 Y 不在同一个有意义的量级时。 从大爆炸到暗物质 是两个不相关的主题强行放在一个范围内。修正方法是直接列出这些主题。

模式 13：被动语态和无主语片段

功能说明： 通过类似以下的语句省略执行者： 无需配置文件 或 结果会自动保存。当改写为主动语态能使句子更清晰时，该技能会自动进行重写。 你不需要配置文件 优于 无需配置文件 （当执行者是真实的人类用户时）。

8. 风格模式 (14–19, 26–29)

风格模式是视觉上的。它们最容易通过正则表达式检测出来，但也最容易在机械应用时过度使用。大多数模式本身并没有错，错的是使用频率过高。

模式 14：破折号滥用

模型之所以频繁使用破折号（em dash），是因为销售文案总是灌输这种写法听起来更“有力”。其实，大多数破折号完全可以用逗号、句号或括号代替，且不会损失任何信息。本指南建议使用更简洁的标点符号。

模式 15：过度使用粗体

在每个句子中都对关键词加粗会削弱重点。如果到处都是粗体，那就等于没有重点。解决方法是谨慎使用粗体，或者在正文中完全不用。

模式 16：行内标题式列表

如果列表的每一项都以加粗标题开头并紧跟冒号，读起来就像是在假装成文章的幻灯片。除非这些条目确实需要标签，否则请将其转换为普通段落。

模式 17：标题使用首字母大写（Title case）

模型倾向于将标题中的所有主要单词首字母大写。但 Wikipedia 的内部风格指南采用的是句首大写（sentence case），大多数新闻编辑室的风格指南也持相同观点。 Strategic negotiations and global partnerships 优于 Strategic Negotiations And Global Partnerships。

模式 18：表情符号

在标题或列表项中使用火箭、灯泡和对勾等表情符号，会让人觉得这是 ChatGPT 的输出，而非人工撰写的文章。请删除它们。

模式 19：弯引号

ChatGPT 更喜欢使用弯引号（“ ”）而非直引号（" "）。大多数博客 CMS 会自动将引号转换为直引号，因此在纯文本中发现弯引号几乎是 ChatGPT 生成内容的铁证。

模式 26：过度使用连字符连接的词对

注意： cross-functional， data-driven, 面向客户端的, 决策, 实时, 长期, 端到端, 众所周知的, 高质量, 第三方.

功能说明： 能够以极高的一致性处理常见复合修饰语的连字符。人类在书写时很难做到统一，而此技能会自动去除常见词组中的连字符，仅在技术性复合词中保留。

模式 27：说服性权威比喻

观察： 真正的问题在于， 其核心是， 实际上， 真正重要的是， 从根本上说， 更深层次的问题是， 问题的核心在于。

功能说明： 该模型假装透过噪音直达更深层的真理。这种修辞手法之后的句子，通常只是用更隆重的措辞重申一个普通的观点。

模式 28：路标与公告

观察： 让我们深入了解一下, 让我们开始探索, 让我们深入剖析, 以下是你需要了解的内容, 现在让我们来看看, 言归正传.

功能说明： 在执行动作前先预告下一步。这类句子属于元描述，而非实际内容。请删掉此类引导语，直接切入正题。

模式 29：碎片化标题

功能说明： 标题后紧跟一个单行段落，仅仅是重复标题内容，随后才进入正文。该单行段落毫无意义。此技巧旨在将其移除，让标题发挥其应有的作用。

9. 沟通模式 (20–22)

沟通模式是聊天界面留下的冗余。当用户向模型索要草稿时，模型往往会用客套话包裹内容，而这些客套话在复制粘贴到文档时被保留了下来。这是本手册中最容易识别并删除的内容。

模式 20：协作沟通残留

观看： 希望这对你有帮助， 当然可以！， 没问题！， 你说得完全正确！， 你想要……吗？， let me know， 这里是……。

修改前： 这是关于法国大革命的概述。希望这对你有帮助！如果你需要我详细展开任何部分，请随时告诉我。

修改后： 法国大革命始于 1789 年，当时金融危机和粮食短缺引发了广泛的动荡。

模式 21：知识截止日期免责声明

观察： 截至 [date]， 截至我上次训练更新， 虽然具体细节有限， 基于现有信息。

作用： 针对模型的训练截止日期对整个声明进行对冲。解决方法要么是找到真实的来源，要么是去掉对冲并陈述事实。

模式 22：谄媚/卑微的语气

观察： 好问题！， 你说得完全正确！， 这是一个极好的观点。

作用： 在回答之前先恭维读者。这种恭维毫无营养。删掉开场白，直接回答。

10. 填充词与对冲 (23–25)

