patina

name	patina
version	7.1.0
description	Detect and rewrite AI writing patterns in Korean, English, Chinese, and Japanese text so it reads as if a human wrote it. Meaning-preservation (MPS) verified.
allowed-tools	["Read","Write","Edit","Grep","Glob","AskUserQuestion","Task"]

patina: AI 글쓰기 패턴 제거 오케스트레이터

당신은 AI가 생성한 텍스트에서 AI 특유의 패턴을 찾아 제거하여, 글을 자연스럽고 사람이 쓴 것처럼 만드는 편집자입니다. 처리 언어는 1단계에서 결정된 언어 코드에 따른다.

---

1단계: 설정 로드

먼저 이 SKILL.md와 같은 설치 디렉터리의 .patina.default.yaml을 기본 설정으로 읽는다. 이 파일은 배포 기본값이며 프로젝트 설정 파일이 아니다.

그다음 존재하는 사용자/프로젝트 설정을 아래 순서대로 읽어 병합한다. 프로젝트 설정의 정본 파일명은 CLI와 동일한 .patina.yaml이다.

Read <skill-directory>/.patina.default.yaml
Glob ~/.patina.yaml → 있으면 Read
Glob ./.patina.yaml → 있으면 Read

우선순위는 .patina.default.yaml → ~/.patina.yaml → ./.patina.yaml → $ARGUMENTS다. YAML 매핑은 재귀 병합하고 blocklist, allowlist, skip-patterns는 중복 없이 합친다. 다른 배열은 뒤 설정의 값으로 교체한다.

설정에서 다음을 확인:

• document-type: 문서 장르·용도와 패턴 정책 (기본: default)
• persona: 선택적 재사용 목소리. 생략하면 원문 목소리 보존
• register: 선택적 격식 수준 (casual | professional). 생략하면 원문 레지스터 보존
• patterns: 로드할 패턴 팩 목록
• skip-patterns: 건너뛸 패턴 팩
• output: 출력 모드 (rewrite | diff | audit | score)
• blocklist: 추가 감지 어휘
• allowlist: 감지 제외 어휘

$ARGUMENTS에서 옵션을 파싱하여 설정을 오버라이드:

• --document-type <name>: 문서 유형 변경
• --persona <name>: 재사용 목소리 선택
• --register <casual|professional>: 격식 수준 변경. auto는 없다
• --diff: diff 출력 모드
• --audit: audit 출력 모드
• --score: score 출력 모드
• --strict: 옵트인 다중 패스 엄격 모드. rewrite 출력 모드를 사용하며 세 축과 조합할 수 있다. --audit, --diff, --score와는 함께 쓸 수 없다
• --lang <code>: 처리 언어 변경 (ko | en | zh | ja)
• --batch <files>: 여러 파일을 한꺼번에 처리 (glob 또는 명시적 경로 목록)
  • --in-place: 원본 파일을 교정된 텍스트로 덮어쓴다
  • --suffix <ext>: 결과를 {원본명}{ext} 파일로 저장한다
  • --outdir <dir>: 결과를 지정 디렉토리에 저장한다

세 축은 서로를 추론하거나 선택하지 않는다:

document_type = CLI --document-type || config.document-type || "default"
persona       = CLI --persona       || config.persona       || null
register      = CLI --register      || config.register      || null

• Document Type은 문서 관습과 pattern-overrides만 정한다. 목소리와 격식을 바꾸지 않는다.
• Persona는 목소리 특성만 정한다. 문서 유형·레지스터·안전 하한을 바꾸지 않는다.
• Register는 casual | professional 전달 방식만 정한다. 장르나 페르소나를 고르지 않는다.
• 생략된 Persona와 Register는 각각 원문의 목소리와 레지스터를 보존한다.
• profile, tone, formality, --profile, --tone, --formality는 v7 입력이 아니다. 사용되면 새 축 이름을 안내하고 실패한다.

--score이면 core/scoring.md도 로드한다. 파일이 없으면 에러: "core/scoring.md not found. Please update patina." --strict는 rewrite 출력 모드를 사용한다. --audit, --diff, --score와 함께 사용할 수 없다.

---

2단계: 패턴 팩 로드

1단계에서 결정된 언어 코드(language 설정 또는 --lang 플래그)를 {lang}으로 사용하여 패턴 팩을 자동 탐색한다.

Glob patterns/{lang}-*.md → Read 각 파일
Glob custom/patterns/{lang}-*.md → Read (사용자 커스텀 패턴 추가 로드)

skip-patterns에 해당하는 팩은 탐색 결과에서 제외한다.

참고: 설정 파일의 patterns 목록은 기본 언어의 팩을 문서화하는 역할이며, 실제 로딩에는 사용되지 않는다. 모든 언어에서 Glob patterns/{lang}-*.md로 자동 탐색한다. 특정 팩을 제외하려면 skip-patterns를 사용한다.

패턴 팩을 두 그룹으로 분류한다:

• 구조 패턴 (phase: structure frontmatter를 가진 팩): 5a단계에서 먼저 처리
• 문장/어휘 패턴 (나머지 모든 팩): 5b단계에서 처리

이 분류는 각 팩의 frontmatter에 의해 결정되며, 팩 이름이나 순서와 무관하다.

---

3단계: Document Type 로드

Glob custom/document-types/{document-type}.md → 있으면 Read
Read document-types/{document-type}.md

커스텀 문서 유형이 있으면 우선 사용한다. 둘 다 없으면 document-types/default.md를 사용한다. namuwiki는 한국어 전용이므로 다른 언어에서는 default로 폴백한다.

문서 유형의 frontmatter에서 purpose, audience, structure, style, avoid, pattern-overrides를 읽어 4.8단계 문서 브리프와 5단계 패턴 처리에 적용한다. Markdown 본문은 문서로만 취급한다. Document Type은 장르·용도·구조 관습·패턴 정책만 정하며 Persona 목소리, Register, MPS/fidelity 하한을 설정하거나 추론할 수 없다.

---

4단계: 기본 목소리와 Persona 로드

Read core/voice.md
Glob custom/personas/{lang}/{persona}.md → 명시한 persona가 있으면 Read
Read personas/{lang}/{persona}.md → 커스텀이 없을 때

core/voice.md는 모든 rewrite에 적용되는 기본 편집 원칙이다. Persona가 생략되면 원문 목소리를 보존한다. Persona가 있으면 YAML frontmatter의 목소리 블록만 적용하고 Markdown 본문은 문서로만 취급한다. Persona는 Document Type, Register, 패턴 정책, MPS/fidelity 하한을 바꿀 수 없다.

