Humanizer-zh
Humanizer-zh 是一款专为中文语境打造的 AI 写作优化工具,旨在消除文本中机械化的"AI 味”,让内容读起来更自然、更具人情味。它并非用于欺骗检测器,而是通过识别并修正 24 种常见的 AI 写作模式(如过度使用“此外”、“至关重要”等套话,或滥用三段式排比),帮助用户将生硬的机器生成文本改写为鲜活的人类表达。
这款工具特别适合需要频繁处理 AI 生成内容的编辑、自媒体创作者、学生以及开发者。无论是润色营销文案、学术摘要还是博客文章,Humanizer-zh 都能引导用户去除空洞的形容词和僵化的结构,注入具体的细节与真实的观点。其独特之处在于深度适配了中文写作习惯,不仅提供了基于维基百科指南的规则库,还总结了中文特有的"AI 词汇警示列表”,并支持在 Claude Code 中通过技能指令一键调用或手动对照检查。通过使用 Humanizer-zh,你可以轻松打破机器生成的刻板印象,让文字回归真诚与个性,真正提升写作质量。
使用场景
某科技公司的内容运营专员正在为即将发布的新产品撰写博客推文,初稿由大模型生成,需要快速消除机械感以符合品牌亲切自然的语调。
没有 Humanizer-zh 时
- 文案中充斥着“此外”、“至关重要”、“深入探讨”等高频 AI 词汇,读起来像生硬的翻译腔,缺乏人情味。
- 过度使用“无缝、直观、强大”这类三段式排比和抽象的宏大叙事,导致具体功能点被淹没在空洞的赞美中。
- 语气过于完美且谄媚,全是“革命性突破”、“持久影响”等夸张结论,无法引起真实用户的共鸣。
- 人工逐句修改耗时极长,运营人员需要反复对照"AI 写作特征清单”排查,严重拖慢发布节奏。
使用 Humanizer-zh 后
- 自动识别并替换了所有僵化的"AI 词汇”,将抽象描述转化为具体的用户场景和真实数据,文风瞬间落地。
- 打破了机械的排比结构和过度修饰,注入第一人称视角和适当的口语化表达,让文字有了真实的“体温”。
- 去除了虚假的宏大结论和卑躬屈膝的语气,保留了客观事实与真诚的观点,使内容更具可信度和说服力。
- 通过
/humanizer-zh指令一键完成改写与自查,将原本需数小时的润色工作压缩至几分钟,大幅提升产出效率。
Humanizer-zh 不仅是一个去痕工具,更是将冰冷的机器生成文本转化为有温度、有观点的人类创作的高效助手。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
Humanizer-zh: AI 写作去痕工具(中文版)
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
项目简介
Humanizer-zh 是一个用于去除文本中 AI 生成痕迹的工具,帮助你将 AI 生成的内容改写得更自然、更像人类书写的文本。
本项目适用于:
- 编辑和审阅 AI 生成的内容
- 提升文章的人性化程度
- 学习识别 AI 写作的常见模式
安装
方法一:通过 npx 一键安装(推荐)
npx skills add https://github.com/op7418/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。
方法二:通过 Git 克隆
# 克隆到 Claude Code 的 skills 目录
git clone https://github.com/op7418/Humanizer-zh.git ~/.claude/skills/humanizer-zh
方法三:手动安装
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
验证安装
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。
使用
基础用法
在 Claude Code 中,你可以通过以下方式使用 Humanizer:
1. 直接调用技能
/humanizer-zh 请帮我人性化以下文本:
[粘贴你的 AI 生成文本]
2. 在对话中使用
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。
3. 处理文件内容
/humanizer-zh 请人性化 article.md 文件中的内容
使用场景示例
场景 1:改写营销文案
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。
场景 2:改写学术摘要
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。
场景 3:改写博客文章
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。
检测的 AI 写作模式
本工具能够识别并修复 24 种 AI 写作痕迹,分为四大类:
📝 内容模式(6种)
- 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
- 模糊归因和含糊措辞
- 提纲式的"挑战与未来展望"部分
🔤 语言和语法模式(6种)
- 过度使用的"AI 词汇"
- 避免使用"是"(系动词回避)
- 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
🎨 风格模式(6种)
- 破折号过度使用
- 粗体过度使用
- 内联标题垂直列表
- 标题中的标题大写
- 表情符号
- 弯引号
💬 交流模式和填充词(6种)
- 协作交流痕迹
- 知识截止日期免责声明
- 谄媚/卑躬屈膝的语气
- 填充短语
- 过度限定
- 通用积极结论
文件说明
SKILL.md- 中文版技能定义文件README.md- 本说明文档
注: 英文原版请参考 blader/humanizer
手动使用方法
基本流程
- 识别 AI 模式 - 对照
SKILL.md中列出的 24 种模式扫描文本 - 重写问题片段 - 用自然的表达替换 AI 痕迹
- 保留核心含义 - 确保信息完整性
- 维持适当语调 - 匹配文本应有的风格
- 注入真实个性 - 让文字有"人味"
关键原则
✨ 不仅要"干净",更要"鲜活"
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 - 完美的结构反而显得机械
- 对感受要具体 - 用具体细节替代抽象概括
示例对比
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
常见 AI 词汇警示列表
以下词汇在 AI 生成文本中出现频率异常高:
- 此外、至关重要、深入探讨、强调
- 持久的、增强、培养、获得
- 突出、相互作用、复杂/复杂性
- 格局(抽象名词)、关键性的、展示
- 织锦(抽象名词)、证明、强调
- 宝贵的、充满活力的
贡献
如果你发现翻译问题或想要改进文档,欢迎提交 Issue 或 Pull Request。
中文语境特殊性
在翻译和适配过程中,我们考虑了中文写作的特点:
- 某些英文模式在中文中表现不同(如标题大小写问题)
- 添加了适合中文语境的示例
- 调整了部分表达以符合中文习惯
参考资源
- 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
许可
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。
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台,旨在让智能体(Agent)像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点,通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员,还是需要快速原型验证的技术团队,都能从中受益。OpenHands 提供了灵活多样的使用方式:既可以通过命令行(CLI)或本地图形界面在个人电脑上轻松上手,体验类似 Devin 的流畅交互;也能利用其强大的 Python SDK 自定义智能体逻辑,甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK,这不仅构成了平台的引擎,还支持高度可组合的开发模式。此外,OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩,证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能,支持与 Slack、Jira 等工具集成,并提供细粒度的权限管理,适合从个人开发者到大型企业的各类用户场景。