「去 AI 味」类 Skill：它到底在删什么

它替你干掉什么：把「读着像 AI」翻译成一张可执行的删除清单

你自己改一遍 AI 初稿，八成时间花在「总觉得别扭但说不上来」。这类 skill 把那句「说不上来」拆成了具名条目——不是「让文字更自然」，是「第 8 条：破折号当万能连接符，删」。四份实现的清单粒度不同，但结构是同一个。

怎么装（命令抄自各自官方页面）

# ① blader/humanizer —— 最出名的一份，装完用 /humanizer 调
npx skills add blader/humanizer --global

# ② hardikpandya/stop-slop —— 上游在这儿（Skill 16 给的 boraoztunc 是转载）
git clone https://github.com/hardikpandya/stop-slop ~/.claude/skills/stop-slop

# ③ Aboudjem/humanizer-skill —— 唯一带可复算分数的
npx skills add Aboudjem/humanizer-skill
# Claude Code 插件版：claude plugin install humanizer@10x

# ④ gencharitaci/humanize-skills —— 冲着 zh.md 去的
npx skills add gencharitaci/humanize-skills

第一条立刻能跑的用法

别急着让模型改稿。先跑 ③ 的本地 CLI——它是纯 Node、零依赖、不出网，是这一类里唯一不消耗模型就能出结果的东西：

# 给一篇稿子打分（0–100 的 AI-tell 分数，五档评语）
node cli/index.js score examples/blog-post/before.md

# 改写前后对比，并核对数字 / URL / 日期 / 版本号 / 缩写有没有被改掉
node cli/index.js compare --before draft.md --after final.md --check-facts

拿你上周发出去的一篇稿跑一遍分数。如果分数已经不难看，这一类你整个可以不装——省下的是每次触发都要交的那份描述预算。

机制：它凭什么有效，以及两位作者给出的相反答案

三层机制

1. 具名清单把审美降级成检索。blader/humanizer 的 25 条分五组：A 摆姿态而不说事（「不是 X，而是 Y」「装深刻的格言」「铺垫半天才进正题」）、B 按规则造节奏（三连排比、开头句式重复、破折号当万能连接符）、C 充气与借来的权威、D 按规则排版（粗体当装饰、装饰性小标题）、E 聊天残渣（「作为 AI 我…」、知识截止免责声明）。前五条强到「见一次就改」。模型不需要判断好不好，只需要找得到。
2. 自批是廉价的第二遍。它的输出分四步：标记 tell → 出草稿 → 回头查草稿 → 定稿。中间那道「查自己刚写的」几乎不要钱，却能捞回相当一部分——因为改写过程本身会引入新的 AI 腔。
3. 保真层管住最贵的那个 bug。blader/humanizer 在 README 里写死：名字、数字、日期、引文、出处必须来自原文或作者，缺了就问，不许编。Aboudjem 把这句话做成了可执行的 --check-facts。改写类最恶心的失败不是改烂了，是改好听了——「同比增长 23.4%」润色成「增速接近四分之一」，读感更好，数字已经不是那个数字。

那 stop-slop 凭什么最轻

hardikpandya/stop-slop（据 GitHub 仓库页，2026-09 为 17.3k 星，v2.0.0、SKILL.md 内标注更新于 2026-03-17）把内容拆成 SKILL.md + references/ 三份（phrases.md 词表、structures.md 句式、examples.md 前后对照）。它的八类是：清嗓式开头、强调拐杖、商业黑话、副词、元评论、表演式强调、告知而非展示、空泛断言。关键在 phrases.md 是一张两列替换表（navigate → handle / address），所以它不装也能用——把表抄进你的 prompt 就是了。它另给一套五维打分（直白、节奏、可信、真实、密度，各 1–10），低于 35/50 才动手，这是 blader 那份没有的停止线。

真实用法与边界：中文稿怎么办，以及把 voice 编进去的三条路

中文的 AI 腔是另一张表

「删掉所有 -ly 副词」「少用破折号」搬到中文稿上是空转。gencharitaci/humanize-skills（CC BY 4.0，0 星）是本期唯一带中文清单的：references/languages/zh.md，同目录还有 ja / ko / ar 等 20 份，外加 modes/ 十种用途模式。它的中文条目具体到能直接当检查表用：