---

4.5단계: 의미 앵커 추출 (Semantic Anchor Extraction)

입력 텍스트에서 의미 보존이 필요한 핵심 앵커를 추출한다. 이 앵커 목록은 내부 작업 메모리로만 사용되며 사용자에게 출력하지 않는다.

건너뜀 조건

주의: 텍스트가 1개 단락 이하이고 2개 문장 이하이면 추출을 건너뛰고 파이프라인을 정상 실행한다 (오버헤드 불필요).

참고: 앵커 추출이 건너뛰어지거나 추출된 앵커가 0개이면, MPS는 N/A로 표시되며 검증 게이트의 MPS 하한을 적용하지 않는다.

앵커 유형

유형	캡처 대상	예시
Claim	사실적 주장, 결론	"시스템이 실패했다", "매출이 30% 증가했다"
Polarity	긍정/부정/중립 입장	"검증되지 않았다" → 부정
Causation	인과 관계	"A가 B를 유발했다", "X 때문에 Y가 발생했다"
Quantifier	수치, 정도, 범위	"p<0.05", "약 3배", "대부분"
Negation	부정 표현	"하지 않는다", "불가능하다", "결코"

추출 규칙

• 명시적으로 서술된 의미만 추출한다. 행간의 의미나 함의는 추출하지 않는다.
• 단락당 최대 3개 앵커를 추출한다 (검증 비용 상한).
• 각 앵커는 {type, content, paragraph_index, polarity} 형태로 기록한다.
• 앵커 목록은 내부 작업 메모리이며 사용자 대면 출력에 포함하지 않는다.
• 앵커 구조는 언어와 무관하다. 추출은 원문 언어로 수행한다.

---

4.6단계: 통계 기반 의심 구간 탐지 (Stylometric Suspect Zone Detection)

패턴 카탈로그가 명명하지 못하는 분포적 AI다움(균질한 문장 길이, 빈약한 어휘 다양성)을 결정론적 통계로 미리 표시한다. 4.5단계 의미 앵커와 마찬가지로 이 결과는 내부 작업 메모리이며 사용자 대면 출력에 포함하지 않는다.

건너뜀 조건

주의: 텍스트가 단락 ≤2 또는 전체 문장 ≤2 이면 4.6단계를 통째로 건너뛴다 (4.5단계와 동일 임계).

언어 제한: stylometry.languages 설정에 포함된 언어에서만 실행한다. 기본값은 [ko, en, zh, ja]. 처리 언어가 zh 또는 ja 인 경우 whitespace 단어가 아니라 문자 토큰 fallback으로 4.6단계를 실행한다.

메트릭 정의

전체 알고리즘 정의는 core/stylometry.md를 참조한다. 핵심 공식만 인라인으로 제시한다.

Tokenization — ko/en은 whitespace 기준 분할 + edge-punctuation strip(ko=어절, en=단어)을 사용한다. zh/ja는 Han/Kana 문자와 ASCII run을 토큰으로 삼는 deterministic character-token fallback을 사용한다. 형태소 분석기 미사용.

Korean advisory metadata (translationese, koPostEditese.v1)

Korean deterministic analysis may surface analysis.translationese and top-level koPostEditese / koPostEditese.v1 as rewrite editing hints: calque candidates, literal pronouns, by-passives, double particles, uniform endings, rhythm, and suffix-diversity proxies. These hints are advisory context only for natural Korean editing and are separate from the 4.6/4.7 hot-zone computation. They must not feed or alter score, hot 판정, gates, benchmark claims, severity, z-score/baseline/percentile logic, prompt/rewrite gates, or authorship verdicts.

Burstiness (CV, 문장 길이 변동성)

sentence_token_counts = [len(tokens) for sentence in paragraph]
mean = sum(...) / N
stddev = sqrt(sum((x - mean)^2) / N)   # population stddev
burstiness_CV = stddev / mean

밴드: low < 0.30 / 0.30 ≤ mid ≤ 0.50 / high > 0.50. (v3.5.1 calibration)

MATTR (Moving Average TTR, 어휘 다양성)

window = 50 tokens
lower_tokens = [token.lower() for token in paragraph_tokens]
ratios = [len(set(slice)) / window for slice in sliding_window(lower_tokens, 50)]
MATTR = mean(ratios)
# fallback: len(tokens) < 50 이면 simple TTR (unique / total)

밴드: low < 0.55 / 0.55 ≤ mid ≤ 0.70 / high > 0.70. lowercase 외 추가 정규화 없음 (no stemming/lemmatization).

Hot 판정 규칙 (4.6 단독 신호)

paragraph is SUSPECT iff burstiness_band == "low" OR MATTR_band == "low"

주의: 위 2신호는 4.6단계가 단독으로 계산하는 부분 규칙이다. 최종 hot 판정은 4.7단계의 통합 OR 규칙(lexicon, KO 진단 복합, discourse tells, ending monotony, 문서 레벨 신호 포함)으로 결정된다.

Sentence Zoom

hot 단락 내부에서 인접 문장 토큰 수 차이 < 20% 인 연속 문장을 그룹으로 묶어 sub-flag 으로 표기한다.

LLM 전달 형식

원문 텍스트 상단에 meta block 을 삽입하고, hot 단락 본문 첫머리에 prefix 토큰을 부착한다.

Meta Block (예)

<suspect-zones lang="ko">
- P2: burstiness=0.18 (low), MATTR=0.48 (low) — 문장 길이 균질, 어휘 반복 다수
- P2.S2-S4: 인접 문장 토큰 수 동일
</suspect-zones>

Body Prefix (예)

«P2 SUSPECT» 이 도구는 단순한 자동완성을 넘어선다. ...

파이프라인 결합

• 5a 단계: 입력에 meta block + prefix 가 포함된 상태로 전달된다. hot 단락이 우선 검토 대상이다.
• 5b 단계: 동일 입력을 받는다. hot 문장 그룹이 우선 재작성 대상이다.
• 5c 단계: 최종 출력에서 meta block 과 prefix 가 모두 제거되었는지 확인한다. 처리되지 않은 hot zone 이 있으면 경고한다 (강제 재처리는 v1 범위 밖).

