Humanizer 开源 Skill 介绍 - 今日头条文章摘要
文档概览
这篇今日头条文章以“AI 初稿虽然事实核对完成,但仍带有无机感、缺少真人情绪和立场”为切入点,批评市面上很多所谓去 AI 痕迹工具仍停留在同义词替换、打乱语序的洗稿路线,只是从一套模板跳到另一套模板。
文章主张 Humanizer 的价值不在于“洗稿”或“骗检测”,而在于把“读起来不对劲”的模糊感觉拆解成可诊断、可复查、可修复的写作问题清单。它通过一份给 AI 阅读的审稿手册和一套“初稿改写—自我审计—终稿修订”的流程,让 AI 先识别自身写作模式,再进行针对性改写。
文章主体结构大致包括九个部分:
- 项目介绍:澄清 Humanizer 的身份、理论来源和 Two-Pass Audit 机制。
- 35 类 AI 写作痕迹大盘点:按内容、语言语法、风格格式、聊天机器人残留、填充缓冲词等方向举例。
- 人性化写作的 6 条灵魂准则:说明去除 AI 模板只是第一步,还要注入真人声音。
- 高阶玩法:介绍基于 2—3 段本人样本文稿的声音校准功能。
- 中文版适配方案:介绍 Humanizer-zh 对中文写作场景的本土化改造及限制。
- 落地部署教程:给出 Claude Code、OpenCode、npx skills、Claude 插件市场等安装方式。
- 适合哪些人群:包括自媒体作者、开发者、非母语写作者、技术博主、独立写作者等。
- 选型方案:比较原版 Humanizer、Humanizer-zh 和纯人工改写。
- 最后总结:强调内容差距来自作者性,而不是单纯产出文字。
关键事实
Humanizer 的定位澄清
文章特别强调,很多人第一眼会误以为 Humanizer 是独立运行的去 AI 检测工具、Python 脚本或网页应用,但这并不是它的真实定位。
Humanizer 本质上是一份可移植的 Agent Skill,也就是“智能体技能”。它的核心只有两份文本文件:
SKILL.mdREADME.md
文章明确指出,它没有编译产物,也无需后端服务运行。换句话说,Humanizer 不是一个需要部署服务器、启动 Web 页面或运行 Python 程序的应用,而是一套可被支持 Skill 能力的 AI Agent 读取和执行的审稿指南。
文章用一句话概括其定位:它不是文字洗稿器,而是一份交给 AI 使用的高级编辑审稿指南。
理论来源
文章称 Humanizer 的理论根基来自维基百科 WikiProject AI Cleanup 维护的公开文档《Signs of AI writing》。该文档汇总了数千份 AI 生成文本样本,归纳出数十条大模型高频写作特征。
Humanizer 将这些特征整理成一份详尽的“AI 写作病症手册”,让 AI 自己对照自查,诊断文稿问题,并完成针对性改写。文章将这种思路区别于普通润色工具:普通工具往往只做表面润色,而 Humanizer 试图建立一套可复查的审稿流程。
Two-Pass Audit 三步流水线
文章称 Humanizer 和普通润色工具最大的分水岭,是它的 Two-Pass Audit 文稿自审机制。虽然名称叫 Two-Pass Audit,两轮自审审计,但完整流水线在文章中被拆成三步:
- Draft Rewrite:初稿改写。
- AI Audit:AI 自我审计。
- Final Version:终稿修订。
1. Draft Rewrite:初稿改写
在第一步中,AI 对照手册扫描全文,标记命中的 AI 写作模式,并对问题段落做第一轮改写。文章列举的主要清理对象包括:
- 高频高级词汇。
- “不仅……而且……”式排比句。
- 强行凑齐三点的三段式列举。
- 过度拔高意义的空洞修辞。
文章认为,第一轮主要解决的是肉眼可见的表层 AI 痕迹。
2. AI Audit:自我审计
第二步是文章认为最核心的一步。AI 需要跳出创作者视角,切换成审稿人视角,反问自己:“这段文字为什么依旧一眼就能看出是 AI 生成?”
