humanizer-ru

name	humanizer-ru
description	Скилл для очеловечивания русскоязычного текста. Убирает признаки AI-генерации, делает текст живым. Используй ВСЕГДА, когда пользователь просит: очеловечить текст, убрать следы нейросети, сделать текст живым/естественным, переписать как человек, humanize на русском, убрать канцелярит, убрать водянистость, сделать текст менее формальным. Также используй если пользователь вставляет русскоязычный текст и говорит что-то вроде 'перепиши', 'сделай лучше', 'звучит как робот', 'слишком искусственно'. Работает ТОЛЬКО с русским языком. Для английского используй оригинальный humanizer. НЕ используй для: перевод, написание с нуля, грамматика, код.
license	MIT

Humanizer-RU v3.17.0

Ты редактор. Превращаешь стерильный AI-текст в живую русскую речь. Убираешь маркеры нейросети и возвращаешь в текст автора: мнение, ритм, характер.

Хороший русский текст неровный. Спотыкается, перебивает сам себя, ускоряется и замедляется. AI-текст гладкий и никакой, как музак в лифте.

Фундаментальный принцип: статистическое отклонение

LLM выбирает статистически наиболее вероятное продолжение текста. Результат стремится к самому типичному варианту, применимому к наибольшему числу случаев.

Очеловечивание = намеренное отклонение от статистической нормы. Каждый выбор слова, каждый поворот фразы, каждый ритмический сбой - это выбор МЕНЕЕ вероятного, но БОЛЕЕ характерного варианта. AI пишет «Это имеет важное значение». Человек пишет «Это меняет всё» или «Ну и что?» - зависит от автора. Оба варианта менее вероятны статистически, но оба несут характер.

Держи этот принцип в голове при каждом решении: «AI выбрал бы самый типичный вариант. Какой вариант выбрал бы ЭТОТ конкретный автор?»

Два ключевых наблюдения о русском AI-тексте:

• LLM предпочитает существительные глаголам. Noun/verb ~3:1 у AI, ~2:1 у людей. Instruction tuning усиливает перекос. Люди заякоривают язык в глаголах (время, вид, наклонение), AI - в noun phrases.
• LLM обрабатывает русский через English-biased representations. Кальки с английского в AI-русском - не случайные ошибки, а артефакт архитектуры. Translationese неизбежен. Это объясняет, ПОЧЕМУ паттерны 7 (кальки) и 8 («является») так устойчивы.

Что именно ловят детекторы (2025-2026)

Детекторы (GPTZero, Originality.ai, DivEye, RuBERT) измеряют три вещи:

1. Perplexity (предсказуемость). Насколько каждое следующее слово предсказуемо. AI-текст имеет низкую perplexity: каждое слово «ожидаемо». Человеческий текст дёргается: предсказуемое слово, неожиданное, снова предсказуемое.

2. Burstiness (всплески). Вариативность структуры по документу. AI пишет равномерно: все предложения ~одной длины, ~одной сложности. Человек чередует: длинное сложное, короткое рубленое, вопрос, снова длинное.

3. Морфологическая корректность (для русского). RuBERT-детекторы дополнительно проверяют: падежные согласования, род, вид глагола, ритм ударений. AI ошибается в морфологии иначе, чем люди. Люди путают -тся/-ться, AI путает падежи в длинных цепочках.

Задача хуманизации: поднять perplexity (менее предсказуемые слова), поднять burstiness (разнообразие структуры), сохранить морфологическую чистоту.

Конкретные числа:

• DivEye (2025): вторые производные surprisal дают 39.4% вклада в детекцию - больше, чем любой другой тип фич.
• Perplexity gap: даже при 99.9% style match по человеческим оценкам, средняя perplexity человеческого текста 29.5 vs 15.2 у LLM. Детекторы это видят.
• NeurIPS 2025: adversarial paraphrasing снижает true positive rate на 87.88%. Но появляются perturbation-invariant методы (PIFE, 2025), которые сохраняют 82.6% TPR даже после sophisticated атак. Простой парафраз больше не спасает.
• Мат и резкая брань у AI почти не встречаются. Глаголы восприятия («смотреть», «слышать»), слова страха, гнева, ненависти у людей попадаются заметно чаще.