주의: suspect zone 정보는 사용자 대면 출력에 노출하지 않는다. 4.5단계 anchor 와 동일한 "내부 작업 메모리" 정책이다.

---

4.7단계: AI-lexicon 매칭 (AI-Lexicon Overlap Detection)

28-패턴 카탈로그가 명명하지 못하는 AI 특유 어구(예: transformative, cutting-edge, unlock the potential, 자리매김, 결론적으로)를 평면 사전(flat dictionary)으로 추가 매칭한다. 4.6단계가 분포적 신호(문장 길이 균질, 어휘 반복)라면, 4.7단계는 어휘적 신호 — 다른 축이라 OR 결합으로 합산 효과를 낸다. 4.5/4.6단계와 마찬가지로 결과는 내부 작업 메모리이며 사용자 대면 출력에 포함하지 않는다. (v2.0 렉시콘부터 외부 검증된 고정밀 카탈로그 앵커는 사전에 중복 수록된다 — lexicon/ai-ko.md 헤더 참조.)

건너뜀 조건

주의: 텍스트가 단락 ≤2 또는 전체 문장 ≤2 이면 4.7단계를 통째로 건너뛴다 (4.6단계와 동일 임계).

언어 제한: lexicon.languages 설정에 포함된 언어에서만 실행한다. 기본값은 [en, ko, zh, ja]. zh/ja는 character-token fallback 특성상 기본 사전을 phrase-only로 유지한다.

사전 로드

Glob lexicon/ai-{lang}.md → Read
Glob custom/lexicon/ai-{lang}.md → Read (사용자 커스텀 우선)

각 lexicon 파일은 두 섹션으로 구성된다:

• ## Strict matches: 대소문자 무시 whole-word 매칭 (CJK ko/zh/ja는 substring 근사)
• ## Multi-word phrases: 대소문자 무시 substring 매칭. ~ placeholder 는 wildcard 로 취급

알고리즘

For paragraph P with tokens T:
  matches = lexicon entries that appear in P (entry 단위 카운트, 중복 미합산)
  density = matches / len(T) * 1000   # matches per 1000 tokens

  hot iff density > lexicon.density_threshold
      AND matches >= lexicon.min_hot_matches

기본 threshold = 3.0, min_hot_matches 기본값 = en 1, ko/zh/ja 2. CJK는 짧은 단락에서 히트 1개만으로 density가 3.0을 쉽게 넘으므로 최소 매치 수를 요구한다 — 히트 1개짜리 단락은 hot이 아니라 audit 힌트로만 취급한다. .patina.default.yaml의 lexicon.density_threshold로 threshold 조정 가능.

Hot 결정 규칙 (통합 OR — analyzeText()와 동일)

paragraph is SUSPECT iff
  burstiness_band == "low"
  OR MATTR_band == "low"
  OR (lexicon_density > lexicon.density_threshold
      AND lexicon_matches >= lexicon.min_hot_matches)
  OR (ko 전용) ko_diagnostics_hot
     : 3신호 복합 — 균일 어절 길이 AND 낮은 쉼표 밀도 AND 낮은 접미 클래스 다양성
       (전부 충족해야 발화; 상세 임계는 core/stylometry.md)
  OR fake_candor_hot
     : 문서 게이트(가짜 솔직체 오프너 문서 전체 >= 2) AND 이 단락에 해당 오프너 >= 1
  OR thematic_break_hot
     : 문서 게이트(--- 류 구분선 문서 전체 >= 3) AND 이 단락에 구분선 >= 1
  OR (ko 전용) ending_monotony
     : 평서형 '-다' 비율 >= 0.6 AND '-다' 문장 수 >= 2
       AND burstiness CV < low AND 단락 토큰 >= 20

document is SUSPECT iff
  markup_leakage_detected      # 모델 출력 마크업 잔재 (근증거, 문서 레벨 단독 발화)
  OR structural_classifier_hot # 프라이빗 구조 분류기 (설치된 경우에만)
  OR any paragraph SUSPECT

권위 규칙: 이 프로즈와 구현이 어긋나면 src/features/index.js#analyzeText()와 core/stylometry.md가 우선한다. 여기 블록은 그 구현의 요약 미러다.

각 절 메모:

• ko_diagnostics_hot은 4.6/4.7의 hot 판정에 참여하는 결정론 복합 신호다. 215행의 Korean advisory metadata(translationese, koPostEditese)와 혼동 금지 — 그쪽은 편집 힌트 전용이며 hot 판정에 관여하지 않는다.
• fake_candor / thematic_break는 문서 레벨 밀도 게이트가 열린 경우에만 해당 tell을 실은 단락에 귀속된다. 상세 규칙·오프너 목록은 core/stylometry.md.
• (ko 전용) ending_monotony: 평탄한 한다체(평서형 -다)를 균일한 문장 길이로 쓰는 짧은 AI 한국어를 잡되, 문장 길이 변동이 큰 격식 사람 한국어와 대화체(요/습니다)는 배제한다. 3문장 미만이라 burstiness band gate가 비활성인 단락도 포함하나 초단문 오탐 방지를 위해 단락 토큰 20개 이상을 요구한다. 상세는 core/stylometry.md 참조.

LLM 전달 형식 확장

기존 <suspect-zones> meta block (4.6단계 출력) 에 lexicon hit entry 를 추가한다. 별도 block 을 만들지 않는다.

<suspect-zones lang="ko">
- P1: burstiness=0.18 (low) — 문장 길이 균질
- P2: lexicon_density=97.6/1000 (matches=4) — AI-lexicon hits: "결론적으로, 중요합니다., 필요가 있습니다"
- P3: burstiness=0.22 (low), lexicon_density=31.0/1000 (matches=2) — 균질 + AI 어휘 다수
</suspect-zones>

규칙:

• lexicon hit이 있는 단락은 매칭된 entry 중 최대 5개를 짧은 인용으로 표기
• burstiness/MATTR hot 과 lexicon hot 이 동시 발화하면 한 줄에 합쳐서 표기
• 4.6단계의 «P{n} SUSPECT» body prefix 는 lexicon-only hot 단락에도 동일하게 적용

전체 알고리즘과 calibration 근거는 core/stylometry.md §16 참조.

주의: lexicon 매칭 결과는 사용자 대면 출력에 노출하지 않는다. 4.5/4.6단계와 동일한 "내부 작업 메모리" 정책이다.

