1. Humanizer Skill 到底解决什么问题如果你最近在用 Claude Code 或 OpenCode 写东西大概率会遇到一个尴尬模型生成的中文读起来“太顺了”顺到一眼就能看出是 AI 写的。句式整齐、形容词堆叠、每段都以“首先/其次/最后”开头结尾还喜欢来一句“综上所述”。Humanizer 这个 Skill 就是冲着这个毛病去的。Humanizer 是一个面向 Claude Code 与 OpenCode 的 Agent Skill核心能力是识别文本里的 AI 写作痕迹然后做针对性重写让输出更接近真人表达。它不是简单做同义词替换而是基于 Wikipedia 的《Signs of AI writing》指南和 WikiProject AI Cleanup 维护的规则识别二十多种最新已扩展到 29 种AI 写作模式改写完还会跑一轮 Audit 复审检查是否残留明显 AI 特征。它适合谁三类人最用得上一是经常用 Agent 批量产出内容、需要二次润色的编辑二是写博客/公众号、想让文字不那么“机器味”的创作者三是想研究 AI 写作模式、学习如何识别和规避这些套路的人。中文用户可以直接用汉化版 Humanizer-zh安装说明、快速检查清单、质量评分都做了本地化。下面我按“目录结构 → config.toml 骨架 → settings.json 片段 → 触发验证”的顺序把落地配置讲清楚每一步都能直接复制。2. 前置准备目录结构与 TaoToken 接入在配 Skill 之前先把两件事理清楚Skill 放哪、模型请求走哪。Skill 本身只是提示词和规则文件真正干活的是背后的模型所以你需要一个稳定的 API 入口。TaoToken 在这里的角色就是统一接入层。官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 上有完整说明API 端点是 https://taotoken.net/api这个地址不加 UTM。你需要在控制台生成 API Key然后把它写进 Claude Code 或 OpenCode 的配置里。Skill 的目录结构两种工具略有差异但可以统一# Claude Code 的 Skill 目录 ~/.claude/skills/humanizer/ ├── SKILL.md # 技能主文件定义触发条件和行为 ├── rules/ # AI 写作模式识别规则 │ ├── patterns.md │ └── audit.md └── examples/ # 改写示例供模型参考 # OpenCode 的 Skill 目录 ~/.config/opencode/skills/humanizer/关键点OpenCode 同时兼容~/.claude/skills/目录。也就是说你只装一次到 Claude Code 的目录OpenCode 也能读到不用重复克隆。安装命令英文原版mkdir -p ~/.claude/skills git clone https://github.com/blader/humanizer.git ~/.claude/skills/humanizer中文版推荐用 npx 一键装npx skills add https://github.com/op7418/Humanizer-zh.git或者手动克隆git clone https://github.com/op7418/Humanizer-zh.git ~/.claude/skills/humanizer装完重启 Claude Code输入/humanizer-zh如果技能被激活就说明目录被正确识别了。3. 可复制配置config.toml 与 settings.jsonSkill 装好后还要让 Agent 知道“用哪个模型、走哪个端点”。这一步是很多人卡住的地方——Skill 文件在但请求发不出去。先看 OpenCode 的config.toml骨架。它一般放在~/.config/opencode/config.toml# ~/.config/opencode/config.toml model claude-sonnet-4-20250514 provider anthropic [providers.anthropic] api_key sk-你的TaoToken密钥 base_url https://taotoken.net/api [skills] enabled true paths [~/.claude/skills, ~/.config/opencode/skills]这里base_url指向 TaoToken 的 API 端点api_key从控制台拿。[skills]段把两个 Skill 目录都加进去保证 Humanizer 能被加载。再看 Claude Code 的settings.json片段。它通常在~/.claude/settings.json{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的TaoToken密钥 }, skills: { enabled: true, directory: ~/.claude/skills }, permissions: { allow: [Skill, Read, Write] } }ANTHROPIC_BASE_URL和ANTHROPIC_API_KEY是让 Claude Code 把请求发到 TaoToken 的关键。