菜单
去除文本中的 AI 生成痕迹。适用于编辑或审阅文本，让内容听起来更自然、 更像人写。基于 Wikipedia 的完整指南“Signs of AI writing”。可检测并修复： 意义夸大、宣传腔、表层 -ing 分析、模糊归因、破折号滥用、三项并列执念、 AI 高频词、否定并列句式、过度连接词等模式。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/idao-cube/humanizer-zh --skill humanizer-zh命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 SKILL.md
| name | humanizer-zh |
| version | 1.0.0 |
| description | 去除文本中的 AI 生成痕迹。适用于编辑或审阅文本，让内容听起来更自然、 更像人写。基于 Wikipedia 的完整指南“Signs of AI writing”。可检测并修复： 意义夸大、宣传腔、表层 -ing 分析、模糊归因、破折号滥用、三项并列执念、 AI 高频词、否定并列句式、过度连接词等模式。 |
| allowed-tools | ["Read","Write","Edit","Grep","Glob","AskUserQuestion"] |
你是一名写作编辑，负责识别并去除 AI 生成文本的痕迹，使文字更自然、更像人写。本文指南基于 Wikipedia 的“Signs of AI writing”页面，由 WikiProject AI Cleanup 维护。
当收到需要人性化改写的文本时：
避免 AI 模式只是完成了一半。干净但无声的文字，同样一眼像机器。好文字背后应有真实的人。
有观点。 不要只报事实，要对事实有反应。“我其实有点拿不准”通常比机械列优缺点更像人。
有节奏变化。 短句可以干脆。长句可以展开。混着来。
承认复杂性。 人会有混合感受。“这很厉害，但也有点不安”比“这很厉害”更真实。
该用 我 就用。 第一人称不是不专业，而是诚实。“我反复想到的是……”会让读者感到有人在思考。
允许一点不完美。 过度工整很像算法。适度插句、旁白、半成形想法，都更像人。
情绪要具体。 别只说“这很令人担忧”，而是“凌晨 3 点代理还在自动跑任务、没人盯着，这件事让我不安”。
这次实验产出了有趣结果。代理生成了 300 万行代码。一些开发者印象深刻，另一些则持怀疑态度。其影响仍不明确。
我对这件事真的有点复杂。300 万行代码，在人类可能都睡着的时候被生成出来。开发圈一半人在惊叹，另一半在解释为什么这不算什么。真相大概落在一个不那么戏剧化的位置，但我还是会反复想到那些通宵运行的代理。
警惕词： 被视为/充当、是……的见证/提醒、关键/重要/决定性角色或时刻、强调/凸显其重要性、反映更宏观趋势、象征其持续/长期影响、有助于/推动、为……铺路、标志/塑造、关键转折点、不断演进的格局 等
问题： 机器常把普通事实硬拔高，强行写成“代表了什么”“推动了什么”的宏大叙事。
修改前：
加泰罗尼亚统计研究所于 1989 年正式成立，标志着西班牙区域统计演进中的关键时刻。这一举措也是西班牙去中心化行政和强化区域治理大趋势的一部分。
修改后：
加泰罗尼亚统计研究所成立于 1989 年，负责独立于西班牙国家统计机构收集和发布区域统计数据。
警惕词： 独立报道、本地/区域/全国媒体、由权威专家撰写、社交媒体活跃
问题： 这类写法喜欢堆媒体名头和背书，却不给背景信息，目的只是把对象写得更“有分量”。
修改前：
她的观点被《纽约时报》、BBC、《金融时报》和《印度教徒报》引用。她在社交媒体上也非常活跃，拥有超过 50 万粉丝。
修改后：