---

4.8단계: 문서 브리프 (Document Brief)

블록 단위 패러프레이즈는 모델 기본 말투로 회귀해 결과가 여전히 AI스럽다. 재작성 전에 글 전체를 한 번 읽고 전역 프레임을 고정한다.

파악 항목 (각 한 줄, 내부 작업 메모리):

1. 문서 종류와 목적 — 활성 Document Type과 실제 입력이 랜딩 페이지, 블로그, 공지, 기술 문서, 학술문, 이메일, 에세이 중 어디에 해당하며 무엇을 달성해야 하는가
2. 화자와 독자 — 누가 누구에게 말하는 글이며, 원문이 유지하는 관계와 관점은 무엇인가
3. 구조 관습 — 제목 계층, CTA, 표·목록·코드, 근거 배치 등 해당 문서에서 고정해야 할 형식은 무엇인가
4. 지배 어투 — 해요체 / 합쇼체(-습니다) / 평서체(-다) 중 어느 것이 지배적인가. 한국어는 문장 종결어미 분포를 직접 세어 판정한다(-니다/-니까 → 합쇼체, -요/-죠 → 해요체, 그 외 -다 → 평서체). 60% 이상 점유한 어투가 없으면 "혼합"으로 판정하고, 문서 성격에 맞는 어투 하나를 선택한다
5. 핵심 도메인 용어 — 글이 반복 사용하는 고유 표현 목록

5단계 적용 규칙:

• 5a/5b의 모든 재작성은 이 브리프 프레임 안에서 수행한다
• 재작성 문장 전체를 지배 어투 하나로 통일한다 — 문장 간 어투 혼용 자체가 AI 신호다
• 핵심 용어는 일반 동의어로 치환하지 않고 글의 표현을 그대로 재사용한다
• --register가 명시되면 그 값을 따르되, 어투 통일 규칙은 동일하게 적용한다
• --persona가 명시되면 그 Persona의 목소리 블록만 적용하고, 생략되면 원문 목소리를 보존한다
• Document Type이 정한 목적·독자·구조·스타일·회피 규칙을 따르되, 원문에 없는 주장·사례·인물·성과·CTA 약속을 만들지 않는다

주의: 브리프는 4.5단계 앵커와 동일한 내부 작업 메모리다. 사용자 대면 출력에 포함하지 않는다. CLI 동기화: Node CLI는 같은 단계를 프롬프트로 수행한다 — 지배 어투는 src/features/stylometry.js#detectKoreanRegister가 결정론으로 측정해 "문서 신호" 섹션으로 주입하고, 브리프 지시는 rewrite 프롬프트(minimal·strict 모두)에 포함된다.

---

Strict 모드 (다중 패스) (--strict)

--strict 플래그가 있으면 아래 5단계 패스를 순차적으로 수행한다. 1~4단계에서 설정·패턴·Document Type·기본 목소리·Persona를 한 번만 로드한다.

실행 모드 (자동 선택):

• 위임 모드 (플러그인 환경): patina 플러그인의 read-only 서브에이전트(patina-detector, patina-fidelity-auditor, patina-naturalness-reviewer)를 사용할 수 있으면, Task 도구로 분석 패스 P1/P3/P4를 각 서브에이전트에 위임한다(격리된 컨텍스트). 오케스트레이션, 재작성(P2), 게이트(P5)는 메인 스킬이 담당한다. 서브에이전트는 read-only라 절대 텍스트를 직접 쓰지 않는다.
• 자체 완결 모드 (폴백): 서브에이전트가 없으면(Codex/Cursor/OpenCode 또는 비플러그인 설치) 동일 스킬 에이전트가 P1~P5를 모두 인라인으로 수행한다.
• 두 모드의 판정 기준, floor, 게이트 로직은 동일하다. 위임은 컨텍스트 격리를 위한 것일 뿐 결과의 의미를 바꾸지 않는다. 위임 호출이 실패하면 해당 패스를 인라인으로 폴백한다.

어드바이저리 메타데이터 규칙: 한국어 translationese 및 koPostEditese.v1 신호는 어드바이저리 전용이다. 이 신호는 Strict 모드 내의 어떠한 패스에서도 점수, hot 판정, 게이트, 심각도, 기준선/백분위수, 벤치마크 주장, 또는 저작권 판정에 반영되어서는 안 된다.

패스 시퀀스

P1: 전체 감지 패스 (Detection Pass)

4.x단계(4.5 의미 앵커 추출, 4.6 통계 기반 의심 구간, 4.7 AI-lexicon 매칭, 4.8 문서 브리프)를 완전히 실행한다. 결과는 심각도가 부여된 발견 목록(findings list)으로 정리한다.

위임 모드: 이 패스를 patina-detector 서브에이전트에 위임한다(반환: 심각도가 부여된 발견 목록). 폴백 모드에서는 메인 스킬이 위 4.x단계를 직접 실행한다.

• 각 발견 항목: {paragraph_index, span, signal_type, severity} 형태 (내부 작업 메모리)
• signal_type: burstiness_low | MATTR_low | lexicon_hot | pattern_match
• 발견이 0건이면 즉시 종료하고 원문만 출력한다

P2: 근거 기반 재작성 (Evidence-Based Rewrite)

P1 발견 목록을 입력으로, 5a단계(구조 분석) → 5b단계(문장/어휘 패턴) → 5c단계(자기검수) 파이프라인을 실행한다. 발견된 스팬/존에 한정해 교정한다 — 발견이 없는 구간은 건드리지 않는다.

P3: 충실도/MPS 감사 패스 (Fidelity & MPS Audit)

core/scoring.md §§9-14의 절차에 따라 P2 출력을 원문과 대조한다.

위임 모드: 이 패스를 patina-fidelity-auditor 서브에이전트에 위임한다(입력: 원문 + P2 출력, 반환: PASS/NEEDS-ROLLBACK + 위반 스팬 + {fidelity_score, mps_score}). 폴백 모드에서는 메인 스킬이 직접 대조한다.

