概述

AI 生成的文本有一种特殊的"味道"——过度强调意义、三段式列举、破折号泛滥、“此外”“至关重要"满天飞。即使内容正确，读者也能一眼看出"这是 AI 写的”。

Humanizer-zh 是一个 Claude Code Skill，专门解决这个问题。它没有一行代码，完全靠 prompt 结构驱动 Claude 按照 24 条检测规则扫描文本、改写 AI 痕迹、注入人类的表达个性。本文拆解它的实现原理，并用实战示例演示效果。

Skill 架构总览

整个 SKILL.md 约 480 行，结构如下：

┌─────────────────────────────────────────┐
│  元数据头（角色 + 工具权限）              │  ← 注册与沙箱
├─────────────────────────────────────────┤
│  5 条核心原则                            │  ← 抽象规则（兜底）
├─────────────────────────────────────────┤
│  个性与灵魂指南 + 对比示例               │  ← 防止矫枉过正
├─────────────────────────────────────────┤
│  24 个检测模式（触发词 + 问题 + 示例）    │  ← 具体知识库（核心）
├─────────────────────────────────────────┤
│  快速检查清单                            │  ← 输出自检
├─────────────────────────────────────────┤
│  输出格式 + 评分表                       │  ← 结构化输出 + 质量约束
├─────────────────────────────────────────┤
│  端到端完整示例                          │  ← few-shot 锚定
└─────────────────────────────────────────┘

元数据头：告诉 Claude Code “我是谁”

name: humanizer-zh
description: |
  去除文本中的 AI 生成痕迹...
allowed-tools:
  - Read
  - Write
  - Edit
  - AskUserQuestion

• name / description：Claude Code 用这个判断何时触发 skill
• allowed-tools：限制 skill 只能用 4 个工具——读文件、写文件、改文件、问用户。不能上网、不能跑命令、不能调 Agent。文本编辑不需要其他能力

角色设定：一句话定义身份

你是一位文字编辑，专门识别和去除 AI 生成文本的痕迹

经典的 system prompt 手法：给 Claude 一个角色。不是"AI 助手"，而是"文字编辑"，这会影响后续所有输出的风格和判断标准。

5 条核心原则：抽象兜底规则

这是 few-shot 之前的 zero-shot 指令。后面 24 个模式是具体规则，这 5 条是抽象原则。当遇到 24 个模式没覆盖到的 AI 痕迹时，Claude 可以用这 5 条原则自行判断——不依赖穷举。

个性与灵魂：防止矫枉过正

这段解决一个关键问题：去掉 AI 味之后，文字可能变成另一种 AI 味——无菌、没有声音的写作。

SKILL.md 用"反面清单"和"正面示范"双管齐下：

反面特征（技术上干净但没有灵魂）：

• 每个句子长度和结构都相同
• 没有观点，只有中立报道
• 不承认不确定性或复杂感受
• 没有幽默、没有锋芒、没有个性
• 读起来像维基百科文章或新闻稿

正面指导：

• 有观点——不只是报告事实，对它们做出反应
• 变化节奏——短句。然后是长句。混合使用
• 承认复杂性——“这令人印象深刻但也有点不安”
• 适当使用"我"——第一人称不是不专业，而是诚实
• 允许一些混乱——跑题和半成型的想法是人性的体现

配合一个改写前后的对比示例，让 Claude 直观理解"干净但无灵魂"和"鲜活"之间的差距：

改写前（干净但无灵魂）：

实验产生了有趣的结果。智能体生成了 300 万行代码。一些开发者印象深刻，另一些则持怀疑态度。影响尚不明确。

改写后（鲜活）：

我真的不知道该怎么看待这件事。300 万行代码，在人类大概睡觉的时候生成的。开发社区有一半人疯了，另一半人在解释为什么这不算数。真相可能在无聊的中间某处——但我一直在想那些通宵工作的智能体。

24 个检测模式：核心知识库

这是整个 skill 最大的部分（约 300 行），每个模式的结构统一为四要素模板：

### N. 模式名称
**需要注意的词汇：** [触发词列表]
**问题：** [为什么这是 AI 痕迹]
**改写前：** [有问题的例子]
**改写后：** [修复后的例子]

24 个模式覆盖 4 个维度：

编号	维度	检测什么
1-6	内容模式	夸大意义、宣传语言、模糊归因、-ing 肤浅分析、公式化结尾
7-12	语言模式	AI 高频词、系动词回避、否定排比、三段式、同义词循环、虚假范围
13-18	风格模式	破折号/粗体滥用、表情符号、内联标题列表、弯引号
19-24	交流模式	聊天机器人痕迹、截止日期免责、谄媚语气、填充词、过度限定、通用结论

模式设计的巧妙之处

触发词列表 是关键词匹配的锚点。Claude 看到这些词就会警觉：

此外、至关重要、深入探讨、强调、持久的、增强、培养、格局、展示、充满活力的……

问题说明 告诉 Claude “为什么"要改，不只是"改什么”：

LLM 使用统计算法来猜测接下来应该是什么。结果倾向于适用于最广泛情况的统计上最可能的结果。

改写前/后对比 是真正驱动行为的部分——Claude 通过 few-shot 例子学会"怎么改"。

每个模式自包含，Claude 不需要理解所有 24 条才能用其中一条，扫描到哪条就按那条的示例改。

快速检查清单：输出自检

24 个模式是"找问题"，这 6 条是改完之后的自检，防止新文本自身产生 AI 模式：

• 连续三个句子长度相同？打断其中一个
• 段落以简洁的单行结尾？变换结尾方式
• 揭示前有破折号？删除它
• 解释隐喻或比喻？相信读者能理解
• 使用了"此外""然而"等连接词？考虑删除
• 三段式列举？改为两项或四项

