Humanize Chinese
中文 AI 文本去痕迹 + Claude 水印检查 — 六段式改写;零宽字符、同形字清干净,SynthID 采样水印只量残留、不声称能删。纯 Python 本地跑,零 LLM 零 API Key。Chinese AI-text humanizer & Claude / SynthID watermark inspector, fully…
Install
npx skills add https://github.com/swaylq/humanize-chinese.gitclaude mcp add humanize-chinese -- npx skills add https://github.com/swaylq/humanize-chinese.git{
"mcpServers": {
"humanize-chinese": {
"command": "npx",
"args": [
"skills",
"add",
"https://github.com/swaylq/humanize-chinese.git"
]
}
}
}Install command taken from the project's README or registry entry. Always review code before running it.
README excerpt
Read full README on GitHub →🔧 中文 AI 文本去痕迹工具 
免费、本地运行、零依赖、零 LLM,六段式改写。检测 + 改写一步到位。
30 秒看效果
同一个模型(Claude Opus 5),同一个题目,唯一区别是装没装本 skill。 题目:写一段关于「短视频信息茧房效应」的学术论文正文。
没用 skill,直接写 🔴 82/100 VERY HIGH:
短视频平台以用户行为数据为基础构建的个性化推荐机制,在提升内容分发效率的同时,也在无形中重塑了用户的信息接触结构。协同过滤与深度学习模型通过对完播率、点赞、评论、重复观看等隐性反馈的持续采集,不断收敛用户的兴趣画像,并据此推送同质化内容。这一过程形成了典型的正反馈回路:用户的偶发性偏好被算法识别为稳定兴趣,进而获得更高权重的曝光,用户在持续互动中进一步强化该偏好,最终导致信息视野的自我封闭,即桑斯坦所称的"信息茧房"。
与传统媒介环境相比,短视频场域中的茧房效应具有三个特征。其一,沉浸式的竖屏交互与无限下拉设计削弱了用户的主动检索意愿,使信息获取由"寻找"转向"接受",选择性接触从主观行为演变为算法代理行为。其二,内容颗粒度的碎片化压缩了论证与语境的空间,情绪化、结论化表达更易获得算法青睐,从而加剧观点极化。其三,平台的商业逻辑要求最大化用户停留时长,这与信息多样性目标存在结构性张力。
然而,既有研究对茧房效应的强度尚存争议。部分实证研究表明,用户跨平台使用、社交关系推荐及热点内容的普遍分发在一定程度上抵消了同质化倾向,"茧房"更可能表现为程度不一的偏好收窄而非完全封闭。因此,后续研究应超越二元判断,转向对茧房形成条件、边界与个体差异的精细化考察,并探索在推荐系统中嵌入多样性约束与可解释机制的可行路径。
用了 skill,四段跑完 🟢 19/100 LOW(降 63 分):
既有研究对算法推荐与信息茧房的关系,并没有给出方向明确的结论。桑斯坦提出信息茧房概念时针对的是用户主动筛选,而短视频平台上用户是被动接收系统推送,两者的形成机制并不相同。这一区别常在讨论中被忽略。
窄化究竟发生在哪一层?多数实证研究以内容类别为观测单位,得出的结论是用户接触的品类确实在收缩;但也有研究发现,同一品类内部的观点分布反而更分散,原因是平台为维持停留时长而主动注入异质内容。两类结果指向的并非同一个现象。
本文倾向于认为,现有争论有相当一部分源自测量层级的不一致。类别层面的收缩与立场层面的收缩被混用为同一个指标,跨研究的结论自然难以对齐。此外,多数研究依赖平台外部的自陈数据,无法观察推荐队列的实际构成,这使得因果方向难以厘清——是算法塑造了偏好,还是偏好被算法记录并放大,目前的数据结构无法回答。
本文的分析同样受此限制。后续讨论仅在类别层面展开,不对用户立场的变化作推断。
六段 = ① 按写作指南生成 → ② 按清单复查改写 → ③ ./humanize replace 词表收尾 → ④ Claude 腔转平实中文(助手腔重的稿子走这段,规则来自 gvzdv/claudish-to-english,已本地化)→ ⑤ 去水印(./humanize watermark,对照 guillaumemeyer/watermarks-remover)→ ⑥ 纠错顺句(修错词、病句、标点,拗口处轻手顺一顺)。
装了 skill 的 agent 自己完成 ①②④⑥,③⑤ 离线运行 —— 全程零注册、零付费、零联网、零 API Key。中文主线是 ①②③⑥;稿子带 Claude 助手腔就加上 ④,⑤ 需要时随时跑。
更多样本(通用 / 小红书 / 长篇博客,同一测法)见下方「改写前后对比」。
改写前后对比
和 hero 同一个测法:同一个模型(Claude Opus 5)、同一个题目,唯一区别是装没装本 skill。 文体不同,裸写的起点分也不同 —— 2026 年的模型写小红书、写博客本来就比写论文像人。 每个文体挑的是裸写 AI 味相对明显的题目;起点低的文体降幅自然小,分数如实展示。
💬 通用科普(72 → 38,降 34 分)
题目:疫苗为什么需要打加强针
没用 skill,Opus 5 直接写 🟠 72分:
打疫苗时,医生常会提醒:"以后还要打加强针。"所谓加强针,就是在完成基础免疫程序一段时间后,再补打一剂或几剂同类疫苗,目的是把已经减弱的保护力重新提上来。
为什么需要它?原因主要有三个。第一,免疫力会随时间衰减。疫苗的作用是训练免疫系统识别病原体,接种后体内会产生抗体和记忆细胞。但抗体的数量并不会一直维持在高位,几个月到几年后可能明显下降,保护效果随之打折。第二,基础免疫未必对每个人都足够。老年人、慢性病患者和免疫功能较弱的人,首次接种后产生的免疫应答本来就偏低,需要额外一剂来"补课"。第三,病原体会变异。当流行的病毒株与原始疫苗针对的毒株差异较大时,加强针(尤其是根据新毒株更新过的疫苗)能拓宽和提升免疫识别范围。
加强针的效果并非简单地"再来一次"。它相当于对免疫系统的二次或三次提醒,能唤醒记忆细胞,让抗体水平在短时间内快速回升,而且亲和力更强、持续时间往往更长。
从个人角度看,及时接种加强针可以显著降低感染后发展为重症和死亡的风险;从社会角度看,越多人保持有效免疫,病毒传播链就越难维持,医疗资源被挤占的压力也越小。因此,按照当地卫生部门推荐的时间和对象及时补种,是一件成本很低、收益很高的事。
用了 skill,四段跑完 🟡 38分:
Similar plugs
Makes your AI agent think like the laziest senior dev in the room. The best code is the code you never wrote.
Turn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable knowledge graph. A /graphify skill for Claude Code, Cursor, Codex, and Gemini CLI: local…
Why use many token when few token do trick. Viral skill + proxy for coding agents that cuts 65% of tokens by talking like a caveman.
Production-grade engineering skills for AI coding agents.
The 1st Collaborative AI Design Agent Workspace. Local-first and open source. Create prototypes, websites, apps, dashboards, presentations, images, and videos with your team…