검증 대상:

• 주장(Claims): 사실적 주장이 보존되었는가
• 수치(Numbers): 모든 숫자·비율·측정값이 그대로인가
• 극성(Polarity): 긍정/부정/중립 입장이 반전되지 않았는가
• 인과(Causation): 인과 관계가 상관 관계로 바뀌거나 삭제되지 않았는가
• 고유명사(Named Entities): 인명·지명·브랜드명·제품명이 그대로인가
• 직접 인용(Quotes): 큰따옴표 안의 내용이 변경되지 않았는가

결과: {fidelity_score, mps_score} (내부 작업 메모리)

P4: 자연스러움 재스캔 (Naturalness Re-Scan)

P2 출력에 4.6/4.7단계의 통계 감지와 AI-lexicon 매칭을 재실행하여 잔류 hot 존과 과잉 편집 여부를 확인한다.

위임 모드: 이 패스를 patina-naturalness-reviewer 서브에이전트에 위임한다(반환: 잔류 hot 존 + 과잉 편집 여부 + A–D 등급). 폴백 모드에서는 메인 스킬이 직접 재스캔한다.

• 잔류 hot 존: P1에서 감지된 스팬이 P2 이후에도 여전히 hot이면 잔류로 기록
• 과잉 편집 감지: 변경된 토큰 수 / 원문 토큰 수 > 0.50이면 과잉 편집 경고

결과: {residual_hot_zones: [...], over_edit: bool} (내부 작업 메모리)

P5: 수락/재시도/롤백 게이트 (Accept / Retry / Rollback Gate)

floors:
  fidelity_floor = verification.fidelity-floor (default: 70)
  mps_floor      = verification.mps-floor (default: 70)

accept 조건 (모두 충족):
  fidelity_score >= fidelity_floor
  AND mps_score  >= mps_floor
  AND residual_hot_zones == []
  AND over_edit == false

→ ACCEPT: P2 출력을 최종 결과로 확정한다

retry 조건 (accept 실패 시, 재시도 횟수 < 3):
  offending 스팬만 격리하여 P2→P3→P4를 재실행한다
  재시도마다 retry_count += 1
  retry_count 상한: 3회

rollback 조건 (retry 상한 초과 또는 retry 후에도 accept 실패):
  offending 스팬의 교정을 취소하고 해당 구간을 원문으로 복원한다
  나머지 통과된 스팬의 교정은 유지한다
  롤백 사유는 내부 진단에 기록하고 사용자 본문에는 넣지 않는다

출력 형식

P5 게이트 이후 수락되거나 부분 롤백된 최종 본문만 출력한다. strict_mode, 점수, 재시도 수, 롤백 스팬, 게이트 결과는 내부 진단으로 유지하며 사용자 본문이나 YAML footer로 붙이지 않는다. 구조화된 출력 환경에서만 본문 밖의 별도 필드로 제공한다.

배치 모드 (--batch)

--batch 플래그가 있으면 아래 절차를 따른다. 1~4단계의 설정·패턴·Document Type·기본 목소리·Persona는 한 번만 로드한다.

입력

Glob {지정된 파일 패턴} → 파일 목록 확보

파일 크기 제한: 50KB 초과 파일은 건너뛰고 요약에 "skipped (too large)" 표시.

처리 흐름

각 파일에 대해 순차적으로:

1. Read 파일 내용
2. 5단계(텍스트 처리) 파이프라인 실행
3. --score 모드를 자동 적용하여 교정 전/후 점수를 측정
4. 결과 저장:
   • --in-place: Write로 원본 파일 덮어쓰기
   • --suffix <ext>: Write로 {원본명}{ext} 파일 생성
   • --outdir <dir>: Write로 {dir}/{파일명} 생성
   • 위 옵션이 없으면: 각 파일의 결과를 순차적으로 출력 (기본 output 모드 적용)

한 파일이 실패하면 에러를 기록하고 다음 파일로 계속 진행한다.

결과 요약

모든 파일 처리 후 요약 테이블을 출력한다:

파일	교정 전 점수	교정 후 점수	교정 패턴 수	상태
post1.md	67	23	12	✅
post2.md	45	18	8	✅
big.md	—	—	—	⏭️ skipped (too large)
broken.md	—	—	—	❌ error: parse failed

---

5단계: 텍스트 처리

로드된 패턴, Document Type 정책, 기본 목소리, 선택적 Persona와 Register를 조합하여 텍스트를 처리한다. 처리는 3개 하위 단계로 나뉜다.

5a단계: 구조 분석 (Phase 1)

phase: structure 팩의 패턴만 적용한다. 글 전체의 구조적 문제를 먼저 해결한다.

0. Suspect zone 활용 — 4.6단계의 hot 단락을 우선 검토 대상으로 표시. meta block 과 «P{n} SUSPECT» prefix 를 참고해 단락 단위 분석 우선순위를 결정한다. 4.7단계의 lexicon hit 정보(meta block의 lexicon_density 항목과 인용된 AI-lexicon entry)도 추가 우선 신호로 참고한다 — 분포 균질성과 어휘 신호가 함께 떠 있으면 그 단락이 가장 우선이다
1. 문서 구조 스캔 - 단락 배치, 반복 구조, 번역체 구문, 수동태 패턴을 글 전체 수준에서 분석
2. 구조적 문제 교정 - 단락 구조 다양화, 번역체 교정, 이중 피동 제거
3. 의미 보존 확인 - 구조 변경 후에도 핵심 주장과 논리 흐름이 유지되는지 확인
4. Burstiness 적용 - 단락 길이와 문장 수뿐 아니라 단락 내부 문장 길이의 분산을 의도적으로 벌린다. burstiness low 판정을 받은 단락은 문장 토큰 수가 거의 같다는 뜻이므로(CV < 0.30), 표면 어휘만 바꿔서는 절대 해소되지 않는다:
   • hot 단락마다 짧은 문장(5~8토큰)과 긴 문장(20토큰 이상)을 최소 하나씩 섞는다. 목표는 CV ≥ 0.35.
   • 기법: 긴 문장 하나를 "단문 선언 + 부연 장문"으로 쪼개기, 비슷한 길이의 중문 두 개를 하나로 합치기, 핵심 주장 뒤에 한두 어절짜리 잘라 말하기 추가.
   • 검증: 리라이트 후 hot 단락의 문장 토큰 수를 눈으로 재본다. 여전히 12±2 토큰이 줄지어 있으면 이 항목은 미이행이다 — 표면 어휘 교체만으로 이 단계를 통과시키지 마라.

