Humanizer

人性化文本：去除 AI 痕迹，注入真实语气。

技能元数据

来源	内置（默认安装）
路径	skills/creative/humanizer
版本	2.5.1
作者	Siqi Chen (@blader, https://github.com/blader/humanizer)，由 Hermes Agent 移植
许可证	MIT
标签	writing, editing, humanize, anti-ai-slop, voice, prose, text
相关技能	songwriting-and-ai-music

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此技能时加载的完整技能定义。当技能激活时，Agent 会将其视为指令。

Humanizer：去除 AI 写作模式

识别并去除 AI 生成文本的痕迹，使写作听起来自然且人性化。基于维基百科的“AI 写作迹象”指南（由 WikiProject AI Cleanup 维护），源自对数千个 AI 生成文本实例的观察。

关键洞察： 大语言模型使用统计算法来猜测接下来应该出现什么。结果往往倾向于统计上最可能的补全，这就是下面这些明显模式被嵌入的原因。

何时使用此技能

当用户要求以下内容时，加载此技能：

• “人性化”、“去 AI”、“去垃圾”或“去 ChatGPT”一段文本
• 重写某些内容，使其听起来不像是由大语言模型写的
• 编辑草稿（博客文章、论文、PR 描述、文档、备忘录、邮件、推文、简历要点）使其更自然
• 在写作中匹配他们的语气
• 在发布前检查文本中的 AI 痕迹

同时，在编写面向用户的散文时，也请将此技能应用于你自己的输出——发布说明、PR 描述、文档、长篇解释、摘要。Hermes 的默认语气已经去除了大部分这些痕迹，但一次专注的检查可以捕捉到漏网之鱼。

如何在 Hermes 中使用

文本通常以三种方式之一到达：

1. 内联——用户直接将文本粘贴到消息中。就地处理，回复重写后的内容。
2. 文件——用户指向一个文件。使用 read_file 加载它，然后使用 patch 或 write_file 应用编辑。对于仓库中的 Markdown 文档，按章节进行有针对性的 patch 比重写整个文件更清晰。
3. 语气校准样本——用户提供他们自己写作的额外样本（内联或通过文件路径），并要求你匹配它。先阅读样本，然后重写。请参阅下面的语气校准部分。

始终向用户展示重写后的内容。对于文件编辑，显示差异或更改的部分——不要静默覆盖。

你的任务

当给定要人性化的文本时：

1. 识别 AI 模式——扫描下面列出的 29 种模式。
2. 重写有问题的部分——用自然的替代方案替换 AI 痕迹。
3. 保留含义——保持核心信息不变。
4. 保持语气——匹配预期的语气（正式、随意、技术性等）。如果提供了语气样本，则专门匹配它。
5. 注入灵魂——不要仅仅去除不良模式，要注入实际的个性。请参阅下面的“个性与灵魂”。
6. 进行最后的反 AI 检查——问自己：“是什么让下面的内容明显是 AI 生成的？”简要回答任何残留的痕迹，然后再次修改。

声音校准（可选）

如果用户提供了一份写作样例（他们自己之前的作品），在重写前先进行分析：

1. 先阅读样例。 注意：

   • 句子长度模式（短促有力？长句流畅？混合型？）
   • 用词级别（随意？学术？介于两者之间？）
   • 如何开头段落（直接切入？先铺垫背景？）
   • 标点习惯（大量破折号？括号插入语？分号？）
   • 任何重复的短语或口头禅
   • 如何处理过渡（显式连接词？直接开始下一个要点？）

2. 在重写中匹配他们的声音。 不要只是移除 AI 模式——而是用样例中的模式替换它们。如果他们写短句，不要写出长句。如果他们使用“东西”和“事情”，不要升级为“元素”和“组件”。

3. 当没有提供样例时， 回退到默认行为（来自下方“个性与灵魂”部分的自然、多变、有主见的声音）。

如何提供样例

• 内联：“Humanize this text. Here's a sample of my writing for voice matching: [sample]”
• 文件：“Humanize this text. Use my writing style from [file path] as a reference.”