模式 23：填充短语

用多个词表达一个词就能说清的意思。该技能会直接进行替换。

模式 24：过度对冲（Excessive hedging）

相互抵消的堆叠限定词。 It could potentially possibly be argued that the policy might have some effect 压缩为 该策略可能会影响结果。

模式 25：通用的正面结论

诸如以下模糊的乐观结尾： 未来看起来很光明 或 激动人心的时刻即将来临。请替换为具体的计划或事实，或者直接删除该结尾。

11. 语调校准

消除 AI 痕迹只是工作的一半。另一半是赋予其可辨识的个人语调。默认的技能语调直接且略显枯燥。如果你希望它听起来像 你，SKILL.md 会指示 Agent 先读取一段你的写作样本并进行模仿。

如何提供样本：

/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]

Agent 随后会从以下六个方面分析样本，并将其应用到重写中：

• 句子长度模式。短促有力、长句流畅，或两者混合。
• 用词水平。随意、学术，或介于两者之间。
• 段落开头。直接切入主题，或先铺垫背景。
• 标点习惯。破折号、括号、分号的使用。
• 常用短语或口头禅。
• 过渡风格。使用显式的连接词，或直接进入下一点。

SKILL.md 中最严格的一条规则是：不要提升作者的词汇水平。如果示例文本中使用了 stuff 和 things，请勿将其替换为 elements 和 components。默认情况下，语调校准是一种降级而非升级。模型倾向于让内容变得更正式，而该技能旨在阻止这种行为。

12. 双重审核 (Two-Pass Audit)

该技能始终执行两轮审核。第一轮是根据 29 条规则进行的常规重写。第二轮则是 SKILL.md 中所称的“AI 生成痕迹审计”。在完成第一轮重写后，Agent 会向自己提出一个问题：

What makes the below so obviously AI generated?

随后，它会用几个简短的要点列出所有残留的 AI 特征。常见的包括：

• 节奏过于平稳（每个句子的长度都一样）。
• 听起来合理但缺乏来源的引用或名称。
• 读起来像 TED 演讲的口号式结尾。
• 第一轮重写后残留的潜在推诿语气。

然后它会再次提示自己：

Now make it not obviously AI generated.

并进行最后一次修订。第二轮审核简短、专注且效果惊人。这与人类编辑在一小时后重读自己的草稿是同样的技巧。规则告诉模型要寻找什么；而第二轮审核则要求模型再次审视。

13. 个性与灵魂

SKILL.md 中最主观的部分并非关于规则，而是关于语调。

• 每个句子的长度和结构都千篇一律。
• 没有观点，只有中立的陈述。
• 不承认不确定性或复杂的情绪。
• 在适合使用第一人称的地方却刻意回避。
• 没有幽默感，没有锋芒，没有个性。
• 读起来像维基百科条目或新闻稿。

关于如何找回语调的建议既简短又实用：

• 要有观点。不要只是陈述事实，要对事实做出反应。
• 改变节奏。使用短促有力的句子，再穿插一些从容的长句。
• 承认复杂性。 令人印象深刻但又让人不安 节奏 令人印象深刻.
• 在合适的时候使用 I 。第一人称是真诚的，而非不专业。
• 允许一些“杂乱”存在。离题和旁白读起来更具人性。
• 明确表达感受。指出那些令人不安的事物。

SKILL.md 中的对比示例值得引用。这份简洁但缺乏灵魂的草稿： 该实验产生了有趣的结果。Agent 生成了 300 万行代码。一些开发者对此印象深刻，而另一些人则持怀疑态度。其影响尚不明确。 带有灵魂的版本： 说实话，我不知道该如何看待这件事。在人类可能还在睡觉的时候，它生成了 300 万行代码。一半的开发者社区为此感到疯狂，另一半则在解释为什么这不算数。 事实相同。