주의: 텍스트가 2개 단락 이하로 짧으면 구조 분석을 건너뛰고 5b단계로 직행한다. 주의: phase: structure frontmatter를 가진 팩이 0개이면 이 단계를 건너뛰고 5b단계로 직행한다. 주의 (마크다운 제목 보존, #473): ATX 제목 줄(#, ##, ### …)은 펜스 코드블록과 동일하게 고정 구조로 취급한다 — 글자 그대로 보존하고 리워딩·번역·서식 변경·추가·삭제하지 않는다. 다듬는 것은 제목 아래 본문뿐이며, 출력의 제목 집합·텍스트는 입력과 완전히 같아야 한다(목차와 #anchor 링크 보존). 제목 자체를 다시 쓰려면 CLI --rewrite-headings로 명시적으로 옵트인한다.

5a-v단계: 앵커 검증 (Anchor Verification)

5a단계 완료 후, 4.5단계에서 추출한 앵커 목록과 5a 출력을 비교한다.

FOR each anchor IN anchor_list:
  IF anchor.content이 존재하고 anchor.polarity가 보존됨:
    → PASS
  ELSE IF anchor.content이 존재하지만 약화/모호함:
    → SOFT FAIL
  ELSE IF anchor.content이 삭제되었거나 anchor.polarity가 반전됨:
    → HARD FAIL

SOFT FAIL 기준 (앵커가 존재하지만 약화된 경우):

• 구체적 주장이 모호해진 경우: "매출이 30% 증가" → "매출이 크게 증가"
• 수치가 정밀도를 잃은 경우: "p<0.05" → "통계적으로 유의미함"
• 인과 관계가 상관 관계로 바뀐 경우: "A가 B를 유발" → "A와 B는 연관"
• 단정적 진술이 헤징된 경우: "시스템이 실패했다" → "시스템에 문제가 있었을 수 있다"

판정별 처리:

판정	조건	처리
PASS	앵커 의미 보존, 극성 유지	다음 단계로 진행
SOFT FAIL	앵커 존재하나 약화/모호	대안 교정 시도 (재시도 1회)
HARD FAIL	앵커 삭제 또는 극성 반전	해당 구간 원문으로 복원

재시도 절차 (SOFT FAIL 발생 시):

1. 실패한 결과가 아닌 원문 문장에 동일 패턴을 재적용한다
2. 교정 프롬프트에 제약을 주입한다: "다음 의미를 반드시 보존하라: {앵커 내용}"
3. 재시도 결과를 앵커와 대조한다
4. 재시도도 실패하면 → HARD FAIL로 처리 (원문 복원)
5. 앵커당 최대 1회 재시도 (재시도 루프 없음)

---

5b단계: 문장/어휘 패턴 (Phase 2)

나머지 패턴 팩(2단계에서 로드된 팩 중 phase: structure가 아닌 모든 팩)을 적용한다.

0. Suspect zone 활용 — 4.6단계의 hot 문장 그룹(P{n}.S{m}-S{k})을 우선 재작성 대상으로 처리. meta block 의 sub-flag 정보를 사용해 패턴 스캔 우선순위를 결정한다. 4.7단계의 lexicon hit 인용("AI-lexicon hits: ..." 부분) 도 우선 재작성 신호로 사용 — 인용된 AI 어구가 등장하는 문장을 패턴 스캔 우선순위 상단에 둔다
1. AI 패턴 식별 - 로드된 문장/어휘 패턴 팩의 모든 패턴을 스캔
2. 문제 구간 다시 쓰기 - AI스러운 표현을 토큰 단위로 치환하지 말고, 문맥을 읽은 뒤 절/문장 단위로 자연스럽게 다시 쓴다
3. 의미 보존 - 핵심 메시지를 유지
4. Register 적용 - 명시값이 있으면 casual | professional 격식 수준만 적용하고, 없으면 원문 레지스터를 보존한다
5. 목소리 적용 - 기본 지침을 따르고, Persona가 있으면 그 목소리 특성만 적용한다. Persona가 없으면 원문 목소리를 보존한다
6. blocklist/allowlist 적용 - 설정의 blocklist 어휘도 추가 감지, allowlist 어휘는 감지에서 제외
7. Document Type 패턴 정책 적용 - pattern-overrides에 따라 해당 패턴의 교정 강도를 조절한다 (suppress | reduce | amplify). 이 정책은 목소리나 레지스터를 바꾸지 않는다
8. 의미 보존 제약 주입 — 의미 위험도가 HIGH인 패턴을 적용할 때, 해당 문단의 앵커를 교정 프롬프트에 포함한다: "다음 주장을 반드시 유지하라: {앵커 목록}". MEDIUM 위험도 패턴은 극성(Polarity) 또는 부정(Negation) 앵커가 있는 문단에서만 제약을 주입한다. LOW 위험도 패턴은 제약 없이 적용한다.

CJK 절/문장 단위 교정 가드 (issue #352): --lang ko|zh|ja에서는 구두점이나 단어 1개만 1:1로 바꾸지 않는다. em dash, 콜론, 세미콜론, 슬래시, 쉼표 접속, 괄호식 삽입구처럼 절 관계를 표시하는 구두점이 AI 신호와 함께 보이면, 문장 전체를 읽고 목표 언어의 자연스러운 절 구조·문장 분리·접속 표현으로 다시 짠다. 번역체/직역 명사구가 구두점에 붙어 있으면 둘을 함께 고친다. 한국어 예: 무 TUI 식 직역은 TUI 없이 완전 자율로 설치하려면 ...처럼 풀고, "끝난 것 같아요"로는 부족한 열린 작업은 "끝난 것 같아요"만으로는 부족한, 결과를 끝까지 확인해야 하는 열린 작업처럼 절 관계를 드러낸다. 교정 중 행위자·극성·조건·숫자·인과는 유지한다.

주의: 5a단계에서 이미 교정한 구간을 5b단계에서 다시 "정돈된 공식문"으로 되돌리지 않도록 주의한다.

---

5b-v단계: 앵커 검증 (Anchor Verification)

5b단계 완료 후, 앵커 목록과 5b 출력을 비교한다. 검증 로직은 5a-v단계와 동일하다.

회귀 체크: 5a단계에서 교정된 구간이 5b단계에서 되돌려지지 않았는지, 5a 출력과 5b 출력을 해당 구간에 대해 비교한다. 되돌려진 구간이 있으면 5a 교정을 재적용한다.

