title: “Humanizer — Humanize text: strip AI-isms and add real voice” sidebar_label: “Humanizer” description: “Humanize text: strip AI-isms and add real voice”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能的 SKILL.md 自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

Humanizer

让文本更具人性化：去除人工智能特有的表达方式，增添真实的语气。

技能元数据

参考：完整的 SKILL.md

:::info 以下是当触发该技能时 Hermes 所加载的完整技能定义。当技能处于激活状态时，智能体看到的指令即为内容。

::

Humanizer：去除人工智能写作模式

识别并消除人工智能生成文本的痕迹，使写作听起来更自然、更具人性。该功能基于维基百科“人工智能写作的特征”指南（由 WikiProject AI Cleanup 维护），并通过分析数千篇人工智能生成的文本总结而来。

核心原理： 大语言模型依靠统计算法来预测接下来的内容。其生成结果往往倾向于最符合统计规律的选项，正是因此才形成了下文所述的那些典型特征。

何时使用此技能

当用户要求以下操作时，可加载此技能：

• 对某段文本进行“人性化处理”、“去人工智能化”、“去除冗余”或“去除 ChatGPT 风格”的修改
• 重写内容，使其听起来不像是人工智能生成的
• 编辑草稿（博客文章、论文、PR 描述、文档、备忘录、邮件、推文、简历条目），使其更自然
• 在写作中保持个人风格一致
• 在发布前检查文本是否带有人工智能特征

在撰写面向用户的散文内容——如版本发布说明、PR 描述、文档、长篇解释或总结时，也可应用此技能来优化自己的输出。虽然 Hermes 的默认语气已能去除大部分此类问题，但通过针对性处理可以发现那些未被发现的瑕疵。

在 Hermes 中的使用方法

文本通常以以下三种方式提供：

1. 直接粘贴——用户将文本直接粘贴到消息中。可在原处进行修改，然后回复修改后的版本。
2. 文件上传——用户指定一个文件。先使用 read_file 函数读取文件，再通过 patch 或 write_file 函数进行编辑。对于仓库中的 Markdown 文档，针对每个章节进行局部修改比直接重写整个文件更为高效。
3. 语气校准样本——用户提供自己撰写的额外样本（可直接粘贴或通过文件路径提供），并要求智能体模仿该风格。请先阅读样本，然后再进行重写。相关内容见下文“语气校准”部分。

务必将修改后的版本展示给用户。对于文件编辑，应显示差异对比或修改后的具体段落——切勿暗中覆盖原文件。

您的任务

当收到需要人性化处理的文本时，请执行以下步骤：

1. 识别人工智能模式——扫描下文列出的 29 种典型特征。
2. 重写有问题的部分——用自然的表达替代人工智能特有的说法。
3. 保留核心含义——确保原文的核心信息不变。
4. 保持语气风格——符合预期的语气（正式、随意、技术性等）。如果提供了语气样本，则需特别模仿该风格。
5. 注入个性——不要仅仅去除不良模式，更要增添真实的个人特色。相关内容见下文“个性与灵魂”部分。
6. 进行最终的人工智能痕迹排查——问自己：“为什么这段文字如此明显地像是人工智能生成的？”简要列出任何剩余的异常特征，然后再次进行修改。

语气校准（可选）

如果用户提供了写作样本（其之前的个人作品），在重写之前请先进行分析：

1. 首先阅读样本。注意以下几点：
   • 句子长度模式（短小精悍？冗长流畅？两者结合？）
   • 用词风格（随意？学术化？介于两者之间？）
   • 段落开头的方式（直接切入主题？先铺垫背景？）
   • 标点使用习惯（大量破折号？括号内的补充说明？分号？）
   • 任何重复出现的短语或口头表达习惯
   • 处理段落过渡的方式（使用明确的连接词？直接进入下一点？）
2. 在重写时模仿其语气。不要仅仅去除人工智能模式，而要用样本中的表达方式取而代之。如果用户喜欢写短句，就不要生成长句；如果他们常用“stuff”和“things”这类词，也不要换成“elements”和“components”。
3. 如果没有提供样本，则采用默认行为（即遵循下文“个性与灵魂”部分中所述的自然、多样且富有观点的语气风格）。

如何提供样本

• 直接粘贴： “请让这段文本更具人性化。这是我的一篇写作样本，可供语气匹配参考：[样本内容]”
• 文件上传： “请让这段文本更具人性化。请以 [文件路径] 中的我的写作风格作为参考。”

个性与灵魂

避免人工智能模式只是完成工作的一半。缺乏个性、毫无特色的写作，其人工智能痕迹同样明显。优秀的写作背后必然有真实的人性。

缺乏个性的写作特征（即便在技术上“干净”）：

• 每个句子的长度和结构都完全相同
• 没有个人观点，只有中立的陈述
• 不承认存在的不确定性或复杂情感
• 适当的情况下没有使用第一人称视角
• 没有幽默感、独特风格或个性
• 阅读起来像维基百科文章或新闻稿