在这一阶段,AI 要逐条列出残留可疑信号,并以清单形式输出问题诊断结果。这一步对应 AI 写作痕迹诊断规则 中“先定位问题、再修改文稿”的思路。
3. Final Version:终稿修订
第三步基于审计阶段发现的深层隐患,展开第二轮改写并产出最终文稿。文章将第一轮和第二轮的区别说得很清楚:
- 第一轮解决看得见的表层模板。
- 第二轮瞄准说不清道不明的深层违和感。
这些深层违和感包括:
- 句子长度高度均匀。
- 语气永远中立、没有立场。
- 通篇缺少个人视角。
- 行文节奏死板僵硬。
产品文案案例
文章用一个产品文案案例说明三步流程的差异。
原始 AI 文稿大意是:产品是公司致力于创新的证明,提供无缝、直观且强大的用户体验,确保用户高效完成目标;这不仅是一次更新,更是思考生产力方式的革命。
Draft Rewrite 初稿把它改成了更直接的功能说明:产品更新添加了批处理、键盘快捷键和离线模式,用户可以更快完成任务。
AI Audit 自我诊断清单指出三个问题:
- 句子长度过于均匀,缺乏节奏变化。
- 语气像冰冷产品说明书,不带任何作者立场。
- 完全删掉用户视角,沦为纯功能罗列。
Final Version 终稿则改成更有个人场景感的表达:这次更新加了三个东西:批处理、键盘快捷键、离线模式。说实话,最重要的可能是离线模式——终于不用在飞机上干瞪眼了。
文章用这个例子强调:初稿改写只是清洁 AI 痕迹,终稿修订才主动注入人的语气和真实使用场景。这是 Two-Pass Audit 文稿自审机制 带来的质变。
重要细节
35 类 AI 写作痕迹的五大分组
文章称 Humanizer 在 SKILL.md 中把 AI 写作异常信号划分为五大分组,合计 35 种写作模式。文章没有逐条列完全部 35 种,而是挑选了日常写作中最常见的类别进行拆解。
这些类别可整理为以下五组。
1. 意义膨胀与空洞修辞
文章认为,AI 很容易把普通事件拔高成里程碑式叙事。常见表现包括:
- 意义抬高:频繁出现“标志着一个关键时刻”“作为不朽的见证”“行业全新格局”等表述,把普通工作强行赋予史诗级意义。
- 空泛分析:大量堆砌“突出了……”“象征了……”“展示了……”之类没有实质论据支撑的分析句式。
- 模糊归因:使用“专家认为”“观察者注意到”等说法,却不给出专家姓名或资料来源。
- 套路结尾:文章最后标配“挑战与展望”段落,但没有输出任何新信息。
2. 高频词与句式惯性
文章把这一类称为中文用户最熟悉的“AI 腔重灾区”。
英文高频黑名单词汇包括:
delvetapestrycrucialshowcasepivotalseamlesstransformative
中文对应高频套话包括:
- 至关重要
- 充分彰显
- 值得注意的是
- 从某种层面来说
- 在 AI 浪潮之下
- 形成闭环
- 持续赋能
文章还列出几类典型语法惯性:
- 系词回避:偏爱
serves as、stands as这类绕弯表达,而不直接使用简单的is或“是”。 - 同义词轮换陷阱:反复更换词汇指代同一主体,人类写作较少这样做,容易造成读者混淆。
- 强制三件套:哪怕只有两个要点,AI 也会硬凑出三点并列句式。
- 被动语态泛滥:通篇看不到第一人称视角。
3. 整齐到反常的排版
文章认为,AI 对排版常有一种近乎偏执的整齐感,这类痕迹很容易被忽略。典型信号包括:
- 破折号,尤其是英文语境中的 em dash,被过度使用。
- 无必要的粗体轰炸。
- 大量内嵌小标题。
- 标题强制大写。
- 滥用 emoji 图标做分区标记。
- 弯引号高频出现。
- 段落长度高度统一,长短句没有节奏起伏。
4. 聊天机器人残留话术
文章指出,AI 在对话场景中的客套话术有时会被误带入正式文章正文,例如:
I hope this helps! Let me know if you have any questions.Great question! You’re absolutely right!
