新闻详情

新闻详情

首页 / 资讯中心 / 详情

Humanizer 使用指南:把 AI 初稿改出个人语气

发布时间:2026/11/22 15:40:34来源:尧图网络
Humanizer 使用指南:把 AI 初稿改出个人语气
Humanizer 使用指南把 AI 初稿改出个人语气【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大模型能写出结构完整、语法正确的文章却常带着一套固定痕迹满篇的破折号、delve 等高频词、每段末尾加重的短句。Humanizer 是一个只靠单个 SKILL.md 即可运行的 agent skill负责把这些 AI 写作模式逐条识别出来再重写让成稿读起来像作者本人而非聊天机器人。它的判断依据来自维基百科维护的 AI 写作特征清单适用于 Claude Code、Codex、Cursor 等任何支持 skill 的框架。什么信号让文本一眼被认出是 AI 写的用大模型出初稿时下面几种毛病很难避免「不是 X而是 Y」式对比用否定抬高点却不增加信息每段结尾一句加重的短句子例如「这才是真正的关键」delve、testament、landscape 这类词扎堆出现破折号被当成万能连接符全文密布聊天机器人残留「I hope this helps」「Great question!」没删干净单看某一条人写也可能碰到但集中出现在同一段里读者立刻能感到不自然。根源在于模型默认选择对最广泛读者都成立的写法而不是替某个具体读者、某个具体主题做取舍。Humanizer 是什么单个 SKILL.md 的运行机制Humanizer 把「识别 AI 痕迹 重写」压缩进一次调用。本体就是一个 Markdown 文件没有构建步骤、依赖或配置加载方读到 SKILL.md 的内容后按它执行。frontmatter 里声明了名称、描述、许可证与版本号等基础元数据。核心流程分四步标记通读全文按强度从高到低标出所有模式草稿保留所有有据可查的事实允许调整结构但不添加原文没有的名字、数字、日期或引用自查出声读草稿专门检查第一遍最容易漏掉的残留比如对比句、结尾句、三段式、破折号、加粗标签定稿按点自然表达长短句交错而不是逐句打补丁模式清单当前共 26 类分六组铺陈式表达、规则化节奏、夸大与借权威、格式化装饰、聊天与草稿残留、写错读者。前 5 类出现一次就值得改标记「单独出现时较弱」的模式需要和其他痕迹同段聚集才动手。完整编号清单见 SKILL.md。它如何判断与改写按聚集程度处理避免误伤单个破折号、孤立的 however 都不算 AI 痕迹人写也会用只有整篇密集出现才动手。专业术语、正式文风、语法完美都保持原样引号里被引用的原文、标题、专有名词不改具体细节、混合情绪、自我修正这类「人味」明确保留。只动「像 AI 的句子」不削掉作者自己的风格。带上你自己的写作样本改写时附上 2 至 3 段本人文字skill 会先分析样本的句长、用词、标点习惯再让改写跟随这个节奏。样本支持内联粘贴或文件路径。你习惯用破折号它就不强行删你习惯口语化开头它就不换成书面腔。不提供样本时回落到自然、多变的默认声音而不是统一的「干净」文风。三种输出模式模式触发方式输出粘贴文本默认直接贴入要处理的文字草稿 残留痕迹清单 终稿文件模式给出文件路径只回写终稿代码块、数据、frontmatter、链接目标不动嵌入模式被其他任务PR、commit message、文档调用只返回终稿改动可追溯草稿、审计清单、终稿三段都给你看能定位每处改动的原因。如何安装并调用 Humanizer用 skills CLI 一行安装npx skills add blader/humanizer一次装进所有受支持的框架npx skills add blader/humanizer --agent *更新已安装的版本npx skills update humanizer在 Claude Code 里作为插件/plugin marketplace add blader/humanizer /plugin install humanizerhumanizer调用时用/humanizer:humanizer需要 Claude Code 2.1.142 或更新版本旧版本可改用npx skills add blader/humanizer --global --agent claude-code。手动拷贝到 skill 目录git clone https://gitcode.com/GitHub_Trending/humani/humanizer /path/to/your/skills/humanizer把 SKILL.md 放进对应框架的 skill 目录即可。调用/humanizer 贴上要处理的文本或者直接用自然语言「Please humanize this text: …」。典型用法发布前自检与多框架统一只查不改做发布前自检把稿子贴进去重点看「still AI generated」审计清单破折号、三段式、加粗标签逐项列出。适合不想动措辞、只想核对残留的文档照清单手动修即可。多框架统一同一道工序--agent *一次装进所有支持的 Agent 框架让 Claude Code、Codex、Cursor 里都有同一套发布前检查再配合文件模式指定路径批量处理文档。喂样本让输出像你调用时附 2 至 3 段过往文章产出读起来像本人重写不是「清洗过的 AI 文」。样本可内联也可用文件路径。适合谁注意什么选型建议适合日常用 AI 出初稿、需人工润色后再发布的写作者团队里多人共用同一套「去 AI 化」标准的工程团队只想查痕迹、不想改全文的审核流程不适合指望绕过 AI 检测器的场景。项目明确说明通过检测器不是目标检测器仍会标记大部分输出常见误区把单个破折号、孤立的 however 当痕迹硬删或期待它替你判断内容对错。它只改写法不加事实——缺细节时会问不会编下一步先在一份小范围文档上跑一次看审计清单列出哪些残留再决定要不要把整篇或整目录纳入发布前流程。【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 2026/11/21 14:14:45

【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 2026/11/21 14:14:26

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 2026/11/21 21:08:55

【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 ... 2026/11/22 1:51:41

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 2026/11/21 19:02:25

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 2026/11/21 14:13:11

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
📞 ✉