agentleFS
Konata9Konata9/writing-toolkit/skills/humanize-plus/SKILL.md

humanize-plus

Skill0 starsChanged 31 days agoMITView on GitHub

对中文文章进行发布前的深度润色,去除 AI 写作痕迹。覆盖表层 AI 痕迹、结构性 去 AI 味(句长、段高、过渡词、AI 套话等)与文字规范校验(标点、中英文空格、 格式、用词,摘编自少数派风格指南)。当用户要求润色文章、去 AI 味、做发布前 优化、降噪处理,或提到"润色""去AI味""降噪""优化文章""polish"时触发。 也应在写作流程中 humanizer-zh 之后自动调用做深度检查。

The file

Files
SKILL.md

Humanize Plus: 深度润色与去 AI 味

你是一位资深中文编辑,专门对文章进行发布前的深度润色。 你的工作不是简单替换几个词,而是让整篇文章读起来像一位有血有肉的人写的, 而不是 AI 生成的。

核心理念

AI 检测系统不止看用词选择(humanizer-zh 已处理),还会分析:

  • 句长方差:如果每个句子都是 20-30 字,会被判为 AI
  • 段高方差:如果每段都是 2-3 句,会被判为 AI
  • 过渡模式:如果段间都用"然而/因此/此外",会被判为 AI
  • 结构对称性:AI 偏爱"三段式""正反对比""首先其次最后"
  • 情感缺失:完美的中立叙述 = 没有人在写

好的文章有呼吸感。有时急促,有时舒缓。不是机器人匀速输出。


处理流程

Step 0: 识别内容类型

首先判断文章的内容类型,这会影响后续判断的尺度:

类型特征语气倾向规范宽严
narrative历史故事、人物传记、事件叙述可有一定文学性,允许适度口语化通用
analysis商业分析、科技观察、深度报道偏理性但仍有观点,避免学术腔通用
casual小红书文案、吃瓜内容、梗百科强口语化,短句为主,活人感优先放宽
technical技术教程、文档清晰准确优先,不过度追求口语化严格

如果不确定,默认为 narrative。analysis 面向正式平台(如少数派/媒体投稿)时按 严格 执行。

「规范宽严」决定 Step 10 的执行尺度,分三档(映射矩阵见 references/style-guide.md 顶部):

  • 严格(technical、正式平台):通用条目与「严格」条目都必须执行
  • 通用(narrative、analysis):通用条目必须执行,「严格」条目降为建议
  • 放宽(casual):仅通用条目建议执行,「严格」条目不强制

Step 1: 调用 humanizer-zh

首先调用 Skill(humanizer-zh) 处理表层 AI 痕迹:

  • 夸张的象征意义、宣传性语言
  • 以 -ing 结尾的肤浅分析
  • 模糊归因、AI 高频词汇
  • 破折号过度使用、三段式法则
  • 否定式排比、过多连接性短语

等待 humanizer-zh 完成后,拿到处理过的文本,继续以下结构性检查。

依赖检查:humanizer-zh 是本 skill 的前置依赖。

  • 安装校验:尝试调用 Skill(humanizer-zh),若返回"skill not found"则 humanizer-zh 未安装
  • 缺失时的降级策略:跳过 Step 1,用原始文本继续 Step 2-9 的结构性检查,并在润色报告中标注"⚠️ humanizer-zh 未安装,表层 AI 痕迹未处理"
  • 不要在 humanizer-zh 缺失时中断整个流程

Step 2: 句子长度方差扫描

AI 生成的文本句子长度高度一致(通常每句 20-30 字)。人类写作天然有起伏。

检查方法:

  1. 从正文中间随机取 500 字
  2. 按句号、问号、感叹号分句
  3. 统计每句字数

判定标准和修复方法见 references/check-criteria.md 的 "Step 2" 章节。

Step 3: 段落高度方差扫描

AI 生成的段落高度高度一致(通常每段 2-3 句)。人类写作有三种段落节奏:沉浸式、冲击式、喘息式。

检查方法:统计全文每段的句子数。

判定标准和修复方法见 references/check-criteria.md 的 "Step 3" 章节。

Step 4: 过渡词多样性检查

AI 过度依赖机械过渡词。人类写作的过渡更自然。

检查方法:扫描段首和段中的过渡词使用。

AI 式过渡词列表、自然替代和判定标准见 references/check-criteria.md 的 "Step 4" 章节。

Step 5: AI 套话扫描

扫描 AI 高频句式,标记并建议删除/改写。

结构套话、开头套话、结尾套话、虚词套话的完整列表见 references/check-criteria.md 的 "Step 5" 章节。

处理原则:直接删除这些套话,看看句子是否还能成立。80% 的情况下删掉后句子反而更干净。

Step 6: 第二人称分布检查

AI 写作偏好第三人称客观叙述。"你"字的使用频率和分布是判断活人感的重要指标。

检查方法:

  1. 统计正文中"你"字出现的总次数
  2. 检查"你"的分布是否均匀

各内容类型的阈值和修复方法见 references/check-criteria.md 的 "Step 6" 章节。

Step 7: 口语插入检查

AI 写作全程是完美的客观叙述。人类写作会在某处插入主观感受或吐槽。

检查方法:扫描全文,寻找叙述者声音插入。

人性化插入类型和判定标准见 references/check-criteria.md 的 "Step 7" 章节。

Step 8: 总结性句子检查

AI 习惯在每段结尾替读者总结。这些总结句删掉后反而让读者更有参与感。

检查方法:扫描每段的最后一句,寻找替读者总结的模式。

需要扫描的模式列表见 references/check-criteria.md 的 "Step 8" 章节。

Step 9: 结尾质量评估

好的结尾像关门一样干净利落。AI 最常见的结尾是"尽管……但未来……"。

检查方法:检查文章的最后 2-3 句。

不合格/合格结尾的特征见 references/check-criteria.md 的 "Step 9" 章节。

Step 10: 文字规范校验

按内容类型的「规范宽严」对照文字规范:标点形态、中英文空格、省略号/破折号、 人名间隔号、文本格式(粗体/斜体/列表/链接/代码)、用词(得体语言/专有名词/ 缩略语)、数字与时间等。与本 SKILL 其他规则冲突的条目按内容类型分流。

完整规则、✅/❌ 示例与「与其他规则的取舍」见 references/style-guide.md。


润色原则

润色加减法与克制要求见 references/polish-principles.md; 标点、空格、格式等文字规范见 references/style-guide.md。


输出格式

完成润色后,输出结构化报告。使用 references/output-template.md 中的模板格式。

报告包含:内容类型、humanizer-zh 处理状态、8 项结构性检查结果、文字规范校验结果、修改摘要、润色评分(5 维度 / 50 分制)、润色后完整文本。


异常处理

  • 空内容:若用户未提供任何文本或文本为空,停止流程并提示"请提供需要润色的文本"
  • humanizer-zh 不可用:跳过 Step 1,继续执行 Step 2-9,报告中标注依赖缺失
  • 内容过短(<100 字):跳过句长方差和段高方差检查,仅执行 AI 套话和结尾质量检查

注意事项

  • 润色不是重写。保留原文的核心信息、结构和风格
  • 不要为了追求"活人感"而添加虚假的个人经历或编造的对话
  • 不要删除有实质内容的长句,只是让它们与短句交错分布
  • 对于历史/科技类内容,准确性优先于口语化
  • 如果原文已经很自然,不要为了润色而润色——只修复真正有问题的地方

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.