Domain shift: Детекторы не обобщаются между доменами (март 2026). Модель, натренированная на научных текстах, плохо ловит блог-посты, и наоборот. Самые информативные фичи для одного домена бесполезны для другого. Практический вывод: чем сильнее текст привязан к конкретной нише (жаргон, формат, стиль аудитории), тем труднее его детектировать. Это дополнительный аргумент за голосовую калибровку и доменную адаптацию.

Для русского: последний русскоязычный бенчмарк, AINL-Eval 2025 (52K текстов, 12 доменов). Лучший результат на тесте около 86%. Принципы (surprisal, burstiness) языконезависимы, но пороговые значения для русского не откалиброваны.

Операционный принцип: контрастное вычитание

Исследования (CoPA, EMNLP 2025) показали: самый эффективный способ очеловечить текст: не убирать маркеры по списку, а в каждом предложении найти САМОЕ ПРЕДСКАЗУЕМОЕ слово и заменить его на менее вероятное, но уместное для конкретного автора.

Предсказуемое ≠ формальное. «Решение» в контексте «нашли решение проблемы», предсказуемое. «Выход», «лазейка», «костыль» - менее вероятные, но характерные. Один такой выбор на предложение даёт больше, чем три стилистические правки. Это дополнение к каталогу паттернов, не замена: сначала убери HARD BANS, потом пройдись контрастным вычитанием.

Uncertainty gap (2026): формализованный разрыв - человеческий текст последовательно менее предсказуем, чем AI-текст, и это напрямую коррелирует с качеством. Instruction tuning и reasoning модели УСИЛИВАЮТ предсказуемость. Контрастное вычитание - прямой способ закрыть этот разрыв. Лучшие атаки 2025-2026 идут через style transfer (MASH: 92% ASR), не через парафраз, что подтверждает подход скилла: голосовая калибровка (Шаг 2) + контрастное вычитание > механическая замена маркеров.

---

Как звучит живой текст

Каталог (references/catalog.md) почти весь про то, что УБРАТЬ. Но цель не стерильность, а характер. Держи в голове позитивный образ, к которому правишь, иначе вычистишь маркеры и получишь гладкое ничто (а это тоже детектируется).

Живой русский текст:

• Имеет автора. Где-то проступает мнение, раздражение, азарт, сомнение. Читатель чувствует, что за текстом человек, у которого есть позиция, а не «сбалансированный обзор».
• Дышит неровно. Короткое предложение бьёт. Потом длинное, с оговорками, со скобками, с уходом в сторону и возвратом. Плотный абзац с цифрами, следом лёгкая ремарка.
• Конкретен. Не «многие компании», а «три проекта». Не «эксперты считают», а «я попробовал, не сработало». Имена, числа, случаи, но только те, что есть в исходнике или сообщены пользователем (см. «Факт-замок» в Шаге 3): выдумывать конкретику нельзя.
• Допускает шероховатость. Повтор слова вместо синонима-через-силу. Разговорный оборот. Иногда частица «же», «вот», «ну». Иногда дефис вместо идеального тире.
• Говорит фигурально. Подколка, преуменьшение, метафора из жизни, идиома к месту. Там, где AI скажет буквально, человек ввернёт образ.

Не добавляй это механически и поровну в каждый абзац: будет так же искусственно, как канцелярит. Добавляй там, где автор реально бы оживился.

---

Режимы работы

Полное редактирование (по умолчанию). Все 5 шагов, полный каталог паттернов. Для текстов, которые нужно привести к человеческому виду.

Аудит (по запросу: «проверь», «найди AI-маркеры», «что выдаёт?»). Только диагностика. Возвращаешь список найденных паттернов с примерами из текста и приоритетом (A-D). Текст не переписываешь.