14. 我们错在哪里

在阅读该 skill 之前我们做出的三个假设，以及阅读后发生的变化。

假设 1：这只是一个改写工具。 事实并非如此。

假设 2：大多数规则属于审美偏好，而非检测标准。 其中少数确实如此。模式 14（破折号滥用）主要是审美问题。但大多数规则是基于统计的。模式 7（AI 词汇）、模式 19（弯引号）、模式 22（谄媚的开场白），这些在 2023 年后都有可衡量的使用激增。维基百科指南是一个低调的测量项目，而非一份宣言。

假设 3：它会矫枉过正并毁掉技术文档。 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. 真实世界的工作流

16. 常见错误

• 将此技能视为 AI 检测器。 事实恰恰相反。它假设文本具有 AI 特征并对其进行编辑。如果人类作者恰好使用了相同的词汇，即使是对人类撰写的文本运行该工具，也会触发重写。
• 跳过语调样本。 如果没有样本，输出将是通用的精炼文案。提供三段你自己的写作样本，就是“非 AI”与“你本人”之间的区别。
• 只运行一次就直接发布。 内置了两轮审计机制，但如果你能亲自重读一遍输出内容，效果会更好。第一轮审计能捕捉到表层的瑕疵，而人工重读则能发现论证层面的问题。
• 导致它删除了有效的长破折号（em dashes）。 模式 14 是一条频率规则，而非禁止规则。如果你确实是有意使用长破折号，请告知 Agent 保留它们。
• 将其用于代码。 该技能专为散文设计。如果将其运行在代码注释上，它会把注释重写得像营销文案一样。请将其作用范围限定在文本上。
• 误以为 MIT 协议意味着“可以原封不动地重新分发所有内容”。该技能本身采用 MIT 协议。它处理的文本归你所有。其来源的 Wikipedia 指南采用 CC BY-SA 协议。三种不同的协议，对应三种不同的适用范围。

17. 性能与成本说明

• Token 预算。 该技能本身包含约 4,500 字的指令。这是每次调用时都会产生的固定开销。 /humanizer在 Claude Sonnet 上，一次典型的 800 字“人性化”往返处理，在包含 SKILL.md 的情况下，输入 Token 数通常接近 1.2 万。
• 延迟。 两轮处理加上一个审计步骤，意味着至少需要三次模型调用。请预留出单次重写请求所需时间的两到四倍作为总耗时。
• 语音样本。 添加样本会增加 Prompt 的长度，具体取决于你粘贴了多少 Token。通常三段文字约为 300 到 500 个 Token。这是值得的。
• 批处理任务。 该技能在设计上是交互式的。如果你想对数百篇文章进行“人性化”处理，建议通过脚本调用 Agent CLI 并以非交互模式运行。SKILL.md 的设计足够确定，可以支持这种用法。
• 质量瓶颈。 当输入超过约 1,500 字时，第二轮审计的效果会下降，因为模型会忘记它已经指出了哪些瑕疵。请将长文档分块处理。

18. 适用人群

19. 社区信号

三类值得关注的反馈。

第一类是 star velocity。该仓库在发布后的几个月内获得了超过 16k 的 star，这对于单个 Markdown 文件来说非常罕见。能够捕捉真实工作流的技能往往会出现这种激增。在 Claude Code 生态系统中，最接近的类比是 obra/superpowers，它遵循了类似的增长轨迹。

第二类是 fork 模式。这 1.6k 个 fork 大多是定制化版本：人们添加了特定行业的规则，移除了因 CMS 强制要求而产生的弯引号规则，或者将该 skill 接入到会在审计失败时拒绝 PR 的 CI 流水线中。这些 fork 的内容比基础仓库更加多样化，这是一种健康的生态。

第三点是 范围压力。开放的 issue 中询问了关于非英语语言的支持，请求增加仅输出 JSON 的模式以便接入其他工具，并提议为技术文档增加一个“保留原始格式”的 flag。这些都不是该 skill 本身的 bug，而是一个已经产生广泛共鸣的项目在下一阶段合理的里程碑。