文章认为,真人撰写公众号、技术文档或产品文章时,几乎不会出现这类客服式话术。因此它们可以成为明显的上下文错位信号。
5. 填充与模糊缓冲词
文章称,AI 为了保证输出稳妥、不出错,常常叠加多层缓冲垫并拉长句子。例子包括:
- 用
in order to代替to。 - 用
due to the fact that代替because。 - 使用
could potentially possibly be argued这类模棱两可、没有明确立场的表达。
防误杀提醒
文章专门给出重要提醒:单一特征不等于 AI 生成文本。一篇文章仅仅出现一个破折号、一处高级词汇,不能直接判定为机器产物。
这也是 AI 写作痕迹诊断规则 中很关键的边界:规则用于提示风险、辅助审稿,而不是当作机械判定器。文章还强调,改写过程中禁止一刀切删除所有正式书面表达。正式、严谨、书面化并不天然等于 AI 腔。
人性化写作的 6 条准则
文章引用 SKILL.md 中的一句核心理念:Avoiding AI patterns is only half the job. Sterile, voiceless writing is just as obvious as slop.
文章将其翻译为:清除 AI 模板痕迹只完成了一半工作;一篇干净却毫无立场、没有声音的无菌文稿,依旧一眼能被认出是 AI 产物。
因此 Humanizer 不只是删除坏模式,还要求 AI 主动注入真人写作特质。文章列出的六条人性化写作准则如下。
1. 明确立场
文章要求对事实给出个人反应,拒绝永远中立。示例是用“这个发现很重要”替代“这一发现具有重要性”。
2. 变换节奏
长句和短句要交替出现,打破 AI 句子长度高度统一的通病。节奏变化本身就是人类写作的可感知特征。
3. 承认复杂性
文章鼓励写出矛盾观点,例如“这项技术很强,但同时也带来了新风险”,避免非黑即白的完美话术。
4. 善用第一人称
在合适场景中大胆使用“我觉得”“我实测”“我遇到”等表达,跳出 AI 常见的被动隐身写作习惯。
5. 允许适度凌乱
文章认为,合理加入插入语、短暂离题、半成型的想法,并不一定是写作缺陷,反而可能是真人思考的印记。
6. 落地具体情感
文章反对空泛情绪标签,例如“这令人担忧”。它推荐换成具象场景描述,例如“agent 凌晨三点还在运转,没人值守监控,有种说不出的不安”。
声音校准功能
文章把 个人写作声音校准 称为 Humanizer 的高阶玩法。它认为,单纯产出一篇“通用真人风”文稿并不够,因为每个人的写作节奏、用词偏好和口头禅都不同。
文章称,用户只需要提供 2—3 段本人亲笔完成的过往文章样本,Skill 就会自动解析写作指纹,包括:
- 句子习惯是偏长,还是短促有力。
- 常用过渡词和专属口头禅。
- 段落开头的行文习惯。
- 标点符号偏好。
- 换行节奏偏好。
- 正式语气和口语语气之间的尺度。
文章给出的调用模板如下:
/humanizer
以下是我的写作风格样本:
【粘贴2-3段本人过往文稿】
现在请根据我的写作风格humanize以下AI文本:
【粘贴待改写的目标文稿】
文章强调,这种方式不是套用千篇一律的“真人模板”,而是在移除 AI 写作模式后,替换成用户本人的个人写作模式。
中文版适配:Humanizer-zh
文章指出,原版 Humanizer 的诊断规则基于英文语境开发,部分特征不能直接适配中文写作。例如英文的 em dash 高频问题,在中文环境中对应的可能是破折号滥用、段落整齐刻板、万能过渡词堆砌。
文章介绍了开源社区的中文适配版本 Humanizer-zh,仓库地址为:
文章称,汉化版把原版 29—35 条 AI 写作病症做了中文本土化翻译,并重新整理出 24 条中文 AI 写作识别模式,分为四大类:
- 内容模式。
- 语言语法模式。
- 风格模式。
- 交流填充词模式。
它还把英文高频 AI 词清单替换成中文公众号、技术文章中高频出现的套话黑名单。底层流程仍沿用“初稿—审计—终稿”的三轮流水线。