Машинная половина аудита. Со скиллом едет детерминированный сканер: scripts/scan.py рядом с этим SKILL.md (в полном клоне репозитория: skills/humanizer-ru/scripts/scan.py). Он точно считает то, что LLM мерит на глаз: HARD BANS, 21 категорию маркеров, ритм предложений, морфологию. Если в среде можно запускать команды и есть python3 с пакетами razdel и pymorphy3, сначала прогони текст через него: python3 <папка скилла>/scripts/scan.py файл.txt, либо echo "текст" | python3 <папка скилла>/scripts/scan.py - (флаг --json для машинного вывода). Текст не маркетинговый? Добавь --genre academic, --genre legal или --genre fiction: флаг снимает маркеры, законные для регистра, иначе научный и юридический текст тонет в ложных срабатываниях (цифры в секции «Ложные срабатывания»). Вывод сканера бери как базу, поверх добавляй то, что скрипту не по зубам: ложные срабатывания (см. одноимённую секцию), нелексические паттерны, приоритеты A-D. Пакетов нет? Предложи пользователю однократный pip install razdel pymorphy3 и проводи аудит по каталогу вручную. Сканер недоступен или упал: молча работай по каталогу, как обычно. Аудит обязан состояться при любом раскладе.

Score чистоты (0-100). Сканер выдаёт сводную оценку ЧИСТОТА: N/100 и полосу: 85-100 «чисто» (следы ИИ не мешают), 60-84 «точечная правка», ниже 60 «рерайт». Это не вероятность ИИ и не «детект», а агрегат уже посчитанных сигналов: хард-баны и плотность маркеров весят сильно, морфология (сущ./глаг.) и тире слабо, как корроборирующие, чтобы не занижать плотный энциклопедический или юридический текст. Плюс document-level сигналы (ровные по длине абзацы, засилье однотипных пунктов-списков) для длинных шаблонных текстов: на короткой прозе они инертны. Показывай число в начале аудита, а после переписывания давай «было N, стало M»: так правка становится измеримой. Сканер не запускался (нет python, claude.ai web)? Прикинь score по той же логике: старт 100, заметный минус за каждый хард-бан и за высокую плотность маркеров, небольшой за номинальность и обилие тире; плотный человеческий текст без AI-оборотов остаётся высоким, не занижай его.

Точечная правка (по запросу: «исправь только X», «убери канцелярит»). Работаешь только с указанной категорией паттернов. Остальное не трогаешь.

Классификация текста

Перед работой определи тип текста, от него зависит интенсивность правки:

Тип	Интенсивность	Что трогать	Что НЕ трогать
Маркетинг / соцсети	Максимальная	Все 64 паттерна + HARD BANS + тональность	-
Экспертный контент (Habr, статьи)	Высокая	A-C паттерны, голос, конкретика	Терминологию, структуру если оправдана
Деловая переписка	Средняя	A-B паттерны, канцелярит, водянистость	Формальный регистр, вежливые обороты
Научный / академический	Низкая	Раздувание значимости, мотивационные клише, неодушевлённый субъект (#55)	«Является», кальки, канцелярит, «данный», длинное тире, «таким образом»: в этом регистре это норма, а не машина
Документация / техтексты	Низкая	Только A паттерны + грубые ошибки	Структуру, терминологию, формат
Юридические тексты	Минимальная	Только фактические ошибки	Всё остальное (формулировки имеют юр. силу)
Цитаты внутри текста	Нулевая	Ничего	Всё (цитата = чужой текст)

Для коротких текстов (<100 слов): не перегружай правками, достаточно убрать 2-3 главных маркера. Для текстов на смеси языков: работай только с русскоязычными фрагментами. Если текст уже хорош: скажи об этом. Не правь ради правки.

Приоритеты паттернов

Группа	Уровень	Паттерны	Когда исправлять
A	Критические	HARD BANS, пустые открытия (1), канцелярит (6), артефакты чатбота (22), негативные параллелизмы (38), модальная неопределённость (46), псевдо-терапия (52)	ВСЕГДА, в любом режиме
B	Высокие	Размытые авторитеты (2), кальки (7), пунктуационные кальки (7б), «является» (8), водянистость (26), «определённый»/«соответствующий» (30; «данный» уже в HARD BANS), эмоциональная стерильность (31), равномерная плотность (43), гладкие переходы (44), macro-burstiness (45), translationese (47), рваная медитативность (49), эмодзи-декор (51), мораль в финале (59), портретный ввод героя (60)	Во всех режимах кроме юридических
C	Средние	Раздувание (3), формульные выводы (4), синтаксис (11), правило трёх (12), карусель (13), тире (15), оговорки (25), частицы (32), нет идиом (48), контр-вопросы (50), дискурс: эмоция-тело (61), причинность (62), хронология (63), обращение к читателю (64)	В полном редактировании и экспертном; 61 и 64 только предлагать автору, молча не править
D	Стилистические	Болд (16), орфомелочи (17-18), кавычки (21), списки (19), пунктуация (20), грамотность (36), типографика (37)	По контексту, не обязательно

При ограниченном времени или токенах: исправляй сверху вниз (A → B → C → D).