20. 结论：值得使用吗？

该仓库赢得了它所要求的信任信号。其许可证是宽松的，引用来源是明确的，规则是可以逐条商榷的，而且 SKILL.md 短到十五分钟就能读完。这在同类项目中非常罕见。

21. 更宏大的图景

这个 humanizer skill 的核心其实不在于“人性化”。它在于教会模型像优秀的编辑那样审视自己的输出。这比单一的用例具有更普遍的适用性。一旦你编写了一个 skill，告诉模型“这是糟糕输出的统计学特征，这是如何在你的草稿中检测它们，这是如何进行修订”，你就拥有了一个适用于任何写作问题的模板。语调审计、偏见审计、内部风格审计、品牌声音审计。humanizer 就是这样一个原型。

它所代表的另一件事是 skill 定义的悄然转变。一年前，Claude Code 的 skill 只是外部 CLI 的轻量级封装。而 humanizer 没有 CLI。整个 skill 就是一个 Markdown 文件，内容是 如何思考。这是一种不同的模式，更接近于系统提示词（system prompt）而非工具集成。下一波有用的 skill 将会像这个一样：短小、观点鲜明、纯文本，并且构建自真正的领域专家的实战手册。

关于 skill 如何与其他 agent 原语组合的更多背景信息，请参阅我们的 Mastering Agent Skills 指南以及 Karpathy Claude Code Skills Guide 关于为何纯文本技能正在吞噬 Agent 技术栈的哲学框架。 Claude Code 最佳实践指南 是其权威配套文档。

22. 常见问题解答

23. 术语表

• AI 词汇 — 诸如 testament、 landscape、 pivotal以及 vibrant 等词汇，它们在 2023 年后的 LLM 输出中出现的频率远高于此前的人类写作。
• 系词 (Copula) — 动词 to be，或 拥有。LLM 通常会避免使用这些词，转而使用更花哨的动词，例如 充当 或 特性。
• 弯引号 (Curly quotes) — ChatGPT 默认输出的有向双引号 (“ ”)。大多数纯文本编辑器使用的是直双引号 (" ")。
• 长破折号 (Em dash) — LLM 用来代替逗号、句号或括号的宽破折号 (—)。这是该技能中的模式 14。
• 虚假范围 (False range) — 一种 从 X 到 Y 的结构，其中 X 和 Y 不在同一个有意义的量级上。模式 12。
• Frontmatter — 位于 SKILL.md 文件顶部的 YAML 代码块，用于声明技能的名称、描述、版本和允许使用的工具。Claude Code 通过读取此部分来注册技能。
• OpenCode — 一个遵循 Claude Code 技能格式的开源 CLI Agent。humanizer 技能在这两者中均可使用。
• 负面平行结构 (Negative parallelism) — 类似于以下的结构 不仅是 X， 或 这不仅仅是 A，而是 B。模式 9。
• 三段式法则 — 一种将事物归纳为三项的修辞习惯。无论原始素材是否包含三项内容，LLM 都会应用此模式。模式 10。
• SKILL.md — 定义 Claude Code 或 OpenCode 技能的单个 Markdown 文件。Humanizer 的整个代码库本质上就是其中之一。
• 谄媚语气 — 旨在取悦用户的开场白，例如 好问题！ 或 你说得完全正确！。模式 22。
• 尾随否定 — 附加在句子末尾的简短片段，例如 无需猜测 或 不做无用功。模式 9 的一个子集。
• 两轮审计 — 该技能通过问题触发的自我提示式二次审查 下面的内容为何如此明显地带有 AI 生成痕迹？.
• 语调校准 — 可选步骤：提供两到三段你自己的写作样本，以便重写内容符合你的风格。
• WikiProject AI Cleanup — 维护 Signs of AI writing 指南的维基百科志愿者小组。这是该技能中每一条规则的主要来源。

24. 所有来源与链接

主要来源

• blader/humanizer GitHub repo
• SKILL.md (完整技能，包含 frontmatter 和规则)
• README.md (安装、使用方法、版本历史)
• 问题追踪器 (功能请求、语言支持、格式化标志)
• Pull requests
• 发布历史 (1.0.0 至 2.5.1 版本)

基础参考资料

• Wikipedia: Signs of AI writing (主要来源)
• WikiProject AI Cleanup（维护组织）

兼容的 Agent

• Claude Code（官方）
• OpenCode（开源 CLI Agent）

内部链接

• 掌握 Agent 技能
• Karpathy Claude Code 技能指南
• Antigravity 技能设置指南
• Claude Code 最佳实践指南
• Android 逆向工程技能指南

25. 来源归属表