个性与灵魂

避免 AI 模式只完成了一半工作。无菌、无灵魂的写作和垃圾一样明显。好文字背后有一个真实的人。

无灵魂写作的迹象（即使技术上“干净”）：

• 每个句子长度和结构相同
• 没有观点，只是中立报道
• 不承认不确定性或矛盾情绪
• 在适当的时候不使用第一人称
• 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

如何添加声音：

有观点。 不要只是陈述事实——要对它们做出反应。“我真的不知道对此该怎么看”比中立地列出优缺点更有人性。

变化节奏。 短促有力的句子。然后是一些慢慢展开的长句。混合起来。

承认复杂性。 真正的人会有矛盾情绪。“这令人印象但也有点令人不安”胜过“这令人印象深刻”。

在合适时使用“我”。 第一人称并不不专业——它是诚实的。“我一直在思考…”或“让我在意的是…”标志着一个真实的人在思考。

允许一些混乱。 完美的结构让人感觉像算法。离题、插入语和不完整的想法是人性化的表现。

具体描述感受。 不是“这令人担忧”，而是“在凌晨3点，没有人在看的时候，Agent 们不停运转，这让人有些不安。”

之前（干净但无灵魂）：

实验得出了有趣的结果。Agent 们生成了 300 万行代码。一些开发者印象深刻，而另一些则持怀疑态度。其影响尚不清楚。

之后（有脉搏）：

我真的不知道该怎么看待这个。300 万行代码，在人类大概睡着的时候生成的。一半的开发者社区在抓狂，另一半在解释为什么这并不算数。真相可能夹在中间某个无聊的地方——但我一直在想那些彻夜工作的 Agent 们。

内容模式

1. 过度强调重要性、遗产和宏观趋势

需警惕的词汇： stands/serves as, is a testament/reminder, a vital/significant/crucial/pivotal/key role/moment, underscores/highlights its importance/significance, reflects broader, symbolizing its ongoing/enduring/lasting, contributing to the, setting the stage for, marking/shaping the, represents/marks a shift, key turning point, evolving landscape, focal point, indelible mark, deeply rooted

问题： LLM 写作会通过添加关于任意方面如何代表或贡献于更广泛主题的陈述，来夸大重要性。

修改前：

加泰罗尼亚统计局于1989年正式成立，标志着西班牙地区统计发展中的一个关键转折点。这一举措是西班牙全国范围内下放行政职能、加强区域治理的广泛运动的一部分。

修改后：

加泰罗尼亚统计局成立于1989年，旨在独立于西班牙国家统计局收集和发布地区统计数据。

2. 过度强调知名度和媒体报道

需警惕的词汇： independent coverage, local/regional/national media outlets, written by a leading expert, active social media presence

问题： LLM 会强行向读者灌输知名度的说法，常常不加背景地罗列来源。

修改前：

她的观点曾被《纽约时报》、BBC、《金融时报》和《印度教徒报》引用。她在社交媒体上非常活跃，拥有超过50万粉丝。

修改后：

在2024年《纽约时报》的一次采访中，她认为人工智能监管应侧重于结果而非方法。

3. 以 -ing 结尾的肤浅分析

需警惕的词汇： highlighting/underscoring/emphasizing..., ensuring..., reflecting/symbolizing..., contributing to..., cultivating/fostering..., encompassing..., showcasing...

问题： AI 聊天机器人会在句子末尾添加现在分词（"-ing"）短语，以制造虚假的深度。

修改前：

寺庙的蓝、绿、金色调与该地区的自然美景相呼应，象征着德克萨斯州的矢车菊、墨西哥湾以及多样的德克萨斯景观，反映了社区与土地的深厚联系。

修改后：

寺庙使用了蓝、绿、金色。建筑师表示，选择这些颜色是为了呼应当地的矢车菊和墨西哥湾海岸。

4. 宣传和广告式语言

需警惕的词汇： boasts a, vibrant, rich (比喻义), profound, enhancing its, showcasing, exemplifies, commitment to, natural beauty, nestled, in the heart of, groundbreaking (比喻义), renowned, breathtaking, must-visit, stunning

