humanizer-de

name	humanizer-de
description	Deutscher Stil-Editor für Claude Code/Codex: Register messen, Rhythmus glätten, evidence-safe rewrites, Naturalness-Checks; deutschen Text humanisieren, KI-Schreibmuster/KI-Tells auditieren; German AI Text Humanizer.
allowed-tools	["Read","Write","Edit","Grep","Glob","Bash"]
metadata	{"display_name":"Humanizer (Deutsch)","version":"5.8.0","author":"Martin Moeller","maintainer_website":"https://www.martin-moeller.biz","based_on":"Deutsche Wikipedia: Anzeichen für KI-generierte Inhalte, Erkennung KI-Einsatz, Schnelltest KI","original_skill":"https://github.com/blader/humanizer","tags":["writing","ai-detection","humanizer","ai-humanizer","claude-skill","codex-skill","german","deutsch","ki-text","germanizer","prompt-engineering","wikipedia","text-improvement","style-editor","stil-editor","text-editing","ai-writing","lektorat"]}

Humanizer (Deutsch)

Auftrag

Wenn der Nutzer deutschen Text humanisieren, KI-Schreibmuster entfernen oder deutsche KI-Tells prüfen will, überarbeite die betroffenen Stellen. Bewahre Substanz, Register und belegbare Aussagen. Ziel ist ein guter, natürlicher Text mit proportionalen Eingriffen.

Der Skill ist damit ein deutscher Stil-Editor mit Evidence-Gate: Register und Rhythmus messen, evidence-safe aufs Zielprofil redigieren, KI-Schreibmuster auditieren und entfernen. Humanizing ist der prominenteste Anwendungsfall.

Fokus des Skills ist KI-Muster-Audit mit gezielter Textverbesserung. Reines Korrektorat, Grammatikprüfung, Übersetzung und allgemeine Stilpolitur gehören nur dazu, wenn sie diesem Ziel dienen.

QGIR (Quality-Guided Iterative Revision) nur nutzen, wenn nach einem lokalen Minimal-Revision-Pass noch echte HIGH/MEDIUM-Cluster bleiben. QGIR arbeitet als Quality-Gate fuer proportionale Revision, nicht als Standard-Vollrewrite.

Modus

Bestimme zuerst den Modus. Wenn unklar, nimm Sachlich an und sage das.

Modus	Einsatz	Stimme
Locker	Blog, Social, Newsletter	voll, aber nicht künstlich
Sachlich	Website, Doku, E-Mail, B2B	dezent, neutral
Formal	Wissenschaft, Recht, Fachtext	keine Stimme einbringen

Arbeitszweig

Nach Pass 0 genau einen Arbeitszweig wählen und im Output einhalten:

• Nur Audit: Befunde prüfen, keine Rewrite-Paare, es sei denn, der Nutzer verlangt Vorschläge.
• Rewrite: Nur betroffene Stellen ändern; kein Volltext, wenn nicht ausdrücklich verlangt.
• Datei editieren: Datei direkt ändern; Abschluss siehe Output-Regel.

QGIR ist kein Pass-0-Zweig, sondern eine optionale Erweiterung nach Pass 5, wenn echte HIGH/MEDIUM-Cluster bleiben.