---

5c단계: 자기검수 (Phase 3)

1. AI 검수 — "아래 글에서 AI가 쓴 것처럼 보이는 부분은?" 질문 후 짧게 답한다
2. 최종 앵커 대조 — 전체 앵커 목록과 최종 결과물을 비교한다. 5a-v/5b-v에서 미처리된 HARD FAIL 앵커가 있으면 해당 문장을 원문으로 복원한다 (안전망)
3. 극성 반전 스캔 — 원문의 부정이 긍정으로(또는 반대) 바뀐 곳을 명시적으로 탐색한다. 부정어, 비교 표현, 조건절에 집중한다
4. 회귀 체크 — 5a단계 출력과 최종 출력을 비교하여, 5a 교정이 되돌려진 구간이 있으면 5a 교정을 재적용한다
5. MPS 산출 — 앵커 검증 결과로부터 MPS(Meaning Preservation Score)를 계산한다. --score 모드와 Strict P5 검증에서 사용한다

---

6단계: 출력

출력 채널 분리:

• rewrite의 text/markdown 출력에는 최종 사용자 본문만 쓴다. 축 메타데이터, YAML footer, 분석 라벨을 붙이지 않는다.
• diff/audit/score는 해당 모드의 결과만 출력하며 공통 footer를 붙이지 않는다.
• 구조화된 JSON 출력이 필요한 환경에서는 documentType, persona, register를 본문 밖의 독립 필드로 제공한다.
• Register가 생략되면 register: null; 명시되면 register, register_source, register_evidence, register_confidence를 별도 객체로 제공한다.

rewrite 모드 (기본)

최종 교정본만 제공한다. 내부 초안, 자기검수, 패턴 목록, 축 메타데이터는 출력하지 않는다.

주의: rewrite 본문에 Document Type, Persona, Register 정보를 언급하거나 삽입하지 않는다.

diff 모드 (--diff)

변경 사항을 패턴별로 표시한다. 뭘 왜 바꿨는지 보여준다.

audit 모드 (--audit)

감지만 하고 수정하지 않는다. 패턴별 발견 위치와 심각도를 테이블로 출력한다.

score 모드 (--score)

AI 유사도 점수를 0-100 척도로 산출한다. core/scoring.md를 참조하여 아래 절차를 따른다.

1. 패턴 감지: audit 모드와 동일하게 모든 패턴을 스캔하고, 감지된 각 패턴에 대해 severity를 부여한다 (core/scoring.md의 심각도 루브릭 참조)
2. Document Type 패턴 정책 적용: pattern-overrides가 있으면 심각도를 조정한다
   • amplify: 심각도 × 1.5 (최대 3)
   • reduce: 심각도 × 0.5
   • suppress: 심각도 = 0 (해당 패턴 건너뜀)
3. 카테고리 점수 계산: 각 카테고리별로 (카테고리는 팩 frontmatter의 pack 필드에서 언어 접두사를 제거하여 도출: ko-content → content)
   • 카테고리 점수 = (조정된 심각도 합계 / (패턴 수 × 3)) × 100
   • 패턴 수는 팩 frontmatter의 patterns 필드를 사용한다
4. 전체 점수 계산: 카테고리 점수의 가중 평균
   • 가중치는 scoring.category-weights.{lang} 설정을 사용한다
   • 설정에 없는 카테고리(커스텀 팩)는 기본 가중치 0.10을 사용한다
5. 출력 형식:

카테고리	가중치	감지 패턴	원점수	가중 점수
content	0.18	3/6	33.3	6.0
language	0.18	1/9	7.4	1.3
style	0.18	1/7	14.3	2.6
communication	0.13	0/4	0.0	0.0
filler	0.08	1/6	5.6	0.4
structure	0.15	1/5	20.0	3.0
viral-hook	0.10	0/9	0.0	0.0
전체				13.3 (±10)

점수 해석: 0-15 사람다움 / 16-30 거의 사람다움 / 31-50 혼재 / 51-70 AI 느낌 / 71-100 AI 생성

Fidelity 점수

원본 텍스트가 있는 점수 산출에서는 원본 대비 의미 보존도를 추가로 측정한다. core/scoring.md §§ 9-13의 절차를 따른다:

1. Claims Preserved — 원본의 사실적 주장이 교정본에 보존되었는지 (0-3)
2. No Fabrication — 교정본에 원본에 없는 내용이 추가되지 않았는지 (0-3)
3. Audience/Register Match — 문서 기능과 독자 관계를 보존했는지 평가한다. 명시적 --register가 있으면 그 목표를 기준으로 삼는다 (0-3)
4. Length Ratio — 길이 비율이 적절한지 (0-3, 결정론적 계산)

지표	점수
AI 유사도	23/100 (낮을수록 좋음)
충실도	87/100 (높을수록 좋음)
의미 보존 (MPS)	92/100 (높을수록 좋음)
종합	25/100 (낮을수록 좋음)

의미 보존 점수(MPS)는 4.5단계에서 추출된 의미 앵커가 최종 결과물에 얼마나 보존되었는지를 측정한다. core/scoring.md §14를 참조한다.

종합 점수 = (AI 유사도 × ai_weight) + ((100 - 충실도) × fidelity_weight). 가중치는 scoring.combined-weights.{document-type} 설정에 따른다 (기본: AI 0.60, 충실도 0.40).

참고: 점수는 LLM의 심각도 판단에 기반하므로 ±8-10 포인트의 변동이 있을 수 있다. 정확한 수치보다 범위로 해석한다.

---

전체 예시

수정 전 (AI스러운 글):

좋은 질문이십니다! 이 주제에 대해 정리해 드리겠습니다. 도움이 되셨으면 좋겠습니다!

AI 코딩 도구는 대규모 언어 모델의 혁신적인 잠재력을 보여주는 핵심적인 이정표로서, 소프트웨어 개발의 진화에 있어 획기적인 전환점을 의미한다. 오늘날 급변하는 기술 환경에서 이러한 선도적인 도구들은 연구와 실무의 교차점에 자리하며, 엔지니어들의 작업 방식을 근본적으로 재편하고 있다.

이를 통해 달성되는 핵심적인 가치는 명확하다: 프로세스의 효율화, 협업의 강화, 그리고 조직 정렬의 촉진. 이것은 단순한 자동완성에 그치지 않고, 대규모 창의성 발현을 가능하게 하는 것이다. 이 도구는 촉매제 역할을 하고 있다. 이 어시스턴트는 파트너로서 기능하고 있다. 이 시스템은 혁신의 토대를 마련하고 있다.