• 高频词：深入、见证、格局、凸显、关键的、错综复杂、细致入微、赋能、生态、闭环、底层逻辑、长期主义。
• 反射性夸赞：领先、卓越、极致、革命性、全方位、沉浸式、世界级。
• 句式：「不是……而是……」「不只是……更是……」连用；「真正的问题是……」「归根结底……」「本质上……」这类假纵深揭示；「让我们深入探讨……」「下面我们来拆解……」这类导游式开头；自问自答。
• 还管全角半角、数字写法这些体例细节，并给了误报豁免和一段前后对照。

把个人 voice 编进去：三条路，别选错

「让它写得像我」和「让它别像 AI」是两件事。后者靠清单，前者靠样例，而放在哪一层决定了它什么时候生效：

• output style（官方，每一轮都在）——Markdown 文件放 ~/.claude/output-styles/ 或项目 .claude/output-styles/，frontmatter 写 name / description / keep-coding-instructions，用 /output-style <name> 切换。它改的是 Claude Code 的默认指令本身、随每个请求发出。语气和格式的默认值该放这儿。
• skill（按需触发）——只在这次要清洗一段文字时才加载。humanizer 们全属于这一层，也该属于这一层：你不会希望每条回复都被去一遍 AI 味。
• CLAUDE.md（项目约定）——仓库层面的体例，跟着仓库走，不跟着你走。

判据一句话：「我每次都要重新说一遍」的放 output style，「偶尔要做一次」的放 skill，「这个仓库才成立」的放 CLAUDE.md。把语气默认值写成 skill，等于把它交给触发器决定生不生效——而文风每次不一样，比一直不对更糟。

三条硬边界

• 技术文档、规范、合同里别常开减法型。「仅在异步模式下生效」的「仅」不是赘余，stop-slop 的「删所有副词」删的正是精确性。
• 带数字的段落，改完必跑 --check-facts，或者干脆别让它碰。
• 同类只留一份。四份实现抢同一个触发面，模型挑哪个你控制不了，表现不是报错，是文风每次都变。

代价与替代品：如果你的目标是「过检测器」，这仗你不该打

三份可查的证据

• OpenAI 关掉了自己的检测器。AI Text Classifier 2023-01-31 上线、2023-07-20 下线，官方理由是准确率太低。它在挑战集上只认出 26% 的 AI 文本，同时把 9% 的人类文本误判为 AI。造模型的那家自己做不出可靠检测器，这是这个话题的地板。
• 误报砸在特定人群头上。Liang 等人 2023 年发在《Patterns》的研究，拿 7 个检测器跑 91 篇非母语者的 TOEFL 作文，平均误报率 61.3%；而同一批文章提示模型改写成「母语者风格」之后，误报率掉到 11.6%。注意这条的真正含义：能被「润色」拉下来的那个指标，本来就不是在测作者身份。
• 结论还在翻。2026 年 EACL 学生研讨会上，Al Ali、Helcl、Libovický 在捷克语上重做了这个实验，查了三个检测器家族，没有发现针对非母语者的系统性偏见。这不代表「检测器修好了」，代表这一类结论两年一变——你不该把交付标准挂在上面。

不装它你还能怎么办

• 把词表搬进 prompt。stop-slop 的 references/phrases.md 本来就是两列替换表，抄进 output style 或 CLAUDE.md，零触发成本、永远在、还不会和别的 skill 抢触发。这是本期性价比最高的一条。
• 用样例代替规则。官方 brand-guidelines 和 doc-coauthoring 的做法是给样例段而不是列禁令——三对「改前/改后」通常比十条规则管用，下一期 Skill 18 专讲这个配方。
• 自己写三条就够。翻你最近五篇稿，找出你自己最烦的三个句式，写成三行。它比任何一份 55 条清单都准，因为那三条是你真犯的。