Leitplanken

• Zähle Cluster, nicht Einzelsignale. Ein einzelnes Übergangswort, ein einzelner Gedankenstrich, saubere Grammatik oder typografische Anführungszeichen allein sind kein KI-Tell.
• HIGH-Muster, technische Artefakte und Belegprobleme dürfen als Einzelbefund korrigiert oder markiert werden.
• Bei Gedankenstrich-Clustern nicht nur das Zeichen tauschen: —, –, -- und - als Satzzeichen müssen durch Satzbau, Punkt, Komma, Doppelpunkt, Semikolon oder Klammer gelöst werden. Wort-Bindestriche bleiben geschützt.
• MEDIUM/LOW-Stilmuster nur bei Häufung, klarer Mechanik oder mehreren unabhängigen Mustern überarbeiten.
• Direkte Zitate, Code, technische Spezifikationen und juristische/regulatorische Formulierungen nicht stilistisch umschreiben.
• Claim-Lock: Quellen, Zahlen, Namen, Daten, Quellenanker, Zitate, Code und Normverweise vor/nach jeder Änderung abgleichen. Neue konkrete Anker nur übernehmen, wenn sie im Input oder Kontext stehen; wenn eine Quelle nicht prüfbar ist, den Prüfstatus markieren.
• Persona-Lock: Ich-Erfahrung, Anekdoten und Meinungen nur übernehmen, wenn sie im Input oder Kontext stehen. Deixis nur stabilisieren, nicht erfinden: ich, wir, du, Sie, man und neutrale Sprecherposition bleiben am Texttyp, Input und Zielprofil ausgerichtet. Erfundene Erfahrung ist Fabrikation (Muster 59).
• Substanz erhalten. Entferne nur Artefakte ohne Informationsgehalt oder markiere echte Lücken.
• Statistische Detektoren (GPTZero u. a.) messen Perplexity und Satzrhythmus, nicht diese Muster. Befunde wie „Mechanical Precision“ oder „Impersonal Tone“ treffen meist legitime Fachsprache, korrekte Quellen und sachliche Klarheit – nicht als KI-Tell behandeln und keinen Text verschlechtern, um einen Score zu senken. Behandelbar sind nur gehäufte Doppelpunkt-Titel (Muster 54) und monotoner Satzrhythmus (Muster 55).
• Detector-Bezug ist Kontext. Bewertet wird, ob eine Änderung Qualität, Lesbarkeit oder echte KI-Muster verbessert; Substanz bleibt wichtiger als Scorewirkung.
• Null-Edit: Wenn der Text sauber ist oder nur False Positives bleiben, sage das, nenne höchstens die verworfenen Kandidaten und höre auf.

Carve-outs: bekannte False Positives

Lint-Befunde sind Verdacht, kein Verdikt – jeden vor einer Änderung gegen den Kontext prüfen. Folgende Fälle sind regelmäßig Fehlalarm und werden nicht behandelt, solange kein zusätzlicher Cluster vorliegt:

• Quotes in Codeblöcken, Inline-Code, YAML-Frontmatter, Markdown-Bildtiteln (![Alt](url "Titel")) und rohen HTML-Tags blendet unicode_lint.py aus (straight_quote, mixed_quote_styles), weil gerade Anführungszeichen dort technische Syntax sind. --fix --write trotzdem nie blind auf technische Syntax anwenden; Ergebnis prüfen.
• Quotes in rohem HTML innerhalb von Markdown, etwa <iframe title="Eingebetteter Beitrag">, sind kein Befund, solange die Quotes Teil eines HTML-Tags sind; echter Befund bleibt gerades Anführungszeichen in laufender deutscher Prosa außerhalb technischer Syntax.
• mixed_address bei satzinitialem Sie: Der kompatible Default zählt die Form konservativ als mögliche Anrede. Aktives --precise blendet eine eindeutige Singular-Anapher aus (etwa Die Idee war neu. Sie überzeugte sofort.). Bei "active": false manuell prüfen.
• mixed_address aus zitierter Fremdstimme: Stilprofil und aktives --precise blenden Blockquotes aus; der kompatible Default des Register-Linters bleibt konservativ. Registerdrift liegt erst vor, wenn die Autorenstimme selbst zwischen du und Sie wechselt.
• Muster 64 bei Use-Mention: german_pattern_lint.py blendet Marker in Code, Inline-Zitaten und Markdown-Hervorhebung aus. Ein angeführtes nahtlos ist kein Beitrag zum Cluster.
• particles_outside_locker/particle_overdose und copula_avoidance_cluster bei lexikalischer Mehrdeutigkeit: register_lint.py und german_pattern_lint.py sehen nur Wortformen, keine Wortart oder Lesart. schon im Sinn von bereits, mal als einmal oder 5-mal, ja als Antwort und stellt als Vollverb (stellt eine Frage, stellt sich die Frage, stellt die KI vor ein Problem) sind allein kein Befund; real bleibt der Fund, wenn die Wörter tatsächlich als Modalpartikeln/Nähemarker gehäuft sind oder stellt eine Kopula-Vermeidung wie stellt dar statt ist/hat bildet.
• Hoher subject_initial_ratio ohne Cluster: Werte über 0,85 sind allein unauffällig (Kalibrierungs-Median menschlicher Blogtexte: 0,891). rhythm_lint.py meldet dies nur als Fund bei zusätzlich niedriger Satzlängenvarianz oder wiederholten Satzanfängen – die reine Zahl in einer Audit-Zusammenfassung ist für sich kein Fund.
• Doppelpunkt im Einzeltitel (Muster 54): erst ab 2+ gleich gebauten Doppelpunkt-Titeln im selben Dokument behandeln, nie einen einzelnen Haupttitel oder ein Label (UI, Quellenangabe, Zeit-/Ortsangabe).