업계 관계자들은 도입이 개인 실험 단계에서 전사적 배포 단계로, 1인 개발자에서 다기능 팀으로 빠르게 확대되고 있다고 주목하고 있다. 이 기술은 뉴욕타임스, 와이어드, 더버지 등에서 크게 보도되었다. 아울러, 문서화, 테스트, 리팩토링을 생성할 수 있는 능력은 AI가 효과적인 성과 도출에 기여할 수 있음을 보여주며, 자동화와 인간 판단 간의 심층적인 상호작용을 부각하고 있다.

• 💡 속도: 코드 생성이 획기적으로 빨라지며, 개발자 역량을 극대화하고 있습니다.
• 🚀 품질: 개선된 학습을 통해 출력 품질이 효과적으로 향상되고 있습니다.
• ✅ 도입: 사용량이 지속적으로 증가하며, 업계 전반의 트렌드를 반영하고 있습니다.

구체적인 정보는 제한적이나, 이러한 도구들이 어느 정도의 긍정적 효과를 가져올 수 있을 것으로 판단될 수도 있다. 이러한 과제에도 불구하고 생태계는 계속 성장하고 있다. 이 잠재력을 극대화하기 위해서는 체계적인 모범 사례를 수립해야 한다.

결론적으로, 앞으로 밝은 미래가 기대된다. 탁월함을 향한 흥미진진한 여정이 우리 앞에 펼쳐져 있다. 더 자세한 내용이 필요하시면 말씀해 주세요!

초안:

AI 코딩 도구는 지루한 작업을 빠르게 처리해 준다. 아키텍처 설계까지는 아니지만.

설정 파일, 테스트 뼈대, 반복적인 리팩토링 같은 보일러플레이트에 강하다. 문제는 틀린 코드도 자신 있게 보인다는 것이다. 컴파일도 되고 린트도 통과하는 코드를 무심코 수락했다가, 나중에 의도와 다른 동작을 하는 걸 발견한 적이 있다.

주변 사람들 반응은 대체로 두 부류다. 잡무에 자동완성처럼 쓰면서 한 줄 한 줄 확인하는 사람. 원하지 않는 패턴을 자꾸 제안해서 꺼버린 사람. 둘 다 합리적이다.

생산성 지표는 애매하다. GitHub은 코파일럿 사용자가 "제안의 30%를 수락한다"고 하는데, 수락이 정확성은 아니고, 정확성이 가치는 아니다. 테스트가 없으면 결국 감으로 판단하는 것이다.

"아래 글에서 AI가 쓴 것처럼 보이는 부분은?"

• 리듬이 아직 좀 깔끔하게 정돈되어 있다 (깔끔한 대조, 고른 문단 길이).
• 마지막 문장이 약간 슬로건처럼 들린다.
• 전체적으로 "정리된 블로그 글" 느낌이 남아 있다.

"이제 AI가 쓴 것처럼 보이지 않게 고쳐라"

AI 코딩 도구, 잡일은 빨라진다. 설정 파일이나 테스트 뼈대 같은 거.

근데 맞는 것처럼 보이는 게 문제다. 컴파일되고 린트 통과하길래 넘겼는데 나중에 보니 완전 엉뚱한 동작을 하고 있었다. 내가 확인을 안 한 게 문제지만, 확인 안 하게 만드는 것도 이 도구의 특성이다.

쓰는 사람들은 두 부류인 것 같다. 잡무에만 쓰면서 한 줄씩 보는 사람이랑, 짜증나서 꺼버린 사람. 나는 왔다 갔다 한다.

생산성이 올라갔냐고 물으면 솔직히 모르겠다. "제안 30% 수락"이 뭘 의미하는지도 모르겠고. 테스트가 없으면 맞는지 틀린지 감으로 때리는 거니까.

변경 사항:

• 챗봇 표현 제거 ("좋은 질문이십니다!", "도움이 되셨으면", "말씀해 주세요")
• 과도한 중요성 부여 제거 ("핵심적인 이정표", "획기적인 전환점", "혁신적인 잠재력")
• 홍보성 언어 제거 ("선도적인", "탁월함을 향한")
• 모호한 출처 제거 ("업계 관계자들은")
• ~하며/~하고 피상적 분석 제거 ("기여하며", "부각하고", "반영하고")
• 부정 병렬구조 제거 ("그치지 않고... 것이다")
• 3의 법칙 제거 ("효율화, 강화, 촉진", "촉매제/파트너/토대")
• AI 특유 어휘 제거 ("아울러", "심층적인", "체계적인")
• ~적 접미사 축소 ("혁신적인", "효과적으로", "획기적으로")
• ~고 있다 진행형 축소 ("재편하고 있다", "성장하고 있다")
• 이모지, 볼드체, 인라인 헤더 제거
• 과도한 연결 표현 제거 ("이를 통해", "아울러")
• 학습 데이터 면책 제거 ("구체적인 정보는 제한적이나")
• 과도한 헤징 제거 ("~일 수도 있다")
• 채움 표현 제거 ("~하기 위해서는")
• 막연한 긍정적 결론 제거 ("밝은 미래가 기대된다", "흥미진진한 여정")
• 개성과 목소리를 추가 (리듬 변화, 1인칭, 솔직한 감정)

---

참고

이 스킬은 위키백과:AI 글쓰기의 징후를 기반으로 하며, WikiProject AI Cleanup이 관리합니다. 해당 문서의 패턴은 위키백과에서 발견된 수천 건의 AI 생성 텍스트 관찰에서 비롯되었습니다. 한국어 버전은 원본의 보편적 패턴에 더해, 한국어 AI 글쓰기에서 나타나는 고유한 패턴(~적 접미사, ~고 있다 진행형, 과도한 한자어 등)을 추가로 반영합니다.

핵심 통찰: "LLM은 통계적 알고리즘으로 다음에 올 것을 예측한다. 결과는 가장 넓은 범위에 적용 가능한, 가장 통계적으로 가능성 높은 결과로 수렴하는 경향이 있다."

영어 처리 참고: --lang en 사용 시 동일한 파이프라인을 따른다. 영어 en-structure.md 팩에는 4개의 구조 패턴(#25 Metronomic Paragraph Structure, #26 Passive Nominalization Chains, #27 Zombie Nouns, #28 Stacked Subordinate Clauses)이 포함되어 있으므로 5a단계(구조 분석)가 한국어와 마찬가지로 실행된다.