新闻详情

新闻详情

首页 / 资讯中心 / 详情

Humanizer:一个文件搞定 AI 写作去 AI 化,33 类模式全查

发布时间:2026/10/7 21:27:31来源:尧图网络
Humanizer:一个文件搞定 AI 写作去 AI 化,33 类模式全查
Humanizer一个文件搞定 AI 写作去 AI 化33 类模式全查【免费下载链接】humanizerAgent skill that removes signs of AI-generated writing from text项目地址: https://gitcode.com/GitHub_Trending/humani/humanizerAI 初稿经常结构完整但读出来就是机器味破折号一串、delve、综上所述一样不少。Humanizer 是专门做写作去 AI 化的 agent skill整个产物就是一个叫 SKILL.md 的 Markdown 文件。把文本贴进去它按 33 类 AI 痕迹扫描并改写再自查一遍残留给出终稿。任何支持 skill 格式的 Agent 框架都能加载它没有依赖没有配置。去 AI 化初稿手动循环 vs 一次调用修过 AI 文的人都熟悉这个循环通读全文找味道替换高频词再通读查残留味道还在推倒重来。Humanizer 把这个循环压成一次调用。手动修改装上 Humanizer触发自己通读找 AI 味凭感觉33 类模式逐项扫描修改逐个换词容易改过头一次改写同步调整词汇、句式和语气校验改完再通读不好判断内置自查列出残留痕迹再出终稿每次运行会返回三部分初始草稿、仍然像 AI 的位置清单、终稿改动过程可追溯。改写内部33 类模式与两遍循环处理路径可以拆成四步理解。输入贴上待处理文本可选附上 2 至 3 段自己的文字做声音样本内联粘贴或给文件路径都行。处理分五类模式扫描。内容层盯意义拔高、媒体堆名、-ing式空分析和专家认为式模糊归因语言层盯 delve 类高频词、回避 is/are、三段式排比、同义词轮换风格层硬性清除破折号与 en dash、松开过度加粗、拆掉行内标题列表沟通层清掉希望对你有帮助式聊天机器人残留、过度讨好和知识有截止日期式自我免责填充层压缩空洞连接词。输出改写原则是改写而非删除段落数量、核心含义、语气都保留只去痕迹。校验出草稿后自问这段哪里明显是 AI 写的把残留逐条列出来再修出终稿。第二遍的存在就是为了第一遍没找到的漏网痕迹。33 类模式整理自维基百科的 Signs of AI writing 指南该指南基于对大量 AI 生成文本的观察。最小安装路径 整个项目就是一个 Markdown 文件装完的产物是根目录下的 SKILL.md。三条命令走 CLInpx skills add blader/humanizer npx skills add blader/humanizer --agent * npx skills update humanizer第一行装进当前框架第二行一次装进 CLI 支持的所有框架第三行更新已装版本。框架不在 CLI 名单里就把仓库克隆到 skill 目录git clone https://gitcode.com/GitHub_Trending/humani/humanizer /path/to/your/skills/humanizerClaude Code 用户还可以用/plugin marketplace add blader/humanizer装成插件之后以/humanizer:humanizer调用。skill 的 frontmatter 里声明了 Read、Write、Edit、Grep、Glob 等可用工具整目录扫稿也能干。装好后这样调用/humanizer 贴上要处理的文本或直接说一句请帮我做去 AI 化。两个进阶玩法声音校准与发布前自检把输出校准成你的声音。调用时附上 2 至 3 段自己写过的文章skill 先分析句长、用词和标点偏好再按这个节奏改写。不附样本时它会用一套默认声音自然、有变化、不端。成品更接近你自己重写的而不是被 AI 洗过的稿子。只当查痕迹不重写全文。把稿子贴进去重点看它输出的自查清单破折号出现在哪、三段式堆在哪、综上所述式的收尾还剩几个照着清单手动修。适合不想动一个字、只想确认痕迹在哪的稿件。边界哪些内容它不碰skill 不把单个痕迹当定案一个破折号、一个 however、一对弯引号都是正常写法它按痕迹是否成簇来判断。正文用专业术语、正式腔调不会被去 AI 化。引用原文、书名、正在讨论的例句也一律不动。具体细节、复杂情绪、中途自我修正会被当成人的证据保留下来。换句话说它只修像 AI 的句子你的个人习惯不碰。反过来文本本来就有人味时不必跑它百科、参考资料这类文体中性平淡才是对的它也不会往里塞观点。适合谁用 AI 写初稿、发布前需要清掉机器痕迹的开发者批量审核 AI 文案的内容创作者和运营在多个 Agent 框架里想要同一道去 AI 化工序的团队一条命令装完标准统一下次 AI 初稿要发布之前贴进 Humanizer 跑一遍看看自查清单会列出什么。【免费下载链接】humanizerAgent skill that removes signs of AI-generated writing from text项目地址: https://gitcode.com/GitHub_Trending/humani/humanizer创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/6 15:16:42

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/7 8:13:40

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/6 15:18:24

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/6 16:48:59

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/7 12:13:57

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/6 16:58:56

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