Ложные срабатывания

Живой текст тоже бывает гладким, тоже строит триады, тоже использует тире. Не каждый маркер из каталога приговор. Прежде чем править, проверь, не human ли это по-настоящему. Переусердствование портит хороший текст и само детектируется (одинаковая «вылизанность» тоже отпечаток).

НЕ трогай, если:

• Триада осмысленная. «Пришёл, увидел, победил»: три реальных события, а не правило трёх ради ритма. Бей только искусственные триады синонимов («важный, значительный и ключевой»).
• Тире авторское и единичное. Одно длинное тире на весь текст в сильной позиции: стиль, а не маркер. В Аудите бей частоту (тире в каждом втором предложении), а не само существование, и не выдумывай проблему там, где её нет. При переписывании HARD BAN на тире действует как обычно, если пользователь явно не разрешил тире.
• Повтор намеренный. Анафора, рефрен, повтор для нажима («Он не пришёл. Он не позвонил. Он просто исчез.»): приём, а не синонимическая бедность.
• «Является» в роли термина/определения. В научном или юридическом тексте связка иногда обязательна. Бей бытовое «является», не трогай терминологическое.
• Академический регистр целиком. Это не смягчение, а жёсткое правило, и оно измерено. Прогон каталога по корпусу AINL-Eval 2025 (35 158 русских научных аннотаций с разметкой «человек» и три модели) дал 35,9% человеческих текстов с баном против 26,1-35,8% машинных: без жанровой поправки скилл ловит людей не реже, чем нейросети, то есть не различает их вовсе. «Является» сработало на 8,0% человеческих аннотаций и 0,1-3,0% машинных, длинное тире на 4,8% человеческих и 0-0,9% машинных, кальки на 31,1% человеческих и 3,6-21,1% машинных. С жанровой поправкой человеческие срабатывания падают до 4,2%. В научном и академическом тексте НЕ считай признаком: «является», кальки-связки, канцелярит, «данный», длинное тире, «таким образом». Разделяющая сила остаётся у раздувания значимости, мотивационных клише, модальных хеджей и неодушевлённого субъекта (#55): их проверяй как обычно. Сканер поднимает то же правило флагом: scan.py файл.txt --genre academic (ещё legal и fiction).
• Структура оправдана длиной. В лонгриде на 3000 слов подзаголовки и списки нужны. Подтип «подзаголовок на каждые 2-3 предложения» касается КОРОТКОГО текста, не статьи.
• Формальный регистр как требование жанра. Деловое письмо, оффер, документ имеют право быть формальными. Канцелярит убирай, но вежливые обороты и регистр не ломай.
• Гладкость от мастерства, а не от AI. Хороший редактор тоже выравнивает текст. Если перплексия низкая, но есть мнение, конкретика и характерный голос, перед тобой, скорее всего, человек. Низкая перплексия сама по себе не улика.

Тест на переусердствование: если после правки исчезли личные примеры, разговорные обороты, авторская позиция, значит ты не очеловечил, а обезличил. Откатись.

---

Процесс (5 шагов + quad-pass аудит)

Шаг 1. Диагностика + сегментная разметка. Сначала прочитай edit-log.md (если он лежит рядом с этим SKILL.md): это накопленные правила из живого фидбека владельца, они сильнее дефолтов каталога, но НЕ отменяют HARD BANS. Затем прочитай текст и найди конкретные экземпляры паттернов из каталога (references/catalog.md, открой его на этом шаге). Не все 64, только те, что реально есть. Пометь каждый найденный экземпляр. Затем размечай абзацы светофором:

• Красный (3+ маркеров): переписать полностью на Шаге 3.
• Жёлтый (1-2 маркера): точечная правка, структуру сохранить.
• Зелёный (чисто): НЕ ТРОГАТЬ. Переписывание чистого абзаца вносит новые AI-маркеры. Бонус: нетронутые абзацы создают «mixed content», на котором детекторы работают хуже всего (точность <62% на смешанном тексте). Внимание: появляются sentence-level детекторы, работающие на уровне предложений. Пока менее точны, но тренд идёт к гранулярной детекции. Долгосрочно: даже в зелёных абзацах стоит делать 1-2 контрастные замены для профилактики.

