声明：
- 本项目的核心文件翻译自 blader/humanizer
- 实用工具部分（核心规则、快速检查清单、质量评分）参考了 hardikpandya/stop-slop
- 原项目基于维基百科的 Signs of AI writing 指南
Humanizer-zh 同时支持句子级润色和完整技术文档的深层审阅。它可以改写 AI 生成痕迹，也可以只诊断技术笔记的主线、术语、形式化和证据问题，不改写全文。
本项目适用于：
- 编辑和审阅 AI 生成的内容
- 深层审阅完整技术笔记、文章和多章节文档
- 将只写数量或符号的标题改为能说明对象和用途的导航标题
- 提升文章的人性化程度
- 学习识别 AI 写作的常见模式
npx skills add https://github.com/TimS-ml/Humanizer-zh.git这是最简单的安装方式，会自动将技能安装到正确的目录。
# 克隆到 Claude Code 的 skills 目录
git clone https://github.com/TimS-ml/Humanizer-zh.git ~/.claude/skills/humanizer-zh-
下载本项目的 ZIP 文件或克隆到本地
-
将
Humanizer-zh文件夹复制到 Claude Code 的 skills 目录：- macOS/Linux:
~/.claude/skills/ - Windows:
%USERPROFILE%\.claude\skills\
- macOS/Linux:
-
确保文件夹结构如下：
~/.claude/skills/humanizer-zh/ ├── SKILL.md # 技能定义文件（中文版） └── README.md # 说明文档
重启 Claude Code 或重新加载 skills 后，在对话中输入：
/humanizer-zh
如果安装成功，该技能将被激活。
在 Claude Code 中，你可以通过以下方式使用 Humanizer：
/humanizer-zh 请帮我人性化以下文本：
[粘贴你的 AI 生成文本]
请用 humanizer 帮我改写这段话，让它更自然：
这个项目作为我们团队致力于创新的证明。此外，它展示了我们在不断演变的技术格局中的关键作用。
/humanizer-zh 请人性化 article.md 文件中的内容
/humanizer-zh 请审阅 technical-note.md。只列问题，不改写全文，也不要修改文件。
“检查问题”“评估质量”“找阅读障碍”属于审阅；“改写”“润色”属于改写。同时要求两者但交付形式不清时先问一个问题；未指定时默认改写。
输入：
/humanizer-zh
坐落在风景如画的杭州市中心，这家咖啡馆拥有丰富的文化底蕴和令人叹为观止的装饰。它作为城市咖啡文化的焦点，为顾客提供无缝、直观和充满活力的体验。
输出示例：
这家咖啡馆在杭州市中心开了三年，以手冲咖啡和老建筑改造的空间出名。
输入：
/humanizer-zh
本研究深入探讨了机器学习在医疗诊断中的关键作用，突出了其在不断演变的医疗格局中的重要性。此外，它为该领域的未来发展奠定了坚实的基础。
输出示例：
本研究分析了机器学习在医疗诊断中的应用，重点是肺癌早期筛查。研究使用了 2019-2023 年间 5000 例病历数据。
输入：
/humanizer-zh
人工智能不仅仅是一种技术，它是我们思考未来的方式的革命。行业专家认为这将对整个社会产生持久影响。
输出示例：
我一直在想 AI 会怎么改变我们的工作方式。上周和几个做产品的朋友聊，有人觉得很兴奋，有人担心失业，大概率真相在中间某个无聊的地方。
输入：
/humanizer-zh 请只列问题，不改写。
# 目标
本文解释自改进系统怎样取得新的任务信息。
# 信息来源
DPI 给硬顶。系统靠两种燃料继续改进。
# 两种方法
第一种叫泵，第二种叫搬运。泵受锚点带宽限制，搬运受弯点限制。
输出示例：
- 高：
信息来源中的“硬顶”没有说明限制机制；“两种燃料”没有对应到两种实际输入。两项都用私人隐喻代替了机制说明。 - 高：