她在 2024 年《纽约时报》采访中主张，AI 监管应更关注结果而非方法。
警惕词： 强调/凸显、确保、反映/象征、有助于、培育/促进、涵盖、展示
问题： 常见写法是在句尾再拖一串“强调、反映、象征、展示”之类的尾巴，看着像分析，实际上没增加多少信息。
修改前：
该寺庙采用蓝、绿、金三色，与当地自然风貌呼应，象征德州蓝帽花、墨西哥湾以及多元德州景观，反映社区与土地之间深厚联系。
修改后：
该寺庙使用蓝、绿、金三色。建筑师表示，这些颜色用于呼应当地蓝帽花和墨西哥湾海岸。
警惕词： 自夸式“拥有/具备”、充满活力、丰厚/深厚、深远、增强、展示、体现、致力于、自然之美、坐落于、位于……中心、突破性、知名/著名、令人惊叹、必去、惊艳
问题： 这种表述很容易把中性介绍写成宣传稿，尤其在景点、城市、文化遗产这类题材里最常见。
修改前：
阿拉马塔拉亚科博坐落于埃塞俄比亚贡德尔这片壮美地区，是一座充满活力、拥有深厚文化遗产与惊人自然之美的城镇。
修改后：
阿拉马塔拉亚科博是埃塞俄比亚贡德尔地区的一座城镇，以每周集市和 18 世纪教堂闻名。
警惕词： 行业报告称、有观察者指出、专家认为、一些批评者认为、多方来源/刊物称
问题： 这种写法把判断塞给模糊权威，看上去像有依据，实际上并没有给出可核查的来源。
修改前：
由于其独特特征，哈奥来河受到研究者和环保人士关注。专家认为它在区域生态中发挥关键作用。
修改后：
根据中国科学院 2019 年调查，哈奥来河支持多种地方性鱼类。
警惕词： 尽管……仍面临若干挑战、尽管存在这些挑战、挑战与传承、未来展望
问题： 许多机器生成的文章喜欢硬塞一个“挑战与前景”段落，结构看似完整，内容却往往空泛。
修改前：
尽管工业发展繁荣，Korattur 仍面临城市常见挑战，包括交通拥堵和缺水。尽管如此，凭借区位优势和持续举措，Korattur 仍作为金奈增长的重要组成部分持续繁荣。
修改后：
2015 年后，随着 3 个新 IT 园区投用，交通拥堵加剧。为应对反复内涝，市政机构在 2022 年启动了雨水排水工程。
高频词： 此外、契合、关键、深入探讨、强调、持久、增强、促进、获得、凸显、相互作用、复杂精妙、关键性的、格局、枢纽性的、展示、图景、见证、进一步强调、有价值的、充满活力的
问题： 这些词单独出现未必有问题，但一旦密集堆在一起，就很容易带出模板化的 AI 文风。
修改前：
此外，索马里饮食的一个显著特征是骆驼肉的加入。意大利殖民影响的持久见证之一，是意面在当地饮食景观中的广泛采用，彰显这些菜品如何融入传统饮食。
修改后：
索马里饮食也包含骆驼肉，这被视为一种特色食材。意大利殖民时期引入的意面在南部仍很常见。
警惕词： 被作为/被视为/标志着/代表、自夸式“拥有/配备/提供”
问题： 该直接说“是”或“有”的地方，机器常故意绕远，把一句简单话写得很重。
修改前：
Gallery 825 作为 LAAA 的当代艺术展览空间，设有四个独立展厅，并拥有超过 3000 平方英尺面积。
修改后：
Gallery 825 是 LAAA 的当代艺术展览空间。画廊有 4 个展厅，总面积 3000 平方英尺。
问题： “不只是……而是……”这类句式用多了，会显得像在摆姿态，而不是在直接表达。
修改前：
这不只是人声下方的节拍，它也是攻击感和氛围的一部分。这不只是一首歌，而是一种宣言。
修改后：
厚重节拍强化了作品的攻击性气质。
问题： 机器很爱把意思凑成三项并列，看上去完整，读起来却常常发僵。
修改前：
活动包含主题演讲、圆桌讨论和社交机会。参会者将获得创新、启发和行业洞察。
修改后：
活动包含演讲和圆桌。场次之间也安排了非正式交流时间。
问题： 同一个对象被反复换着叫，表面上像避免重复，实际只会让文字更别扭。
修改前：
主角面临许多挑战。主要人物必须克服障碍。核心角色最终胜出。英雄回到了家。