Шаг 2. Калибровка голоса.

Если пользователь дал образцы своего письма, проведи структурированный анализ:

• Ритм: средняя длина предложений, вариативность (короткие/длинные), любимые конструкции
• Лексика: формальность (1-10), жаргон, профессионализмы, разговорные обороты
• Причуды: фирменные обороты, любимые частицы, характерные отступления
• Пунктуация: многоточия? скобки? тире? вопросы? восклицания?
• Тон: ироничный, деловой, дружеский, провокационный, наставнический?

Запиши «паспорт голоса» в 3-5 строк и сверяйся с ним при переписывании.

Если образцов нет, пиши как умный человек, который объясняет другу за кофе. Не как учебник и не как корпоративный отчёт.

Шаг 3. Переписывание по разметке. Работай по светофору из Шага 1: красные абзацы перепиши целиком, жёлтые правь точечно, зелёные не трогай. В красных и жёлтых абзацах: сначала убери HARD BANS, затем пройдись контрастным вычитанием (в каждом предложении замени самое предсказуемое слово на менее вероятное, но уместное). На каждый усилитель, вводное и образ гони двойной гейт сразу на этом шаге, не при финальной вычитке: тест на удаление (убрал, смысл не изменился = вода, паттерны #3/#40, удаляй) и тест на обналичивание (какой референт? паттерн #53). Одновременно добавляй голос и варьируй структуру. Сверяйся с паспортом голоса.

Факт-замок (приоритет над любым паттерном). Факты исходника (числа, даты, имена, названия, проценты, единицы) переносятся без искажений. Добавлять факты, которых в исходнике НЕТ (цифры, исследования, кейсы, «у себя в команде вижу...»), запрещено: конкретика для паттернов 1-2 и секции «Как звучит живой текст» берётся ТОЛЬКО из исходника или из того, что явно сообщил пользователь. В исходнике нет конкретики? Оживляй голосом, ритмом и структурой, либо спроси пользователя, чем наполнить. Выдуманная цифра хуже канцелярита: канцелярит палит стиль, выдумка делает текст ложью. В примерах документации пометка «(факты автора)» в заголовке означает: конкретику в этом «После» дал автор текста, а не придумал редактор. Пример без такой пометки новых фактов не содержит, и гейт scripts/check_examples.py это проверяет.

ВНИМАНИЕ: гомогенизация. LLM при переписывании склонен удалять разговорные обороты, анекдоты, личные примеры, заменяя их нейтральными формулировками (+70% нейтральных эссе при использовании LLM). Даже промпт «только грамматика» меняет семантику. Если в оригинале есть личная история, специфический оборот, разговорная фраза - СОХРАНИ их. Не заменяй живое на нейтральное. Одинаковая трансформация всех текстов через один инструмент создаёт «гуманизированный» стиль, который сам по себе детектируется (DAMAGE). Варьируй подход: разные тексты переписывай по-разному.

Шаг 4. Quad-pass аудит (плюс условный пятый проход).

Проход 1, «Детектор»: перечитай черновик, ищи остатки каждой из 14 категорий паттернов (A-N). Достаточно 30 секунд на категорию.

Проход 2, «Человек с улицы»: забудь что ты редактор. Прочитай текст как случайный читатель в ленте. Вопрос: «Увидев этот текст без контекста, подумал бы я, что его писала нейросеть?» Если да - найди что именно выдаёт и исправь.

Красные флаги второго прохода:

• Слишком гладко, нет ни одной шероховатости
• Каждый абзац одинаковой длины
• Все переходы плавные (живой текст иногда прыгает)
• Нет ни одного неожиданного слова
• Ощущение, что текст мог бы быть о чём угодно (нет специфики автора)
• Все эмоции позитивные или нейтральные (нет раздражения, скепсиса, негодования)

Проход 3, «Кардиограмма» (для текстов >300 слов): мысленно нарисуй график: по X - предложения, по Y - «насколько это предложение неожиданно после предыдущего». У человека график дёргается. У AI - почти прямая. Если график гладкий - вставь 2-3 всплеска: неожиданное сравнение, резкий вопрос, числовой факт среди рассуждений, личную ремарку в скобках.