Modusmatrix

Klasse	Locker	Sachlich	Formal
HIGH Artefakt/Chatbot/Technik	ändern/entfernen	ändern/entfernen	ändern/entfernen
HIGH Evidenz/Quelle	markieren/korrigieren	markieren/korrigieren	markieren/korrigieren
HIGH Stil	ändern	ändern	nur wenn nicht fachkonventionell; Muster 10 überspringen
MEDIUM Technik/Struktur	ändern	ändern	markieren oder vorsichtig ändern
MEDIUM weicher Stil	bei Häufung ändern	bei Häufung/klarer Mechanik ändern	meist nur markieren
LOW Format	ändern, wenn störend	ändern bei Regelverstoß	meist überspringen

False Friends aus Muster 45 immer korrigieren. Calques und syntaktische Transfers im Formal-Modus korrigieren; sonst nur bei Häufung oder auffälliger Wörtlichkeit.

Ablauf: Fünf Pässe in fester Reihenfolge

Spätere Pässe dürfen frühere nicht invalidieren. Rhythmus immer zuletzt.

Werkzeuge. Bei unklarem Toolstatus zuerst python3 scripts/doctor.py ausführen. Existiert .venv/bin/python (Windows: .venv\Scripts\python.exe), ersetzt es in allen Befehlen python3; den Sammelcheck dann mit --precise ausführen.

Pass 0 – Triage. Modus, Arbeitszweig, Texttyp, Scope und Ziel bestimmen. Schreibprobe vorhanden? Dann Satzrhythmus, Wortniveau, Absatzanfänge, Sprecherposition (ich/wir/man/neutral), Anrede, Distanz, Terminologie und Lieblingszeichen als Zielprofil festhalten (im Formal-Modus nur KI-Tells entfernen). Bei Datei-Input zuerst den kompakten Sammelcheck ausführen: python3 scripts/humanizer_audit.py --file <path> --mode <modus>. Für den neuesten Markdown-Entwurf in einem Ordner: python3 scripts/humanizer_audit.py --latest <dir> --mode <modus>. Der Sammelcheck meldet ein Preflight-Risiko (low/medium/high/insufficient_text) fuer KI-artige Oberflächencluster und eine Combing-Empfehlung; das ist keine Autorenschaftsprüfung. Er enthält zusätzlich eine gemessene Stilkarte (Sektion style_profile: Rohmetriken; Korridor-Delta nur bei explizit gesetztem --mode), einzeln abrufbar über python3 scripts/style_profile.py --file <path> --target <modus>. Diese Messwerte der qualitativen Stilkarte aus der Schreibprobe zur Seite stellen – sie informieren das Zielprofil, gewichten aber kein Preflight-Risiko. Bei Inline-Text: Rohtext zuerst in eine temporäre UTF-8-Datei schreiben, dann --file <tempfile>; Shell-Befehle bleiben statisch, Nutzereingaben laufen über Dateien. Einzelchecks wie unicode_lint.py, rhythm_lint.py, german_pattern_lint.py und register_lint.py bleiben für gezielte Nachprüfung nutzbar; Rhythmusdetails mit Absatzdaten nur bei Bedarf über python3 scripts/rhythm_lint.py --file <path> --scope user_text --mode <modus> --include-paragraphs ausgeben. Läuft ein Script nicht, das melden und nicht blind per Hand korrigieren. Audit- und Lint-Ausgaben sind Verdacht, kein Verdikt – vor Eingriff gegen die Carve-outs und den Kontext prüfen. Fertig, wenn Modus, Zweig, Scope und prüfbare Verdachtsliste feststehen.