permissions.allow里加上Skill否则调用/humanizer时可能被权限拦截。注意API Key 不要硬编码进会提交到 Git 的文件。建议用环境变量或本地.envsettings.json里只留占位符。如果你还没生成 Key去控制台页面 https://taotoken.net/console 创建接入细节看文档 https://taotoken.net/doc。这两个链接都带utm_sourcetaotoken_aicg_blog_endutm_campaignrewrite方便你回溯来源。4. 触发一次 Humanizer 改写并验证输出差异配置写完最要紧的是验证它真的生效了。别只看“技能已加载”要实际跑一次改写对比输入输出。第一步准备一段典型的 AI 味文本。比如在当今数字化时代人工智能技术正在深刻地改变着我们的生活。 首先它提升了工作效率其次它优化了决策流程最后它推动了创新发展。 综上所述人工智能为社会发展提供了可靠支持。第二步在 Claude Code 里调用/humanizer-zh 请人性化以下文本 在当今数字化时代人工智能技术正在深刻地改变着我们的生活……第三步观察输出差异。Humanizer 会做几件事删掉“在当今……时代”这种空泛开头把“首先/其次/最后”的排比拆成自然叙述去掉“综上所述”“可靠支持”这类套话。改写后大概是这样AI 正在改变我们的日常。它让很多重复工作变快了也让决策时能参考的数据更多。 不过真正的影响往往体现在具体场景里而不是一句“推动发展”能概括的。第四步检查 Audit 复审。Humanizer 改完第一轮后会自动跑一次审核如果输出里还有明显 AI 特征比如又冒出“值得注意的是”它会再改一遍。你可以在对话里追问“还有 AI 痕迹吗”让它复述审核结果。第五步验证 Voice Calibration。先给 23 段你自己的写作样本再让它改写对比是否更贴近你的句式节奏。这一步是 Humanizer 区别于普通润色工具的地方——它输出的是“像你写的”不是“像人写的”。如果你更想先在线试模型效果可以直接用模型对话页面 https://taotoken.net/model-chat 跑一遍确认端点通不通再回到本地配 Skill。5. 本篇常见错排查配 Humanizer 时踩的坑基本集中在“技能没加载”和“请求发不出”两类。下面按现象列排查路径。现象一输入/humanizer没反应提示技能不存在。先确认目录名和 SKILL.md 是否匹配。Claude Code 要求~/.claude/skills/humanizer/SKILL.md存在且文件名大小写正确。中文版触发词是/humanizer-zh别用英文命令去调中文版。改完目录记得重启 Claude Code它只在启动时扫描 Skill。现象二技能加载了但改写请求报 401 或 403。这是 API Key 或 base_url 的问题。检查settings.json里ANTHROPIC_BASE_URL是否写成https://taotoken.net/api注意结尾不要多加/v1。Key 是否过期、是否复制时带了空格。可以在控制台 https://taotoken.net/api-keys 重新生成一个再试。现象三改写结果和原文几乎一样没去掉 AI 味。可能是模型没读到规则文件。检查rules/目录是否完整克隆下来有些手动复制只拷了 SKILL.md。另外如果输入文本太短一两句话Humanizer 可发挥空间小建议给一段 200 字以上的文本测试。现象四OpenCode 读不到 Claude Code 目录里的 Skill。确认config.toml的[skills].paths里同时包含~/.claude/skills。有些版本对~展开支持不好可以写成绝对路径/Users/你的用户名/.claude/skills。现象五改写后中文标点全变成英文。这是模型输出习惯问题不是 Skill 的锅。可以在调用时补一句“保持中文标点”或者在 SKILL.md 的规则里加一条约束。提示排障时优先看 Agent 的日志输出它会告诉你 Skill 是否被加载、请求发往哪个端点。比盲猜快得多。6. 把 Humanizer 接进你的 Agent 工作流单次调用只是验证真正省事的是把它嵌进日常流程。两个方向可以试。一是长期编码/写作场景用 Coding Plan 把 Humanizer 作为固定后处理步骤。比如你让 Agent 生成文档后自动追加一次/humanizer-zh改写再落盘。Coding Plan 页面 https://taotoken.net/coding-plan 里有套餐和接入方式适合高频调用。二是批量处理文件。Humanizer-zh 支持对指定文件操作/humanizer-zh 请人性化 article.md 文件中的内容你可以写个循环把drafts/目录下的 Markdown 逐个过一遍。注意先备份原文件改写是不可逆的。如果你用 Claude Code 的 Anthropic 兼容模式接入文档在 https://taotoken.net/doc/claudecode-anthropic里面有完整的端点配置和常见问题。实测下来把 base_url 配对、Skill 目录配对剩下就是调提示词的事了。最后留个实用技巧Humanizer 的 Voice Calibration 值得多花五分钟。先喂三段你自己的旧文再让它改写新内容输出会明显更像“你”而不是“一个被去 AI 味的陌生人”。这一步做一次后面每次调用都受益。