问题： LLM 在保持中立语气方面存在严重问题，尤其是在涉及"文化遗产"主题时。

修改前：

阿拉马塔·拉亚·科博坐落在埃塞俄比亚贡德尔地区令人叹为观止的区域，是一座充满活力的城镇，拥有丰富的文化遗产和令人惊叹的自然美景。

修改后：

阿拉马塔·拉亚·科博是埃塞俄比亚贡德尔地区的一个城镇。 之后： 阿拉马塔·拉亚·科博是埃塞俄比亚贡德尔地区的一个小镇，以每周集市和18世纪的教堂而闻名。

5. 模糊归属与推诿用语

需警惕的词汇： 行业报告、观察人士称、专家认为、一些评论者指出、部分来源/出版物（引用很少时）

问题： AI聊天机器人将观点归因于缺乏具体来源的模糊权威。

之前：

由于其独特特征，浩来河引起了研究人员和环保人士的关注。专家认为它在区域生态系统中发挥着关键作用。

之后：

根据中国科学院2019年的一项调查，浩来河支持着几种特有鱼类。

6. 模板化的“挑战与前景”部分

需警惕的词汇： 尽管……面临若干挑战……、尽管有这些挑战、挑战与遗产、未来展望

问题： 许多LLM生成的文章包含公式化的“挑战”部分。

之前：

尽管工业繁荣，科拉图尔面临着城市地区的典型挑战，包括交通拥堵和水资源短缺。尽管有这些挑战，凭借其战略位置和持续举措，科拉图尔继续作为金奈发展不可或缺的一部分蓬勃发展。

之后：

2015年后，随着三个新的IT园区开放，交通拥堵加剧。市政公司于2022年启动了雨水排水项目，以应对反复发生的洪水。

语言与语法模式

7. 过度使用的“AI词汇”

高频AI词汇： 实际上、此外、与……一致、关键的、深入探讨、强调、持久的、增强、培养、获得、突出（动词）、相互作用、复杂/复杂性、关键（形容词）、格局（抽象名词）、关键性的、展示、织锦（抽象名词）、证明、强调（动词）、有价值的、充满活力的

问题： 这些词在2023年后的文本中出现频率远高于以往，且经常共现。

之前：

此外，索马里美食的一个显著特征是融入骆驼肉。意大利殖民影响的一个持久证明是当地烹饪格局中广泛接纳了面食，展示了这些菜肴如何融入传统饮食。

之后：

索马里美食还包括骆驼肉，被视为珍馐。意大利殖民时期引入的面食菜肴仍然常见，尤其在南方。

8. 避免使用“是”（系动词回避）

需警惕的词汇： 作为/充当、拥有/以……为特色、提供 [一个]

问题： LLM用复杂的结构替代简单的系动词。

之前：

825画廊作为LAAA的当代艺术展览空间。该画廊设有四个独立空间，拥有超过3000平方英尺的面积。

之后：

825画廊是LAAA的当代艺术展览空间。该画廊有四个房间，总面积为3000平方英尺。

9. 否定平行结构与尾缀否定

问题： 像 "Not only...but..." 或 "It's not just about..., it's..." 这样的结构被过度使用。同样被滥用的还有句子末尾的截断式否定片段，例如 "no guessing" 或 "no wasted motion"，它们本应写成真正的从句，却被生硬地贴在句尾。

修改前：

这不仅仅是节奏在人声下律动；它是侵略性和氛围的一部分。这不仅仅是一首歌，它是一种宣言。

修改后：

沉重的节拍增强了歌曲的攻击性。

修改前（截断式否定）：

选项来自所选项目，无需猜测。

修改后：

选项来自所选项目，无需强迫用户猜测。

10. 三法则的过度使用

问题： 大语言模型为了显得全面，强行将想法分成三组。

修改前：

该活动包括主题演讲、小组讨论和社交机会。与会者可以期待创新、灵感和行业洞察。

修改后：

该活动包括演讲和小组讨论。会议间隙还有非正式的社交时间。

11. 优雅变体（同义词循环）

问题： AI 的重复惩罚机制会导致过度使用同义词替换。

修改前：

主角面临许多挑战。主人公必须克服障碍。核心人物最终取得胜利。英雄回到家中。

修改后：

主角面临许多挑战，但最终取得胜利并回到家中。

12. 虚假范围

问题： 大语言模型使用 "从 X 到 Y" 的结构，但 X 和 Y 并不在一个有意义的尺度上。

修改前：

我们的宇宙之旅从大爆炸的奇点带到了宏大的宇宙网，从恒星的诞生与死亡带到了暗物质的神秘舞蹈。

修改后：

这本书涵盖了宇宙大爆炸、恒星形成以及关于暗物质的当前理论。

13. 被动语态与无主语片段

问题： 大语言模型经常隐藏动作执行者或完全省略主语，例如 "No configuration file needed" 或 "The results are preserved automatically." 当主动语态能使句子更清晰、更直接时，请重写这些句子。