两种方法中的“泵”和“搬运”没有说明各自的处理过程；“锚点带宽”没有定义锚点或带宽的测量方式；“弯点”没有说明对应的曲线或变化标准。应逐项补充机制。若其中某项在本文语境里是标准术语，则保留该项。 - 中：目标提出“怎样取得新的任务信息”，后续章节只给标签，没有说明信息怎样进入系统。需要补出从信息来源到两种方法的过渡。
- 中：保留
DPI，不要把缩写本身当成错误或擅自替换。当前上下文没有建立具体含义，应报告歧义并请求作者补充；上下文或引用已建立含义时，再按目标读者决定是否展开。
审阅模式到问题清单为止，不输出重写后的全文。
完整技术笔记、文章和多章节文档会先运行四项深层检查：
检查目标读者、核心问题、章节职责、过渡、重复内容和定义顺序。
区分标准英文术语、目标读者可能不熟悉的缩写、通行隐喻和私人标签。
计数标签和符号标签也要检查。四位置只说明数量，G,R,Δ只给出符号。标题作为导航入口时，应先写具体对象或用途，再写短标签。表格可以借助列名，Mermaid 节点可以借助父节点和边。只有局部结构仍有歧义时才展开标签。
| 能直接说明用途的写法 | 原标签 |
|---|---|
一轮自我改进发生的 4 个位置 |
四位置 |
Eval 衡量 Agent System 的 7 个 factor |
七元组 |
同一篇文档出现多套“几层”“几类”或“几位置”时，原文已经说明分类轴就分别写明。原文还说明了分类之间的关系时，再说明它们是否属于同一套 taxonomy。分类轴或关系缺失时先询问作者，或标记 [定义待补]，不能自行推断。简化文字不能缩窄原有技术含义。
核对公式的变量、作用域和假设，也核对定理式或经验结论是否有相应支持。章节以公式开头，而白话说明出现在公式后时，将原文已有的说明移到公式前。全文没有说明公式定义、计算或衡量什么时，先询问作者，或标记 [定义待补]。指标方向影响解释时也要说明。原文没有给出方向时不能自行推断。结论依赖条件时先写条件。数字比较在适用时保留聚合范围、baseline、分母和单位。计分口径未知时只报告原指标，不换算成能力比例。
区分来源结果、来源作者解释、笔记作者推断、工作假说、预测和来源待补，并配对前文结论与后置限制条件 (Caveat)。忠实转述有引用的论文结果时，不要求在笔记里重复完整实验方法；材料足以核对时才检查来源中的指标、实验范围和测量能否支持当前措辞。有引用但当前无法读取时标“原始来源待核实”并请求原文或摘录；[来源待补]只用于没有可追溯来源的主张。
深层检查后仍会扫描 24 种句子级 AI 写作模式，分为四大类：
- 过度强调意义、遗产和更广泛的趋势
- 过度强调知名度和媒体报道
- 以 -ing 结尾的肤浅分析
- 宣传和广告式语言
- 模糊归因与来源质量（含来源分级、禁止编造来源）
- 提纲式的"挑战与未来展望"部分
- 过度使用的"AI 词汇"（中文语境中的高频词 + 英文直译腔 + 套路化口语）
- 英语隐喻直译（scaffold→"脚手架" 这类中文没人用的比喻，回译测试判断）
- 中文句法的四条规则（一句一判断、术语先白话、控制"被"字句和"把"字句、连接词预算）
- 刻意回避系动词"是"
- 否定式排比
- 三段式法则过度使用
- 刻意换词（同义词循环）
- 虚假范围
- 破折号过度使用
- 粗体过度使用
- 以行内标题开头的列表
- 表情符号
- 协作交流痕迹与对话残留
- 关于知识截止日期的免责声明
- 谄媚/卑躬屈膝的语气
- 填充短语
- 过度限定
- 空泛的积极结论
此外还有三条硬约束，优先级高于所有模式：不转换标点样式（交给外部 formatter）、英文技术词不强行汉化（用 "Token" 不用 "词元"）、不为"正式"而改写口语（只处理命中 AI 模式的表达）。
SKILL.md- 模式路由、四项深层检查、24 种句子级模式和输出约定README.md- 安装、调用方式、能力边界和简要示例
注： 英文原版请参考 blader/humanizer
- 选择模式 - 审阅、诊断或列问题只输出问题清单；改写或润色输出修订文本
- 判断范围 - 完整技术文档运行四项深层检查；短段落、单句、术语表和资料清单直接检查 24 种句子级模式。短技术标题仍要检查是否先写对象或用途。表格和 Mermaid 节点只检查局部结构能否消除歧义