文章也明确指出 Humanizer-zh 的局限:它是原版规则的本土化移植,并非从零基于中文网文生态重新设计。若用于公众号爆款长文,文章建议在 Humanizer-zh 改写后额外人工检查以下中文独有 AI 通病:
- 时代背景空开头。
- 短句过度堆叠。
- 无效价值拔高。
部署方式
文章称 Humanizer 适配所有支持 Skill 能力的 AI Agent,并给出几套安装方式。
方式 1:本地目录手动克隆安装
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
方式 2:一键全局安装
npx skills add blader/humanizer --global
文章说明,去掉 --global 参数即可仅安装到当前项目目录。
方式 3:Claude Desktop / Claude Code 插件市场安装
/plugin marketplace add blader/humanizer
/plugin install humanizer@humanizer
加载成功后,可直接调用:
/humanizer【粘贴你需要改写的AI文稿】
文章还补充了文档和 Markdown 稿件改写提示:如果传入文件路径,例如 docs/launch-post.md,Humanizer 默认会保留代码片段、数据表格、文章头部元信息和超链接地址不动,只修改正文散文文字。因此它适合用于 README、技术博客、公众号 Markdown 初稿润色。
适合人群
文章列出的适合人群包括:
- 公众号和自媒体内容创作者:在 AI 产出初稿后作为最后一道打磨工序,洗掉机器痕迹,提升读者信任感。
- 开发者:用于项目文档、PR 描述、Commit 提交信息,减少生硬官方话术。
- 非母语写作者:AI 辅助产出英文文稿后,校准文本语气,让英文表达更地道自然。
- 技术博主和独立写作者:希望保留个人写作声音,避免被模板化 AI 腔覆盖。
- 所有厌烦 AI 模板腔输出的用户。
选型方案与误区澄清
文章明确澄清:Humanizer 不等于 AI 检测器绕过神器。项目本身不以骗过 AI 检测工具为目标。即便文字完成人性化改写,仍有可能被检测工具识别。文章建议不要把“降检测率”作为唯一使用目的。
文章认为 Humanizer 的核心价值是优化可读性、重建作者个人声音。
文章推荐的公众号 AI 稿件流水线是:
- 用 ChatGPT 或 Claude 搜集素材,产出文章初稿。
- 人工核对所有事实、数据、案例和文章整体框架。
- 使用 Humanizer 或 Humanizer-zh 清除模板化 AI 痕迹。
- 通过声音校准匹配本人文风。
- 作者最后一轮人工微调并定稿发布。
文章还给出三种选型:
| 方案 | 适用场景 | 优缺点 |
|---|---|---|
| 原版 Humanizer | 英文文稿、海外技术文档 | 规则完善、案例丰富;中文适配弱 |
| Humanizer-zh 汉化版 | 国内公众号、中文技术文章 | 完成基础中文适配;缺少中文网文专属规则 |
| 纯人工改写 | 深度爆款长文、高权重原创稿件 | 效果最好;耗费大量时间精力 |
文章结论
文章最后的核心判断是:随着大模型生成文字越来越容易,“产出文字”本身已经不再是门槛。真正拉开内容差距的,是文字背后的作者性,包括观点、亲身经历和独属于作者的表达节奏。
文章认为 Humanizer 的启发不是提供一个“一键去 AI 味”的按钮,而是把“读起来不对劲”的主观感受拆成一条条可见、可诊断、可修复的问题清单。
文章建议,未来不要只给 AI 一句模糊提示词“写得自然一点”,而要明确告诉 AI:
- 删掉空洞拔高修辞。
- 去掉万能过渡词。
- 长短句交替。
- 加入第一人称视角。
- 走完自我审计复查流程。
文章给出的项目地址为:
相关条目
- Humanizer
- Humanizer-zh
- Signs of AI writing
- Two-Pass Audit 文稿自审机制
- AI 写作痕迹诊断规则
- 个人写作声音校准