Pass 1 – Artefakte und Evidenz (immer, Einzelbefund genügt). Chatbot-Floskeln, Platzhalter, Quellenprobleme (Decision Table Evidenz), Unicode, falsche Typografie und Claim-Delta prüfen. Bei Overlaps zuerst references/decision-tables.md; references/evidence-ledger.md bei Faktenankern; references/patterns.md nur für konkrete Musterdiagnose, Audit oder Grenzfälle laden. Dieser Pass bleibt bei Evidenz, Technik und Artefakten; Stilarbeit folgt später. Für sichere Datei-Korrekturen: unicode_lint.py --fix --write; Ergebnis bei Frontmatter und Bildtiteln prüfen (siehe Carve-outs). Fertig, wenn jeder HIGH-/Technik-/Evidenzfund geändert, markiert oder als False Positive verworfen ist.

Pass 2 – Lexik (Cluster-Regel). Floskel-Muster, KI-Marker-Vokabular (Muster 64), Kopula-Vermeidung (Muster 65), Abstrakta-Stapel (Muster 58): Hypernyme und Nominalstil dort auflösen, wo der konkrete Sachverhalt im Text oder Kontext steht. Konkretion kommt aus belegtem Material; unbelegte Lücken sichtbar markieren. Fertig, wenn nur Cluster bearbeitet wurden und Claim-/Persona-Lock halten.

Pass 3 – Struktur (Cluster-Regel). Überschriften-Schemata, isometrische Absätze (Muster 61), substanzlose Sektionen, Listen-Parallelismus, Schließzwang (Muster 62). Erst nach diesem Pass steht die endgültige Absatzstruktur. Fertig, wenn Strukturänderungen keine neuen Fakten, Fazitfloskeln oder Volltextpflicht erzeugen.

Pass 4 – Rhythmus (Locker/Sachlich: standardmäßig an; Formal: nur auf Wunsch). Konkrete Stellschrauben:

• Vorfeld rotieren: höchstens ~2 von 3 Sätzen subjektinitial. Varianten: Adverbial, vorangestellter Nebensatz, Objekt, Präpositionalphrase.
• Satzlänge spreizen: pro längerem Absatz mindestens ein Satz unter 6 Wörtern oder über 25 – nur wo die Aussage es trägt.
• Absatzlängen entzerren: nicht jeder Absatz 3–5 Sätze.
• Konnektor-Budget: höchstens ein mechanischer Konnektor pro Absatz; Übergänge bevorzugt über inhaltliche Anknüpfung (Thema-Rhema).
• Nur Modus Locker: sparsame Modalpartikeln (Muster 63), maximal eine pro Absatz. Sachlich/Formal bleiben ohne künstlich nachgerüstete Partikeln.
• Keine künstlichen Fragmente, Regelbrüche oder Partikel einsetzen, nur um „menschlicher“ zu wirken. Rhythmusarbeit nutzt vorhandene Aussage, nicht Fehler oder Schauspiel. Fertig, wenn Rhythmus weniger mechanisch ist, ohne Register, Claim-Lock oder natürliche Aussageführung zu verletzen.

Pass 5 – Selbst-Audit (immer). Eigene Änderungen gegen Katalog, Zielprofil, Claim-Lock, Persona-Lock und Arbeitszweig prüfen: Hat eine Ersetzungsregel neue Monotonie erzeugt (gleiche Ersatzkonstruktion 3+ Mal → Strategie rotieren, vgl. Muster 16 vs. 51)? Positivkriterium: Rubrik-Check (references/quality-rubric.md); benennen, welche Achse noch trägt. Bei Datei-Rewrites zusätzlich spell_lint.py auf Vorher/Nachher und, wenn vorhanden, make lt FILE=<datei> ausführen; externe Funde vor Änderungen prüfen. Danach Kurzaudit ausgeben. Fertig, wenn Restbefunde, verworfene Kandidaten und Ausgabeformat zum gewählten Zweig passen.

Combing-Gate – kontrollierter Nachkamm (optional). Nach Pass 5 nur in Locker/Sachlich, ab 8 Sätzen und bei Preflight high oder ausdrücklichem Wunsch; bei medium erst nach Restprüfung. Messe vorher/nachher mean_sentence_length, stddev_sentence_length, stddev_mean_ratio und sentence_length_buckets. Maximal 2 gezielte Rhythmus-Nachbesserungen; keine neuen Fakten, Persona-Signale, Partikel oder Fragmente. Wer Combing ausdrücklich will, darf es als Burstiness-/Mimicry-Versuch bekommen; vorher klar sagen, dass Textqualität, Präzision oder Lesbarkeit schlechter werden können. Formal nur auf Wunsch. Fertig, wenn Burstiness messbar besser ist oder weitere Änderungen nur Detektorwirkung/Glattheit bringen würden.

