9 月 4 日的 GitHub Trending 上，一个名为 Humanizer 的仓库以单日新增约 1200 star 的速度爬到榜单第 8 位，总 star 数 42,035。它不是模型、不是框架，只是一份 30KB 的 Markdown 文件。这份文件做的事情也很单一：把 AI 生成的文字改写得不像 AI 写的。没有代码依赖，没有 API 调用，整个项目由一名贡献者维护，MIT 协议开源。
它到底是什么
Humanizer 的本体是一份 SKILL.md 文件，当前版本 2.11.2。这是 Agent Skills 规范定义的格式：用 Markdown 写指令，前面加一段 YAML 元数据声明名字、用途和许可协议。任何支持 skills 机制的 AI 编码助手，Claude Code、Codex、Cursor、Windsurf、Cline 等 30 多款，都能加载它。安装方式对应地也很轻：
npx skills add blader/humanizer --global装完后在对话里调用，把要改写的文本贴进去即可。它也支持指向一个文件原位改写，比如让 agent 直接处理 docs/launch-post.md。
作者 Siqi Chen（GitHub ID：blader）在项目描述里写的是「Agent skill that removes signs of AI-generated writing from text」——一个去除 AI 生成文字特征的 agent 技能。仓库创建于 2026 年 1 月 18 日，最近一次推送是 8 月 19 日，发版节奏密集，仅 8 月 17 日到 18 日两天就连续发了 v2.11.0 和 v2.11.1 两个版本。
规则库的结构：35 个模式、5 个分类
Humanizer 的核心资产是一份模式清单，来源标注得很清楚：维基百科的「Signs of AI writing」指南。这份指南由 WikiProject AI Cleanup（维基百科清理 AI 生成内容的专项小组）维护，从数千条 AI 生成文本的实际案例里总结出机器写作的高频特征。Humanizer 把它整理成 35 个可检测、可改写的模式，分成五类。
内容类（Content patterns） 处理「说得比事实更 grand」的问题。模式 1 是「重要性夸大」：AI 写「标志着地区统计演进的重大时刻」（marking a pivotal moment in the evolution of regional statistics），改写后只剩「成立于 1989 年，属于西班牙行政权力下放的一部分」。模式 2 是「名人背书式罗列」：把「观点被纽约时报、BBC、金融时报和印度斯坦时报引用，社交粉丝超过 50 万」压缩成「观点被纽约时报和 BBC 引用过」。模式 5 要求「模糊归因」要么点名真实来源、要么删掉，「专家认为它起着至关重要的作用」这种句子是重灾区。
语言类（Language patterns） 处理词汇和句法。模式 7 收录 AI 高频词：actually、additionally、testament、landscape、showcasing。模式 8 叫「回避系动词」：AI 不爱写 is 和 are，偏爱 serves as、features、boasts，因为统计上这些词显得「更专业」。模式 9 针对否定平行结构（Not X but Y，中文里常见的对应形式是先否定再转折的并列句），它和句尾否定补语（clipped negative endings）同属被要求拆掉的对象。模式 12 处理「假区间」：「从大爆炸到暗物质」这类把两个遥远端点强行拉成范围的写法。
风格类（Style patterns） 里最有趣的是模式 14：破折号。em dash（—）和 en dash（–）被列为硬性清除项，替换方案是句号、逗号、冒号或括号。另有模式 15（滥用加粗）、模式 17（标题全部首字母大写的 Title Case）、模式 18（emoji）、模式 26（连字符词对，如 data-driven、cross-functional 高密度出现）。模式 31 打击「制造金句」：连续短句制造戏剧感（It had no preference. No prior. No nostalgia.），要求改成正常长短交错的句子。模式 32 处理格言式收尾（Symmetry is the language of trust），模式 33 清除「假装坦率」的开场（Honestly? It depends...）。
聊天机器人痕迹类（Chatbot patterns） 最容易理解：模式 20 清除「希望这有帮助！有其他问题随时问我」式的收尾；模式 21 清除「由于可用资料有限……」的知识截止声明；模式 22 处理「好问题！你说得完全对！」的谄媚开场。
填充与对冲类（Filler and hedging） 处理冗余：模式 23 把 in order to 换成 to、due to the fact that 换成 because；模式 24 把 could potentially possibly 这类三重对冲压成 may；模式 25 处理「未来一片光明」式的空泛收尾。