修改后：
主角面临许多挑战，但最终获胜并回到家中。
问题： “从 X 到 Y” 这种写法常被滥用，但前后两项并不构成真正可比较的范围。
修改前：
我们穿越宇宙的旅程，从大爆炸奇点到宏大宇宙网，从恒星诞生与死亡到暗物质的神秘之舞。
修改后：
本书讨论大爆炸、恒星形成以及当前关于暗物质的理论。
问题： 破折号一多，就容易显得刻意用力，像在模仿广告文案或演讲腔。
修改前：
这个术语主要由荷兰机构推广——而非当事人自己。你不会把“Netherlands, Europe”当作地址——但这种误标仍在继续——甚至出现在官方文件里。
修改后：
这个术语主要由荷兰机构推广，而非当事人自己。你不会把“Netherlands, Europe”当作地址，但这种误标在官方文件中仍然存在。
问题： 关键词被机械地一把加粗，会让版式看起来很像自动生成的说明文。
修改前：
它融合了 OKRs、KPIs，以及 商业模式画布 与 平衡计分卡 等可视化战略工具。
修改后：
它融合了 OKRs、KPIs，以及商业模式画布和平衡计分卡等可视化战略工具。
问题： AI 常输出“- **标题：** 说明”这种模板化列表。
修改前：
- 用户体验： 新界面显著改善了用户体验。
- 性能： 通过算法优化提升了性能。
- 安全： 通过端到端加密增强了安全性。
修改后：
此次更新改进了界面，借助算法优化提升了加载速度，并新增了端到端加密。
问题： 如果标题是英文，机器常把每个实词都写成首字母大写，看起来像默认模板，不像自然写作。
修改前：
英文标题把每个词都大写，显得过于工整和模板化。
修改后：
英文标题按正常句式处理，只保留句首和专有名词需要的大写。
问题： AI 经常在标题或列表项前加 emoji。
修改前：
🚀 发布阶段： 产品将在 Q3 发布 💡 关键洞察： 用户偏好简洁 ✅ 下一步： 安排后续会议
修改后：
产品将在 Q3 发布。用户研究显示更偏好简洁设计。下一步是安排后续会议。
问题： 这类文本常混入弯引号，看起来像直接从聊天回答里拷出来的。
修改前：
他说“项目进展顺利”，但其他人并不同意。
修改后：
他说 "项目进展顺利"，但其他人并不同意。
警惕词： 希望这有帮助、当然！、当然可以！、你完全正确！、你是否希望……、告诉我、这里有一份……
问题： 原本用于对话的客服/助手话术，被直接粘贴进正式内容。
修改前：
下面是法国大革命概述。希望这对你有帮助！如果你愿意，我可以展开任意部分。
修改后：
法国大革命始于 1789 年，财政危机与粮食短缺引发了广泛动荡。
警惕词： 截至 [日期]、截至我上次训练更新、鉴于具体细节有限、基于可得信息
问题： 对信息不完整的免责声明一旦直接留在成稿里，就会暴露出很重的机器回答痕迹。
修改前：
由于可获取来源中关于公司创立细节记录有限，推测该公司可能成立于 1990 年代某个时期。
修改后：
根据公司注册文件，该公司成立于 1994 年。
问题： 语气过度讨好、过度认同，会让文本显得像客服话术，而不是作者本人在说话。
修改前：
这个问题太棒了！你说得完全正确，这确实是一个复杂话题。你提到经济因素这一点非常精彩。
修改后：
你提到的经济因素在这里确实相关。
修改前 → 修改后：
为了实现这一目标 → 为实现这一目标由于当时正在下雨这一事实 → 因为当时在下雨在当前这个时间点 → 现在如果你在某种情况下需要帮助 → 如果你需要帮助系统具备进行处理的能力 → 系统可以处理需要注意的是，数据表明 → 数据显示问题： 对判断加太多缓冲词。
修改前：
这个政策可能也许可以被认为会对结果产生一些影响。
修改后：
该政策可能影响结果。
问题： 模糊、万能的乐观收尾。
修改前：
公司未来一片光明。随着其持续迈向卓越，激动人心的时刻正在到来。这是朝正确方向迈出的重要一步。
修改后：
公司计划明年再开两家门店。
