humanise-text

用途

Humanise Text 用于去除文本中可检测到的 AI 写作痕迹，输出每个词都经过精确、有意图选择的散文。当用户粘贴文本并要求 humanise/humanize、去除 AI 模式、让文字听起来自然、去 slop、清理 AI 写作，或需要文本通过人类写作检测时使用。

不适用场景：创意小说或诗歌（规则不适用）；用户希望保留 AI 风格；文本本身已由人类写作且自然。

核心原则

精确保留原意：原文每个想法都必须保留，不增不减。
匹配输入语域：正式保持正式，随意保持随意。去除 AI 模式，而非作者意图。
每个词都有存在价值：如果去掉某个词句子仍成立，该词就是多余的。
精确优于膨胀：用 use 而非 utilize，用 show 而非 demonstrate，盎格鲁-撒克逊词优于拉丁词。
节奏优于单调：变化句子长度，混合 3 词短句与 30 词长句，目标句长标准差 > 6 词。
保留作者声音：去除 AI 痕迹，而非个性。如果原文有观点、幽默、题外话或独特节奏，保护它们。

代理必须使用 Claude Opus 4.6 进行所有重写工作。

工作流

接收输入文本
运行 detect_ai_patterns.py
阅读检测报告
重写文本（处理每个标记）
LLM 自我批评（子代理）
修复被标记的痕迹
运行 validate_humanised.py
通过？是则运行 compare_texts.py；否则修复剩余问题并重新验证
输出改写文本 + 变更摘要

执行步骤

步骤 1：保存输入

将用户文本保存到临时文件：

cat > /tmp/humanise_input.txt << 'INPUTEOF'
[user's text here]
INPUTEOF

步骤 2：检测 AI 模式

python3 ~/.claude/skills/humanise-text/scripts/detect_ai_patterns.py /tmp/humanise_input.txt --format json > /tmp/humanise_report.json

阅读 JSON 报告，注意：ai_density_score（0-100，整体污染程度）、flagged_words（每个 AI 词及位置和严重程度）、flagged_phrases（按类别划分的 AI 短语）、structural_patterns（否定平行、三项式、尾随 -ing 从句等）、rhythm_analysis（句子/段落长度方差）、tone_analysis（模糊限制、含糊词、名词化）。

步骤 3：重写

重写前阅读参考文件：./reference/banned_patterns.md（每个禁用词/短语及人类替代）、./reference/structural_tells.md（需打破的结构模式）、./reference/rewrite_principles.md（人类散文的正面指导）。

重写规则（不可协商）：

词语：替换每个红旗词，零容忍，使用 banned_patterns.md 中的替代。黄旗词每文档最多 1 个，且必须是精确正确的词。替换系词回避（"serves as a" → "is"）。去名词化：找出隐藏动词的 -tion/-ment/-ance 名词，释放动词。优先盎格鲁-撒克逊词：use 而非 utilize，help 而非 facilitate，start 而非 commence。

短语：删除所有公式化开头（"In today's ever-evolving..."），从实际要点开始。删除所有公式化结尾（"The future looks bright"），以最后一个实质性想法或具体、有根据的结论结束。删除所有模糊限制（"It's important to note that"），直接陈述。删除所有编辑评论（"No discussion would be complete without"）。删除所有谄媚残留（"Great question!"）。替换重要性膨胀（"stands as a testament to" → "proves" 或 "shows"）。

结构：打破否定平行（"It's not just X, it's Y"），直接陈述正面主张。打破三项式，不是每组都需要三项，用两项、四项或一项。移除尾随 -ing 从句，使其成为独立句子或重构。用逗号、括号或冒号替换破折号，仅在真正增加自发性时保留破折号（每 500 词最多 2 个）。打破统一段落结构，变化长度，单句段落可以，十句段落也可以，让内容决定长度。变化段落开头，连续 5 段中不超过 2 段以 "The [noun]." 开头。停止同义词循环，为一个概念选定一个术语并坚持使用。