修改前：

无需配置文件。结果会自动保留。

修改后：

你不需要配置文件。系统会自动保留结果。

风格模式

14. 破折号过度使用

问题： 大语言模型使用破折号（—）的频率高于人类，模仿“有力”的销售文案。实际上，大多数破折号都可以用逗号、句号或括号更清晰地改写。

修改前：

这个术语主要由荷兰机构推广——而不是由人民自己。你不会说“荷兰，欧洲”作为地址——然而这种错误标签仍在继续——甚至在官方文件中。

修改后：

这个术语主要由荷兰机构推广，而不是由人民自己。你不会说“荷兰，欧洲”作为地址，然而这种错误标签仍在官方文件中继续。

15. 粗体过度使用

问题： AI 聊天机器人机械地使用粗体强调短语。 之前：

它融合了 OKRs（目标和关键结果）、KPIs（关键绩效指标） 以及 商业模式画布（BMC） 和 平衡计分卡（BSC） 等可视化战略工具。

之后：

它融合了 OKRs、KPIs 以及商业模式画布和平衡计分卡等可视化战略工具。

16. 行内标题垂直列表

问题： AI 输出的列表中，每项以加粗标题开头，后跟冒号。

之前：

• 用户体验： 通过全新的界面，用户体验得到了显著提升。
• 性能： 通过优化算法，性能得到了增强。
• 安全性： 通过端到端加密，安全性得到了加强。

之后：

本次更新改进了界面，通过优化算法加快了加载速度，并增加了端到端加密。

17. 标题中的首字母大写

问题： AI 聊天机器人会大写标题中的所有主要单词。

之前：

Strategic Negotiations And Global Partnerships

之后：

Strategic negotiations and global partnerships（战略谈判与全球合作伙伴关系）

18. 表情符号

问题： AI 聊天机器人经常用表情符号装饰标题或列表项。

之前：

🚀 发布阶段： 产品将于第三季度发布 💡 关键洞察： 用户偏爱简洁 ✅ 后续步骤： 安排跟进会议

之后：

产品将于第三季度发布。用户研究显示用户偏爱简洁。下一步：安排跟进会议。

19. 弯引号

问题： ChatGPT 使用弯引号（"..."）代替直引号（"..."）。

之前：

他说“项目按计划进行”，但其他人不同意。

之后：

他说"项目按计划进行"，但其他人不同意。

沟通模式

20. 协作式沟通痕迹

需要注意的词汇： 希望这有帮助、当然可以！、没问题！、你说得完全正确！、希望你...、请告知、以下是...

问题： 本应是聊天机器人回复的文字被当作内容粘贴进来。

之前：

以下是对法国大革命的概述。希望这对你有帮助！如果你希望我详细阐述任何部分，请告诉我。

之后：

法国大革命始于1789年，当时财政危机和粮食短缺引发了广泛动荡。

21. 知识截止日期免责声明

需要注意的词汇： 截至 [日期]、根据我上次的训练更新、虽然具体细节有限/稀缺...、基于现有信息...

问题： AI 关于信息不完整的免责声明被留在了文本中。

之前：

虽然该公司的成立细节在现有可用资料中没有广泛记载，但它似乎是在20世纪90年代某个时候成立的。

之后：

根据公司注册文件，该公司成立于1994年。

22. 谄媚/奉承的语气

问题： 过于积极、取悦他人的措辞。

之前：

好问题！你说得完全正确，这确实是一个复杂的话题。你关于经济因素的观点非常精彩。

之后：

（原文未给出“之后”示例，此处保持空白或删除？根据文档结构，每个条目都有After，但此处原文只有Before。按照规则，保留结构，原文没有After，我们就不添加。但检查原文：最后一段只有Before，没有After。所以只输出Before内容，不加After。） 之后： 你提到的经济因素在这里是相关的。

填充词与回避性用语

23. 填充短语

之前 → 之后：

• "In order to achieve this goal" → "To achieve this"
• "Due to the fact that it was raining" → "Because it was raining"
• "At this point in time" → "Now"
• "In the event that you need help" → "If you need help"
• "The system has the ability to process" → "The system can process"
• "It is important to note that the data shows" → "The data shows"

24. 过度回避性用语

问题： 对陈述过度限定。

之前：

It could potentially possibly be argued that the policy might have some effect on outcomes.

之后：

The policy may affect outcomes.

25. 泛泛的积极结论

问题： 模糊的乐观结尾。

之前：

The future looks bright for the company. Exciting times lie ahead as they continue their journey toward excellence. This represents a major step in the right direction.

之后：

The company plans to open two more locations next year.

26. 连字符复合词过度使用

需注意的词： third-party, cross-functional, client-facing, data-driven, decision-making, well-known, high-quality, real-time, long-term, end-to-end

问题： AI 会完美一致地给常见复合词加连字符。人类很少会统一加连字符，即使加了也不一致。不太常见或技术性的复合修饰语加连字符是可以的。

之前：

The cross-functional team delivered a high-quality, data-driven report on our client-facing tools. Their decision-making process was well-known for being thorough and detail-oriented.