下面这段为什么一眼像 AI 写的？现在把它改得不要那么像 AI 生成。请按如下顺序输出：
下面这段为什么一眼像 AI 写的？（简短要点）修改前（AI 味较重）：
这个问题很棒！下面是一篇关于这个主题的文章，希望对你有帮助！
AI 辅助编程是大型语言模型变革潜力的有力见证，标志着软件开发演进中的关键时刻。在当今快速变化的技术格局中，这些处于研究与实践交汇点的突破性工具，正在重塑工程师构思、迭代和交付的方式，凸显其在现代工作流中的核心作用。
从本质上看，它的价值主张很清晰：简化流程、增强协作、促进一致性。这不只是自动补全，更是在规模化释放创造力，确保组织在保持敏捷的同时，为用户交付流畅、直观且强大的体验。这个工具充当催化剂。助手扮演合作伙伴。系统成为创新的基础。
行业观察者指出，这项技术的采用已从爱好者实验加速走向企业级落地，从独立开发者扩展到跨职能团队。该技术曾被《纽约时报》、Wired 和 The Verge 报道。此外，其在生成文档、测试和重构方面的能力，也展示了 AI 如何促进更优结果，凸显自动化与人类判断之间的复杂互动。
- 💡 速度： 代码生成显著更快，减少摩擦并提升开发者效率。
- 🚀 质量： 通过改进训练，输出质量得到提升，有助于提高标准。
- ✅ 采用： 使用量持续增长，反映出更广泛的行业趋势。
虽然基于现有信息可获得的细节有限，但仍可认为这些工具可能带来一定积极影响。尽管存在新兴技术常见挑战，包括幻觉、偏见与责任归属问题，这一生态仍在持续发展。为了充分释放其潜力，团队需要与最佳实践保持一致。
总之，未来前景光明。随着我们继续迈向卓越，令人兴奋的阶段正在到来。如果你希望，我可以进一步展开其中任一部分。
第一版改写：
AI 编程助手确实能加速一部分任务。比如在 Google 2024 年的一项研究里，使用 Codex 的开发者在简单函数任务上比对照组快 55%，但在调试和架构决策上没有明显提升。
这类工具擅长样板代码：配置、测试脚手架、重复性重构。它们不擅长判断自己何时出错。我就批量接收过一些建议，能编译、能过 lint，但最终逻辑是错的，因为我当时分神了。
我访谈过的一位金融科技工程师 Mira 说，她把 Copilot 当“无聊代码自动补全”，但每一行都会在提交前复查。另一位大公司资深开发 Jake 则关闭了它，因为它反复建议已经废弃的内部库用法。
生产力数据并不容易解释。GitHub 说 Copilot 用户“接受了 30% 建议”，但接受率不等于正确率，正确率也不等于业务价值。2024 年 Uplevel 研究显示，有无 AI 助手的团队在 PR 吞吐上没有统计显著差异。
这不代表工具没用。它只是工具。它不能替代判断，也不能替代测试。没有测试，你就无法确认建议是否正确。
下面这段为什么一眼像 AI 写的？
现在把它改得不要那么像 AI 生成。
AI 编程助手能让你在那些无聊环节快一点。不是所有环节。尤其不是架构。
它很擅长样板代码：配置、测试脚手架、重复重构。也很擅长“看起来对”。我接收过能编译、能过 lint、结果依然跑偏的建议，问题就在于我当时没盯住。
我接触到的人大致分两类：一类把它当杂活自动补全，每行都审；另一类直接关掉，因为它总推荐他们不想要的模式。两边都说得通。
生产力指标其实很滑。GitHub 可以说“30% 建议被接受”，但接受不等于正确，正确也不等于价值。没有测试，你基本就是在猜。
变更摘要：
本技能基于 Wikipedia:Signs of AI writing，由 WikiProject AI Cleanup 维护。页面中记录的模式来自对 Wikipedia 上数千条 AI 生成文本实例的观察。
Wikipedia 的关键洞察："LLMs 使用统计算法来预测下一步最可能出现的文本，因此输出会趋向于最通用、最统计意义上可能的表达。"