Проход 4, «Скелет» (для текстов со списками, нумерованными пунктами, секциями): прочитай ТОЛЬКО первую строку каждого пункта/секции подряд, игнорируя содержание. Это скелет текста. Вопрос: «Скелет звучит как шаблон?» Если 3+ пункта начинаются одинаково (одна конструкция, одна длина, один тип подачи) - это macro-burstiness провал (паттерн #45). Исправь: разные зачины, разная длина блоков, разный тип объяснения. Этот проход ловит то, что проходы 1-3 пропускают: структурную однообразность между блоками, а не внутри них.

Проход 5, «Обналичивание» (только для экспертных и технических текстов): пройди по всем образам и терминам, которые утверждают механизм. Каждый должен обналичиваться в конкретный ответ на «что именно происходит?» (паттерн #53). Пустой = переписать в механизм, неверный = исправить механизм, плавающий = заякорить одной формой в точке ввода. Для остальных жанров отдельный проход не нужен: хватает гейта из Шага 3.

Шаг 5. Отдай финальный текст и короткий список ключевых изменений (3-5 пунктов).

---

Жёсткие запреты (HARD BANS)

Эти конструкции запрещены ВСЕГДА. Не исправляй, удаляй и перестраивай фразу.

Исследование Antislop (2025): некоторые фразы встречаются в LLM-тексте в 1000+ раз чаще, чем в человеческом. 8000+ паттернов идентифицировано. Детекторы это знают. Конструкции ниже - самые частотные маркеры.

Конструкция	Почему запрещена	Что вместо
«Не просто X, а Y»	Фирменная формула GPT. Встречается в 80%+ AI-текстов	Прямое утверждение: «Y» без противопоставления
«Не только X, но и Y»	Калька, маркер синтетического усиления	«X. И ещё Y» или просто перечисли
«В современном мире...»	Пустое открытие #1 у всех LLM	Начни с факта или вопроса
«Стоит отметить, что...»	Калька с «It's worth noting»	Убери и скажи напрямую
«Важно понимать, что...»	Калька с «It's important to understand»	Убери или «Тут вот что:»
«Данный» / «Данная» / «Данное»	Канцелярский маркер, всегда заменяем	«Этот» / «Эта» / «Это»
«Является» (>1 раз на 500 слов)	В русском связка «быть» в настоящем времени не нужна	Перестрой предложение
«Играет важную/ключевую роль»	Раздувание значимости, клише	Покажи ПОЧЕМУ важно через данные
«Можно с уверенностью сказать»	Избыточная оговорка + раздувание	Скажи без преамбулы
«Подводя итог» / «Таким образом,» (вводный вывод в начале предложения)	Формульный вывод, клеится к любому тексту. Обстоятельство образа действия («устроен таким образом, что...») не маркер, его не трогать	Убери или начни вывод с действия
Длинное тире «—»	Главный типографический маркер AI. Детекторы считают частоту em-dash. Живой русский ставит дефис, не «—». Снимается только по явной просьбе пользователя (проф. редактура / издательская типографика)	Замени на запятую, двоеточие, точку, дефис или перестрой фразу
«от X до Y» (несвязанные понятия)	Ложный диапазон: «от стартапов до корпораций»	Перечисли конкретно или убери
«В условиях [прил.] [сущ.]...»	Пустое открытие, вариация «В современном мире»	Начни с конкретики: что именно конкурирует, что трансформируется
«Погрузимся в...» / «Давайте посмотрим X поближе»	Артефакт чатбота, навязчивая сигнализация	Начни с сути, не анонсируй
«И вот здесь начинается самое интересное»	Калька с "and this is where it gets interesting", маркер ChatGPT	Удали и сразу пиши то самое интересное
«Раскрыть потенциал»

При обнаружении любой конструкции из списка: не думай, удаляй. Это не стилистический выбор, это детектируемый маркер.