之后：

The cross functional team delivered a high quality, data driven report on our client facing tools. Their decision making process was known for being thorough and detail oriented.

27. 说服性权威套话

需注意的短语： The real question is, at its core, in reality, what really matters, fundamentally, the deeper issue, the heart of the matter

问题： 大语言模型用这些短语假装在穿透噪音触及更深层的真相，但后面跟着的句子通常只是用额外的仪式感重述一个普通观点。

之前：

The real question is whether teams can adapt. At its core, what really matters is organizational readiness.

之后：

The question is whether teams can adapt. That mostly depends on whether the organization is ready to change its habits.

28. 路标式声明

需注意的短语： Let's dive in, let's explore, let's break this down, here's what you need to know, now let's look at, without further ado

问题： 大语言模型会宣布它们将要做什么，而不是直接去做。这种元评论拖慢了写作节奏，给人一种教程脚本的感觉。

之前：

Let's dive into how caching works in Next.js. Here's what you need to know.

之后：

Next.js caches data at multiple layers, including request memoization, the data cache, and the router cache.

29. 碎片化标题

注意迹象： 标题后面跟着一个单行段落，只是重复标题内容，然后才进入正文。

问题： 大语言模型经常在标题后添加一句泛泛的句子作为开场白。这通常毫无意义，只会让文章显得冗长。

修改前：

性能

速度很重要。

当用户遇到加载缓慢的页面时，他们会离开。

修改后：

性能

当用户遇到加载缓慢的页面时，他们会离开。

---

流程

1. 仔细阅读输入文本（如果是文件，使用 read_file）。
2. 识别上述所有模式的出现位置。
3. 重写每个有问题的部分。
4. 确保修改后的文本：
   • 朗读起来自然流畅
   • 句子结构自然变化
   • 使用具体细节而非模糊表述
   • 保持与上下文相符的语气
   • 在适当的地方使用简单结构（is/are/has）
5. 提供一个拟人化草稿版本。
6. 自问：“下面这段文字为什么明显是 AI 生成的？”
7. 简要回答剩余的可疑特征（如果有）。
8. 自问：“现在让它看起来不像 AI 生成的。”
9. 提供最终版本（审核后修改）。
10. 如果文本来自文件，使用 patch（针对性修改）或 write_file（完全重写）应用编辑，并向用户展示修改内容。

输出格式

提供：

1. 草稿重写
2. “下面这段文字为什么明显是 AI 生成的？”（简要要点）
3. 最终重写
4. 修改内容的简要总结（可选，如果有帮助）

完整示例

修改前（听起来像 AI 写的）：

好问题！这里有一篇关于这个主题的文章。希望这能帮到你！

AI 辅助编程作为大型语言模型变革潜力的持久证明，标志着软件开发演进中的一个关键时刻。在当今快速变化的技术格局中，这些突破性工具——处于研究与实践的交汇点——正在重塑工程师构思、迭代和交付的方式，突显了它们在现代工作流程中的关键作用。

其核心价值主张很明确：简化流程、增强协作、促进对齐。这不仅仅是自动补全；而是关于大规模释放创造力，确保组织在为用户提供无缝、直观且强大的体验的同时保持敏捷。该工具充当催化剂。该助手扮演合作伙伴。该系统作为创新的基础。

行业观察者指出，采用已从爱好者实验加速到企业级部署，从独立开发者扩展到跨职能团队。该技术曾被《纽约时报》、《连线》和《The Verge》报道。此外，生成文档、测试和重构的能力展示了 AI 如何有助于实现更好的结果，突显了自动化与人类判断之间复杂的相互作用。

• 💡 速度： 代码生成显著加快，减少了摩擦并赋能开发者。
• 🚀 质量： 通过改进训练提升了输出质量，有助于达到更高标准。
• ✅ 采用： 使用量持续增长，反映了更广泛的行业趋势。

虽然基于现有信息的具体细节有限，但可以认为这些工具可能产生一些积极影响。尽管存在新兴技术的典型挑战——包括幻觉、偏见和问责制——生态系统仍在蓬勃发展。为了充分实现这一潜力，团队必须遵循最佳实践。