- 先检查结构 - 对完整文档核对主线、定义顺序、私人术语、形式化强度和证据层级
- 再检查句子 - 深层检查后继续扫描原有 24 种模式
- 按模式交付 - 审阅模式按严重性列位置、原文、原因和修正方向；改写模式先改结构，再润色句子
避免 AI 模式只是基础，好的写作需要真实的人类声音：
- 有观点 - 不要只报告事实，要对它们做出反应
- 变化节奏 - 混合使用长短句
- 承认复杂性 - 真实的人有复杂感受
- 适当使用"我" - 第一人称是诚实的表现
- 允许一些混乱 - 只适用于个人写作、随笔或明确需要个人声音的文本；完整技术文档仍以主线清楚和定义顺序为先
- 对感受要具体 - 用具体细节替代抽象概括
改写前（AI 味道）：
新的软件更新作为公司致力于创新的证明。此外，它提供了无缝、直观和强大的用户体验——确保用户能够高效地完成目标。这不仅仅是一次更新，而是我们思考生产力方式的革命。
改写后（人性化）：
软件更新添加了批处理、键盘快捷键和离线模式。来自测试用户的早期反馈是积极的，大多数报告任务完成速度更快。
变化：
- 删除了夸大的象征意义（"作为……的证明"）
- 删除了 AI 词汇（"此外"、"无缝"）
- 删除了三段式法则（"无缝、直观和强大"）
- 删除了否定式排比（"不仅仅是……而是……"）
- 添加了具体功能和真实反馈
以下词汇在 LLM 生成的中文里出现频率异常高：
中文语境中的高频词：
- 值得注意的是、综上所述、总而言之、不难发现、由此可见
- 本质上、底层逻辑、赋能、抓手、闭环、颗粒度
- 深度融合、全面提升、极大地/显著地、不可或缺、深远影响、蓬勃发展
- 扮演着……角色、奠定了……基础、随着……的发展/到来、在……时代/背景下
英文直译腔：
- 此外、至关重要、深入探讨、强调/凸显/彰显
- 持久的、增强、培养、复杂/复杂性
- 关键（形容词）、格局（抽象名词）、展示、证明
- 宝贵的、充满活力的
套路化口语（AI 伪装随意的高频词）：
- 翻车、搞定
英语隐喻直译（回译成英文才通顺）：
- 脚手架（scaffold）、杠杆（leverage）、命根（lifeblood）
- 守恒律（比喻用法）、……的货币（currency）
如果你发现翻译问题或想要改进文档，欢迎提交 Issue 或 Pull Request。
在翻译和适配过程中，我们考虑了中文写作的特点：
- 删除了不适用于中文的模式（标题大小写、弯引号）
- AI 词汇表替换为中文 LLM 的真实高频词，而非英文直译
- 新增英语隐喻直译检测：scaffold、leverage 在英语里是好写法，直译成"脚手架""杠杆"在中文里没人用
- 新增中文句法规则（定语嵌套、被/把预算、连接词预算）与来源质量分级
- 面向技术写作做了本地化：英文术语不强行汉化、不为"正式"而改写口语
- 完整技术文档会根据上下文或引用区分标准缩写与私人标签；语境不足时保留缩写并报告歧义，不猜全称或擅自替换
- 导航标题先写对象、动作或测量维度，再写计数标签、缩写或符号
- 表格和 Mermaid 优先使用列名、父节点和边提供语境，局部结构仍有歧义时才展开标签
- 多套计数分类只使用原文已有的分类轴和分类关系。原文未说明时询问作者或标记
[定义待补] - 公式使用完整变量、作用域和假设时不报错；材料足以核对时，有引用的结果仍要核对来源指标、实验范围和测量，作者新造指标或扩大结论时还要标明定义或推断性质
- 证据检查保留来源结果、来源作者解释、笔记作者推断、工作假说、预测和来源待补之间的语气差异，不补造来源
- Wikipedia: Signs of AI writing - 原始指南来源
- WikiProject AI Cleanup - 维基百科 AI 清理项目
- blader/humanizer - 原始英文版项目
- hardikpandya/stop-slop - 实用工具部分的灵感来源
本翻译项目遵循原项目的许可协议。核心内容基于维基百科社区的观察和总结。
提示： 这个工具不是为了"欺骗" AI 检测器，而是为了真正提升写作质量。最好的"去 AI 化"方法是让文字有真实的人类思考和声音。