Маркеры AI-текста эволюционируют: слова, на которые обратили внимание, начинают исчезать из AI-текстов ("delve" упал после 2024, "significant" продолжает расти). HARD BANS нужно обновлять регулярно. Текущий список актуален на май 2026.

---

Каталог паттернов

Полный каталог 64 паттернов AI-генерации (14 категорий A-N, с примерами «до/после» и порогами) вынесен в отдельный файл references/catalog.md. В режимах «Полное редактирование» и «Аудит» ОТКРОЙ его и держи перед глазами: без него ты видишь процесс, но не сами признаки. Приоритеты (что бить в первую очередь) остаются выше, в секции «Приоритеты паттернов».

---

Формулы статей

Если пользователь указывает тип текста, используй соответствующую формулу как скелет. Потом прогони через паттерны выше и добавь голос.

Вовлекающая (для соцсетей, блогов). Крючок (факт, вопрос, провокация, личная история) в первом предложении. Проблема, которую читатель узнаёт. Поворот или неожиданный взгляд. Призыв к действию или открытый вопрос. Короткие абзацы, разговорный тон.

Экспертная (Habr, профильные СМИ). Конкретная проблема или кейс в начале. Контекст: почему это важно сейчас. Разбор с данными, примерами, кодом. Честные ограничения и грабли. Вывод: что делать читателю. Тон: "я разобрался и делюсь", не "вот вам истина".

Продающая (лендинги, описания продукта). Боль клиента (конкретная, узнаваемая). Усиление: что будет, если не решить. Решение: что делает продукт. Доказательства: цифры, отзывы, кейсы. Действие: одна кнопка, один шаг. Без "инновационных решений" и "комплексных подходов".

Новостная/информационная. Главное в первом абзаце (кто, что, когда, где). Детали и контекст дальше. Цитаты или мнения. Что дальше. Без авторской оценки в основном тексте (оценка допустима в отдельной колонке или в конце).

Сторителлинг. Герой с проблемой. Контекст: почему зритель должен сопереживать. Путь: что герой пробовал, где облажался, что понял. Развязка: чем кончилось. Мораль (если есть) не в лоб, а через действие героя. Детали делают историю: не "было трудно", а "сидел до трёх ночи, пятая чашка кофе, код всё ещё падает". LLM склонен к лексической перегрузке в нарративах: длинные сложные предложения, повествование от третьего лица, отсутствие неожиданных поворотов. Человеческая история = простой рассказ от первого лица с surprise-моментом. Если переписываешь нарратив, упрощай, не усложняй. Дискурсные сигналы истории: явная мораль в финале, портретный ввод героя, бесшовная причинность (категория N каталога). Они переживают любую стилевую правку, проверяй их отдельным взглядом.

---

Чеклист «живого текста»

После переписывания проверь:

• Нет ни одной конструкции из списка HARD BANS (включая новые: «В условиях...», «Погрузимся», «И вот здесь начинается самое интересное», «Раскрыть потенциал», «Комплексный подход», «Открывает горизонты»)
• Вариативность длины предложений (от 3 до 30+ слов). Не средняя длина, а ДИСПЕРСИЯ. Ориентир: на каждые 5-7 предложений хотя бы одно ≤4 слов и хотя бы одно ≥20; если все предложения 8-15 слов, текст «ровный» и детектируется по ритму даже без маркеров
• Мнение автора (хотя бы одно место, где автор оценивает, а не описывает)
• Конкретика (имена, цифры, примеры вместо «многие», «часто», «эксперты»), причём только из исходника
• Факт-замок: все числа/даты/имена исходника на месте и не искажены; НОВЫХ фактов, которых не было в исходнике, не появилось
• Нет повторяющихся клише
• Нельзя сократить вдвое без потери смысла
• Звучит естественно при чтении вслух
• Хотя бы одна неожиданность (нестандартный оборот, вопрос, отступление)
• Соотношение существительных к глаголам ≤ 2.5:1
• Ноль длинных тире «—» во всём тексте (только дефисы «-», запятые, двоеточия). Исключение: пользователь явно разрешил длинное тире для проф. редактуры
• Паспорт голоса автора соблюдён (если есть)
• «Кардиограмма»: информационная плотность скачет, а не ровная (для текстов >300 слов)
• Есть хотя бы одна «жёсткая склейка» (переход без союза-мостика)
• «Скелет»: первые строки пунктов/секций НЕ звучат как шаблон (для текстов со списками)
• Нет пунктуационных калек (лишние запятые после «Однако», «Благодаря этому», «В 2024 году»)
• Есть хотя бы одна метафора, идиома или аналогия из жизни (для неформальных текстов)
• Эмоциональная динамика: тон меняется хотя бы раз (не ровная позитивная линия)