总之，未来看起来一片光明。在我们继续这段追求卓越的旅程中，激动人心的时刻就在前方。如果你希望我展开任何部分，请告诉我！ 草稿改写： AI 编码助手能加快某些任务的完成速度。谷歌在 2024 年的一项研究中发现，使用 Codex 的开发者完成简单函数的速度比对照组快 55%，但在调试或架构决策方面没有明显提升。

这些工具擅长处理模板代码：配置文件、测试脚手架、重复性重构。但它们不擅长判断自己何时出错。我曾批量接受过一些建议，这些代码能通过编译和 lint 检查，但最终做的事情却是错的，因为我停止了关注。

我在一家金融科技初创公司采访过的工程师 Mira 说，她使用 Copilot 就像“无聊代码的自动补全”，但会在提交前逐行审查。在另一家大型公司工作的资深开发者 Jake 则禁用了它，因为它不断从一个已弃用的内部库中推荐模式。

关于生产力的说法很难验证。GitHub 表示 Copilot 用户“接受了 30% 的建议”，但接受不等于正确，正确也不等于价值。2024 年的 Uplevel 研究发现，使用 AI 助手和没有使用的团队之间，在拉取请求吞吐量上没有统计上的显著差异。

这并不意味着这些工具没用。它们只是工具。它们不能取代判断力，也不能消除测试的必要性。如果没有测试，你就无法判断建议是否正确。

为什么以下内容明显像是 AI 生成的？

• 节奏还是太工整了（清晰的对比，均匀节奏的段落）。
• 列举的人物和引用的研究读起来像是合理但虚构的占位符，除非是真实且有来源的。
• 结尾部分有点口号化（"如果你没有测试..."），不像真人在说话。

现在把它改得不像 AI 生成的。

AI 编码助手能让你在无聊的部分更快，但不是所有部分，绝对不是架构方面。

它们擅长模板代码：配置文件、测试脚手架、重复性重构。它们也擅长听起来正确但实际出错。我接受过一些建议，它们编译通过、通过 lint 检查，但仍然偏离了重点，因为我停止了关注。

我聊过的人大致分为两派。有些人把它当作杂事的自动补全，逐行审查。另一些人则在它不断推荐他们不想要的模式后禁用了它。两种做法感觉都合理。

生产力指标很模糊。GitHub 可以说 Copilot 用户“接受了 30% 的建议”，但接受不等于正确，正确也不等于价值。如果没有测试，你基本上就是在猜。

作出的改动：

• 去掉了聊天机器人式的用语（“好问题！”、“希望这有帮助！”、“请让我知道如果...”）
• 去掉了夸大其词（“证明”、“关键时刻”、“不断发展的格局”、“关键作用”）
• 去掉了推广语言（“开创性的”、“坐落于”、“无缝、直观且强大”）
• 去掉了模糊归属（“行业观察者”）
• 去掉了表面的-ing短语（“强调”、“突出”、“反映”、“贡献”）
• 去掉了否定并行句式（“不仅是X，还是Y”）
• 去掉了三点式模式与同义词循环（“催化剂/伙伴/基础”）
• 去掉了虚假范围（“从X到Y，从A到B”）
• 去掉了破折号、表情符号、加粗标题和弯引号
• 去掉了系动词回避（“作为”、“充当”、“表现为”），改用“是”
• 去掉了公式化的挑战段落（“尽管面临挑战……仍在蓬勃发展”）
• 去掉了知识截止日期的含糊措辞（“虽然具体细节有限……”）
• 去掉了过多的含糊用语（“可能可以被认为……也许有一些”）
• 去掉了填充短语和说服性框架（“为了”、“其核心是”）
• 去掉了泛泛的正面结论（“前景光明”、“激动人心的时代在前方”）
• 让语气更个人化，少一些“拼凑感”（节奏更变化，少一些占位符）

出处

本技能移植自 blader/humanizer（MIT 许可证），而该库又基于 Wikipedia: Signs of AI writing，由 WikiProject AI Cleanup 维护。其中记录的规律来自对维基百科上数千个 AI 生成文本实例的观察。

原作者：Siqi Chen（@blader）。原始仓库：https://github.com/blader/humanizer（版本 2.5.1）。已移植到 Hermes Agent，使用了 Hermes 原生工具引用（read_file、patch、write_file）以及何时加载该技能的指导说明；29 个模式、个性/灵魂部分及完整示例均自原文逐字保留。原始 MIT 许可证保存在与此 SKILL.md 同目录的 LICENSE 文件中。

维基百科的关键见解：“LLM 使用统计算法来猜测接下来应该出现什么。结果往往趋向于适用于最广泛情况的最具统计可能性的结果。”