改写的边界：no-fabrication 与误伤防护
模式清单之外，这份 SKILL.md 里有两条设计约束值得单独看。
第一条是 no-fabrication rule（禁止虚构规则）：改写时不得添加原文没有的事实、人名、数字、日期、引文或出处。句子如果缺一个关键细节，要么向作者要，要么用更简单的句式绕开。这条规则是 v2.9.0 加入的（对应 issue #187）：早期版本的示例改写会「顺手」编造月份、地名等细节让文字显得具体，这在事实性文本里是不可接受的。当前版本里，具体性只能来自原文或作者。
第二条是误伤防护。SKILL.md 用整节列出「不该标记的东西」：语法完美不等于 AI；学术词汇不该被简化（模式 7 列的是具体的高频词，不是所有正式词）；弯引号单独出现不算特征，因为 macOS、Word 和大多数 CMS 默认就会自动变弯引号；破折号单独出现也不算，很多编辑和记者正常使用它，只有和推销式节奏同时出现才作为证据；单个短句强调不算，连续多个才算。这一节的存在说明作者处理过大量误报案例——检测规则越细，误伤正常写作的概率越高，白名单是必需品。
另一个实用功能是 voice calibration（声线校准）：用户可以先贴 2 到 3 段自己写的文字，技能会分析句长节奏、用词习惯和标点偏好，改写时向这个声线靠拢，而不是输出一个通用的「干净版本」。用户写作样本的优先级高于模式清单本身——如果样本里大量使用破折号，改写结果会保留破折号。
流程上还有一个双重检查机制：第一轮改写完成后，技能会做一次「是否仍明显是 AI 生成」的审计，再执行第二轮改写。这个设计在 v2.2.0 加入。
为什么是一个「反 AI」工具在 AI 工具榜上爆发
Humanizer 的走红有两个背景。
第一个是检测端。维基百科设立 WikiProject AI Cleanup 的原因是大批 LLM 生成条目未经人工审核就进入词条，速删标准里专门加了 G15 条目（LLM 生成页面）。编辑社区在与 AI 文本的日常对抗中沉淀出了这份特征清单，它是一部「读者如何识别机器文字」的经验数据库。Humanizer 把防御方的知识库反转成了进攻方的修正工具。
第二个是使用端。Agent 写作渗入日常工作流之后，初稿产出成本趋近于零，但「读起来像人写的」变成了稀缺属性。 LinkedIn、公众号、小红书上的高密度 AI 味文本让读者产生了疲劳和鉴别能力，平台侧也在对模板化内容降权。文字的「人的部分」现在是编辑环节要处理的成本，Humanizer 做的就是这个编辑环节的自动化。
值得读它源文件的人会注意到一个反差：这个用来清除 AI 腔的工具，自身的 SKILL.md 在 v2.11.0 里做过一次「Plain Language 改造」，把全文改写成短句、常用词、主动语态，瘦身约 750 词。一个教授机器「怎么不像机器」的提示词，本身也要先用人工标准重写一遍。这大概解释了为什么单贡献者的 30KB 文本能持续吸引每天上千个 star：它的每一条规则都能被使用者直接验证——拿自己的文本试一次，对照 before/after，立刻知道有没有用。
安装与调用速查
# 全局安装（跨项目可用）
npx skills add blader/humanizer --global
# 更新
npx skills update humanizer --global
# Claude Code 插件方式
/plugin marketplace add blader/humanizer
/plugin install humanizer@humanizer调用形态：
/humanizer
[粘贴要改写的文本]
# 带声线校准
/humanizer
Here's a sample of my writing for voice matching:
[贴 2-3 段自己的文字]
Now humanize this text:
[贴 AI 文本]
# 指向文件原位改写
Humanize the prose in docs/launch-post.md对维护内容网站的人，它更实际的用法是把模式清单当作自查表：35 条模式里大半不需要工具也能人工对照，比如检查自己的稿子里有多少否定转折式并列句、多少格言式收尾、多少以 -ing 从句缀在事实后面的浅层分析。这个清单本身已经是一份公开的「AI 腔诊断标准」。
仓库地址：https://github.com/blader/humanizer ，MIT 协议。规则来源：Wikipedia「Signs of AI writing」，由 WikiProject AI Cleanup 维护。
资料来源：blader/humanizer 仓库 README 与 SKILL.md（v2.11.2）、GitHub Releases（v2.11.0/v2.11.1）、skills.sh 收录页、GitHub Trending