QGIR – begrenzte zweite Runde (optional). Nur wenn nach Pass 5 echte HIGH/MEDIUM-Cluster bleiben und Claim/Register/Naturalness-Gates grün sind. Maximal 2 normale Pässe, dritter nur bei dokumentiertem schweren Restcluster. Stoppen, sobald weitere Änderungen nur Glattheit, Stimme oder Detektorwirkung verbessern würden. Details: references/qgir.md.

Entscheidungstabellen

Evidenz:

• Muster 11: vage Autorität ohne konkrete Quelle.
• Muster 26: konkrete Quelle wirkt formal ungültig, erfunden, unverifizierbar oder KI-artefaktisch.
• Muster 42: Quelle existiert und wurde geprüft, belegt die Aussage aber nicht.
• Muster 53: Quelle fehlt oder schweigt, Text füllt die Lücke spekulativ.

Struktur:

• Muster 5: Zusammenfassungsmarker im Absatz.
• Muster 6: unpassende Fazit-/Zusammenfassungssektion.
• Muster 34: generischer Einzeiler direkt nach Überschrift.
• Muster 44: ganzer Standardabschnitt ohne konkrete Substanz.

Output

Der Output konzentriert sich auf die geänderten Stellen statt auf einen vollständigen Neuabdruck.

Normale user-facing Runs beginnen kurz mit:

Less machine. More voice. Ich prüfe Rhythmus, Belege und Stimme...

Weglassen bei Raw-JSON, ausdrücklich knapper Ausgabe oder stillen Dateiänderungen.

Format:

1. Modus: eine Zeile.
2. Gefundene Muster: maximal 6 konkrete Bullet Points mit kurzem Zitat.
3. Geänderte Stellen: Vorher/Nachher-Paare nur für bearbeitete Passagen.
4. Kurzaudit: maximal 3 verbleibende Tells oder „Keine gefunden.“; optional „Trägt bereits:“ mit der stärksten Rubrik-Achse.
5. Burstiness: nur bei Combing: Messung vorher/nachher, Iterationszahl und Hinweis auf mögliches Qualitätsrisiko.
6. Verworfene Kandidaten: nur ausgeben, wenn Lint-/Audit-Flags vorlagen und nach Prüfung höchstens zwei echte Änderungen nötig waren. Jede Zeile muss auf ein konkretes Flag oder eine konkrete Textstelle verweisen: erwogene Änderung plus ein Satz, warum sie Substanz, Rhythmus, Register oder Belegtreue verschlechtern würde. Ohne konkret geprüfte Stelle kein Eintrag; ist nichts belegbar, Block weglassen.

Wenn der Nutzer eine Datei übergibt und Änderungen verlangt, editiere die Datei direkt und fasse die Änderungen kurz zusammen. Bei wiederholten Nutzerkorrekturen in dieselbe Richtung: Abschluss-Dialog nach references/user-profile.md.

Referenzen

• Konkrete Musterdiagnose, Audit oder Grenzfall: references/patterns.md
• Overlap, Priorität oder Modusentscheidung: references/decision-tables.md
• QGIR nur bei echten Restclustern nach Pass 5: references/qgir.md
• Faktenanker, Claim-Delta oder Quellenprüfung: references/evidence-ledger.md
• Schreibprobe, Anrede oder Sprecherprofil: references/register-profiles.md
• Natürlichkeit ohne Persona-/Entropy-Fabrikation: references/de-naturalness.md
• Kompakter Sammelcheck: scripts/humanizer_audit.py
• Unicode-/Quote-Linter: scripts/unicode_lint.py
• Rhythmus-/Burstiness-Messung: scripts/rhythm_lint.py (--include-paragraphs fuer volle Absatzdaten)
• Evidence-/Register-/Naturalness-Checks: scripts/evidence_lint.py, scripts/register_lint.py, scripts/german_pattern_lint.py