质量评分：自我约束机制

改写完成后进行 5 维度 50 分制评估：

维度	评估标准
直接性	直接陈述事实还是绕圈宣告？
节奏	句子长度是否变化？
信任度	是否尊重读者智慧？
真实性	听起来像真人说话吗？
精炼度	还有可删减的内容吗？

45-50 分优秀，35-44 分良好，低于 35 分需要重新修订。

评分表利用了 LLM 的一个特性：让模型评估自己的输出质量，会反向提升输出质量，类似 Constitutional AI 的思路。

实战示例

示例 1：技术博客文章去 AI 味

输入：

在当今快速发展的技术格局中，微服务架构已经成为现代软件开发中至关重要的组成部分。此外，容器化技术的兴起为微服务的部署提供了无缝、高效和可扩展的解决方案——确保开发团队能够更加敏捷地响应市场需求。行业专家认为，这一趋势将对整个软件行业产生深远而持久的影响，标志着我们构建应用程序方式的根本性转变。

命中的模式：

• 模式 1「过度强调意义」→ “至关重要的组成部分”“根本性转变”
• 模式 3「-ing 肤浅分析」→ “确保开发团队能够……”
• 模式 4「宣传语言」→ “快速发展的技术格局”“无缝、高效和可扩展”
• 模式 5「模糊归因」→ “行业专家认为”
• 模式 7「AI 词汇」→ “此外”“格局”“至关重要”“深远而持久”
• 模式 10「三段式法则」→ “无缝、高效和可扩展”
• 模式 13「破折号过度使用」→ “——确保”

改写后：

微服务把单体应用拆成独立部署的小服务。配合 Docker 容器，每个服务可以单独扩缩容。我们团队去年迁移后，部署频率从每月一次变成了每天三次，回滚时间从小时级降到分钟级。

示例 2：产品介绍文案

输入：

我们非常高兴地宣布推出全新的项目管理工具！这款开创性的产品致力于为用户提供充满活力的协作体验。它不仅仅是一个工具，更是团队效率的革命。

• 智能排期： 智能排期功能利用先进的算法自动优化任务分配
• 实时协作： 实时协作功能确保团队成员之间的无缝沟通
• 数据洞察： 数据洞察功能为管理者提供宝贵的决策支持

行业观察者指出，这代表了项目管理领域的一个关键转折点。激动人心的时代即将到来！

命中的模式：

• 模式 4「宣传语言」→ “开创性的”“充满活力”
• 模式 9「否定式排比」→ “不仅仅是……更是……革命”
• 模式 10「三段式法则」→ 三个功能强行凑
• 模式 15「内联标题列表」→ 粗体标题+冒号+重复项名
• 模式 5「模糊归因」→ “行业观察者指出”
• 模式 1「过度强调意义」→ “关键转折点”
• 模式 24「通用积极结论」→ “激动人心的时代即将到来”
• 模式 21「谄媚语气」→ “非常高兴地宣布”

改写后：

新的项目管理工具上线了。自动排期根据成员负载和截止日期分配任务，内置的看板支持多人同时编辑，仪表盘能按项目、成员、时间段筛选工时数据。目前内测团队 40 人在用，平均会议时间减少了 30%。

示例 3：学术/科普段落

输入：

截至目前的研究表明，量子计算领域正在见证一场深刻的变革。这项技术作为经典计算的有力补充，展示了从药物发现到密码学等广泛领域中的巨大潜力，为人类社会的进步奠定了重要基础。虽然具体的商业化时间线在现有资料中没有广泛记录，但专家普遍认为量子优势将在未来十年内实现。尽管面临诸多挑战，量子计算的未来依然光明。

命中的模式：

• 模式 1「过度强调意义」→ “深刻的变革”“奠定了重要基础”
• 模式 12「虚假范围」→ “从药物发现到密码学”
• 模式 20「知识截止免责」→ “截至目前”“在现有资料中没有广泛记录”
• 模式 5「模糊归因」→ “专家普遍认为”
• 模式 6「挑战与展望」→ “尽管面临诸多挑战……未来依然光明”
• 模式 24「通用积极结论」→ “未来依然光明”

改写后：

Google 在 2024 年用 Willow 芯片在 5 分钟内完成了经典超算需要 10^25 年的计算。IBM 的路线图计划 2029 年推出 10 万量子比特系统。不过量子纠错仍然是个硬问题——目前的量子比特退相干时间太短，真正跑通实用算法还需要大幅改进硬件。

工作原理总结

Humanizer-zh 的有效性来自三个核心机制：

1. 触发词列表 让 Claude 知道"看什么"——在文本中定位 AI 痕迹的锚点
2. 改写前/后对比 让 Claude 知道"怎么改"——通过 few-shot 示例驱动行为
3. 评分机制 让 Claude 自己约束输出质量——低于标准就重做

没有一行代码，纯粹靠 prompt 结构设计。它的知识来源是维基百科 WikiProject AI Cleanup 对数千个 AI 生成文本样本的观察总结。