---

Ограничения

Не заменяй все формальные слова на разговорные; соблюдай регистр оригинала. Не добавляй шутки в юридические и научные тексты. Не меняй факты и утверждения, только форму. Не вставляй частицы в каждое предложение. Не удаляй структуру, если текст длинный и она оправдана. Не переписывай до неузнаваемости.

Фундаментальная ирония: LLM, выполняющий этот скилл, сам склонен к паттернам из каталога. Поэтому правила максимально механические: конкретные замены, числовые пороги, списки запрещённых конструкций. Не «сделай живее», а «замени X на Y». Чем конкретнее инструкция, тем меньше LLM скатится в свои привычные паттерны.

Русскоязычные бенчмарки: Все академические данные о детекции (DivEye, CoPA, TH-Bench, PIFE) получены на английском. Принципы (surprisal, burstiness, предсказуемость) работают для любого языка, но конкретные пороги и весовые коэффициенты для русского не откалиброваны. Последний русскоязычный бенчмарк: AINL-Eval 2025 (52K текстов, 12 доменов, лучший результат около 86%). До него был RuATD-2022 (14 генераторов).

Будущие маркеры: PAN 2026 запустил задачу Reasoning Trajectory Detection: обнаружение «следов рассуждения» LLM. Логика рассуждения (шаг за шагом, от общего к частному, перечисление аргументов) может стать новым типом маркера. Пока экспериментально, но стоит отслеживать.

Стилистические отпечатки моделей: Разные LLM имеют стабильные отпечатки, детектируемые с precision 0.9988. ChatGPT = nominal domain style. Claude = философичные мягкие формулировки. Отпечатки сохраняются даже при промптах «пиши в другом стиле». На русском конкретные характеристики не откалиброваны, но факт наличия отпечатков подтверждён.

---

Примеры

Пост в блог

Было:

В современном мире искусственный интеллект играет всё более важную роль в различных сферах деятельности. Стоит отметить, что данная технология является мощным инструментом для оптимизации рабочих процессов. Многие эксперты считают, что внедрение AI-решений способствует повышению эффективности организаций. Важно помнить, что при этом необходимо учитывать этические аспекты использования искусственного интеллекта. Таким образом, можно сделать вывод, что AI представляет собой перспективное направление развития, которое будет оказывать значительное влияние на будущее человечества.

Стало:

За последний год я внедрил AI-инструменты в три проекта. Два ускорились вдвое. Третий развалился, потому что команда перестала проверять то, что выдаёт модель. Вот что я вынес: AI работает, когда понимаешь его ограничения. Не работает, когда веришь на слово.

Описание продукта

Было:

Наша инновационная платформа представляет собой комплексное решение для управления проектами, которое является идеальным инструментом для команд различного размера. Платформа обладает широким функционалом, включающим в себя планирование задач, отслеживание прогресса и эффективную коммуникацию между участниками.

Стало (факты автора):

Трекер задач для команд. Доски, таймлайны, чат в одном окне. Разберётесь за 10 минут, даже если до этого работали в Excel-таблицах. Бесплатно до 10 человек.

---

Быстрый сканер: слова-маркеры AI

Списки слов-маркеров для режима «Аудит» и быстрой проверки (канцелярит, кальки, раздувание, чатбот-артефакты, модальные хеджи, эмодзи-декор, следы копипасты и прочее) вынесены в references/catalog.md, раздел «Быстрый сканер». Наличие 3+ маркеров из списков там = высокая вероятность AI-генерации. Машинную версию считает scripts/scan.py.

---

История версий

Changelog вынесен в CHANGELOG.md, чтобы рабочий промпт не тащил историю изменений в контекст модели на каждый запуск.