📌 项目地址：blader/humanizer | ⭐ 40,141 颗星 | 🔧 Python | 📜 未标注
一个没有代码的Python项目
blader/humanizer 有 40141 颗星，仓库语言标着 Python，但它的核心不是代码，是一份 Markdown 文件。任何支持 skills 的 AI Agent 都能加载它。功能只有一件事：把 AI 腔的文字改写成人写的样子，事实内容不动。
名字、数字、日期、引文、引用，必须来自原文或作者本人。这是它给自己划的硬线。
规则的来源：维基百科编辑的实战经验
这个项目有意思的地方在于它的方法论不是拍脑袋定的。维基百科有个词条叫 Signs of AI writing，由 WikiProject AI Cleanup 维护，编辑们在清理 AI 生成的低质条目时，总结出了 AI 文字的系统性特征。Humanizer 从中挑了 35 个模式，做成改写规则。
看几个例子，你应该一眼就熟：
| 模式 | 改写前 | 改写后 |
|---|---|---|
| 夸大重要性 | “标志着……演进中的关键时刻” | “1989 年设立，是更广泛的分权改革的一部分” |
| 浅薄的 -ing 分析 | “象征着……反映了……展现了……” | 只保留有出处支持的内容 |
| 营销腔 | “坐落于令人惊叹的地区” | “是贡德尔地区的一个城镇” |
| 模糊信源 | “专家认为它发挥着关键作用” | 给出真实来源，或删掉这个说法 |
“专家认为”“有专家表示”这类说法，在 Humanizer 的规则里只有两条出路：要么说出是谁，要么整句删掉。我觉得这条比任何反 AI 检测技巧都实在。
工作方式：两遍改写，先亮草稿
它不是拿到文本直接输出结果。流程分两步：第一遍改写时不把原文结构当成固定不变的；然后拿草稿对照 35 个模式和原文声明逐条检查，把还带 AI 痕迹的地方再改一遍。
改写时会先给你看初稿和一段简短批评——哪些地方读起来还是假的——然后才是最终版本。你能看到它改了什么。
用法
直接调用：
/humanizer
[paste your text here]
或者自然语言：
Please humanize this text: [your text]
改写文件就给路径，它只动散文，代码、数据、frontmatter、链接目标都不碰：
Humanize the prose in docs/launch-post.md
声音匹配
想让改写结果更像你自己，贴两三段自己写的文字当样本：
/humanizer
Here's a sample of my writing for voice matching:
[paste 2-3 paragraphs of your own writing]
Now humanize this text:
[paste AI text to humanize]
它会跟随样本的节奏、用词、标点，甚至保留你有意为之的“怪癖”，而不是套默认风格。没有样本时，个人写作保留作者风格，技术和参考类文档保持中性平实。
它不是“降AI率”工具
市面上不少同类工具靠同义词替换加句式打乱，本质是加噪声，改完经常语句不通，事实还可能被替换错。Humanizer 走了另一条路：README 里引用的那句话说得很直白——LLM 用统计算法猜下一个词，结果倾向于适用于最广泛情况的最可能表达。它要对抗的正是这种“平均值文字”。
所以它的目标是让文字读起来诚实自然，不是骗过 AI 检测器。
使用前要知道的
- 它是 Agent Skill，需要一个支持 skills 的 Agent 环境，不能当独立命令行工具跑；
- 35 个模式是提示规则，不是代码逻辑，改写质量取决于底层模型；
- 许可证信息 README 里没写，装之前去仓库和 skills.sh/blader/humanizer 确认；
- 拿它改论文或新闻这类有严格事实要求的内容，改完还是要人工核对。它声明不编造，但最终责任在你。