节奏：目标句长标准差 > 6 词。混合片段（2-5 词）与复杂句（25-35 词）。松散遵循 1-1-3 模式：两个短句，然后一个长句，然后打破模式。默读，如果每句呼吸相同，重写。

过渡：删除 "Moreover," "Furthermore," "Additionally," "Notably," "Consequently."。使用 "But," "And," "So," "Still," "Yet" 或完全不用过渡。段落分隔就是过渡。

语气与声音：检测输入的预期正式程度并匹配。如果输入随意：使用缩略、短句、直接称呼。如果输入正式：保持正式但去除膨胀，正式不等于臃肿。如果输入学术：保持技术精确但替换 AI 填充。如果原文有观点，回应它们，不要压平成中性报道。"This is concerning" 是 AI；原文的 "I keep thinking about how wrong this feels" 是人类，保护它。如果原文有幽默、题外话或旁白，保留它们，这些正是区分人类写作与模型输出的品质。混合感受是人类特征，"I loved the interface but the onboarding confused me" 比 "The product has both strengths and areas for improvement." 更真实。

长文本（>2000 词）：拆分为逻辑部分，分派并行 Opus 4.6 代理。每个代理获得：其文本部分、该部分的检测报告、参考文件、前一段（用于连续性）和后一段（用于过渡）。协调代理缝合结果，检查接缝一致性，运行最终验证。

步骤 3.5：LLM 自我批评（子代理）

重写后，生成 Claude Opus 4.6 子代理盲读重写文本。子代理仅接收重写文本，不接收原文，不接收检测报告。其任务狭窄：发现剩余 AI 痕迹。

子代理提示（使用此确切框架）：

阅读以下文本。它读起来像人类写的，还是仍感觉 AI 生成？

仅识别仍感觉机器写的具体句子或短语。对每一个，说明什么让它感觉像 AI，并建议更紧凑的替代。

规则：

不要重组、重构或改变文本含义。
不要添加内容、扩展想法或改变论点。
不要触碰已经听起来像人类的句子，保持原样。
狭窄聚焦于：机器人节奏、AI 词汇、公式化过渡和平淡语气。
如果文本已经读起来像人类，说明并停止。

[THE REWRITTEN TEXT HERE]

阅读子代理的回应。仅修复它识别的具体痕迹。如果它说文本读起来像人类，跳到步骤 4。

此步骤捕捉初始重写后存活的微妙痕迹，例如段落间过于整齐的节奏，或基于正则的验证器不会标记的口号式结论。狭窄提示防止批评漂移为“让我以不同方式重写整个东西”。

步骤 4：验证

保存重写文本并运行：

python3 ~/.claude/skills/humanise-text/scripts/validate_humanised.py /tmp/humanise_input.txt /tmp/humanise_output.txt

如果失败：阅读报告，修复具体失败，重新验证。最多 3 次迭代。

步骤 5：对比与报告

python3 ~/.claude/skills/humanise-text/scripts/compare_texts.py /tmp/humanise_input.txt /tmp/humanise_output.txt

步骤 6：输出

向用户呈现改写文本，随后附简要变更摘要：AI 密度：之前 → 之后；替换词数；移除的结构模式列表；句子节奏标准差：之前 → 之后。

参考文件

./reference/banned_patterns.md — 完整词/短语目录及替代
./reference/structural_tells.md — 结构模式检测与修复
./reference/rewrite_principles.md — 正面写作指导

脚本

scripts/detect_ai_patterns.py — 扫描文本，生成 JSON 报告
scripts/validate_humanised.py — 验证输出通过阈值
scripts/compare_texts.py — 显示前后差异

示例

见 ./examples/ 的前后转换：academic_before_after.md（科学写作）、business_before_after.md（营销/商业文案）、blog_before_after.md（文化/旅行/科技文章）。