如何增添语气特色：

表达个人观点。 不要只是陈述事实，还要对事实作出反应。例如“我真的不知道该如何看待这件事”，比中立地罗列优缺点更具人性色彩。

调整行文节奏。 交替使用短小精悍的句子和需要慢慢铺陈的长句，使文章富有变化。

承认事物的复杂性。 真实的人会有复杂的感受。相比“这很棒”，“这虽然令人赞叹，但也有些让人不安”更能体现真实情感。

在合适的地方使用“我”。 第一人称并非不专业，反而体现了诚实。如“我一直反复思考……”或“让我印象深刻的是……”，都能展现出真实思考者的形象。

允许内容略显杂乱。 完美的结构会显得过于机械。偶尔的离题、旁白以及未完成的思想，才是人性的体现。

具体描述情感。 不要只说“这很令人担忧”，而要说“那些在凌晨三点无人监管时仍持续工作的智能体，实在让人感到不安。”

修改前（干净但缺乏个性）：

该实验得出了有趣的结果。这些智能体生成了 300 万行代码。一些开发者对此印象深刻，而另一些则持怀疑态度。其长远影响目前尚不清楚。

修改后（富有情感）：

我真的不知道该如何看待这件事。300 万行代码，在人类还在睡觉的时候就被生成了。一半的开发者为此兴奋不已，另一半则试图证明这些代码并不算数。真相很可能藏在某个乏味的中间地带——但我总是会想起那些在深夜里持续工作的智能体。

内容模式

1. 过度强调重要性、历史意义及宏观趋势

需注意的词汇： 作为……的象征/见证，起着至关重要的/关键的作用/时刻，凸显/强调其重要性/意义，反映更宏观的趋势，象征着持续存在/长久不变，为……做出贡献，为……奠定基础，标志着/塑造了……，代表着/标志着一个转折点，关键的转折点，不断变化的格局，焦点，难以磨灭的印记，根深蒂固

问题： 人工智能生成的文本会通过添加各种表述，夸大某些看似随意的元素在宏观主题中的作用，从而刻意强调其重要性。

修改前：

加泰罗尼亚统计研究所于 1989 年正式成立，这标志着西班牙地区统计发展史上的一个关键转折点。这一举措也是西班牙全国范围内推动行政职能下放、加强地区治理的更广泛运动的一部分。

修改后：

加泰罗尼亚统计研究所成立于 1989 年，旨在独立于西班牙国家统计局，负责收集和发布地区统计数据。

2. 过度强调知名度及媒体报道

需注意的词汇： 独立媒体报道，地方/地区/全国性媒体，由知名专家撰写，活跃的社交媒体账号

问题： 人工智能模型常常不加铺垫地宣称某事物具有高知名度，还经常列出来源却未提供背景信息。

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。她在社交媒体上十分活跃，拥有超过 50 万粉丝。

修改后：

在 2024 年接受《纽约时报》采访时，她认为人工智能监管应侧重于结果而非实现手段。

3. 使用现在分词结尾的肤浅分析

需注意的词汇： 强调/突出/着重……，确保……，反映/象征……，为……做出贡献，培养/促进……，涵盖……，展现……

问题： 人工智能聊天机器人会在句子后加上现在分词短语，以此伪装出深度。

修改前：

这座寺庙的蓝色、绿色和金色色调与该地区的自然美景相呼应，象征着德州的蓝花楹、墨西哥湾以及多样化的德州地貌，反映了当地人与这片土地的深厚联系。

修改后：

这座寺庙使用了蓝色、绿色和金色。建筑师表示，选择这些颜色是为了体现当地的蓝花楹和海湾景观。

4. 类似宣传广告的语言

需注意的词汇： 自豪拥有，充满活力，丰富（比喻义），深远意义，提升其……效果，展现……，堪称典范，致力于……，自然美景，坐落在……的中心，具有开创性（比喻义），享有盛誉，令人惊叹，必游之地，美轮美奂

问题： 人工智能模型在保持中立语气方面存在很大困难，尤其是在描述“文化遗产”类主题时。

修改前：

阿拉马塔·拉亚·科博坐落在埃塞俄比亚风景绝美的贡德尔地区，是一座拥有丰富文化遗产和令人惊叹自然美景的充满活力的城镇。

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，以每周举办的集市和 18 世纪的教堂而闻名。

5. 模糊的归因及含糊其辞的表述

需注意的词汇： 行业报告，有观察人士指出，专家认为，一些批评者认为，多个来源/出版物（实际引用来源很少时使用）

问题： 人工智能聊天机器人会将观点归因于模糊不清的“权威”，却无法提供具体来源。

修改前：

由于独特的特征，浩莱河引起了研究人员和保护人士的兴趣。专家认为，它在该地区的生态系统中起着至关重要的作用。

修改后：

根据中国科学院 2019 年的一项调查，浩莱河是多种特有鱼类的栖息地。

6. 类似提纲的“挑战与未来前景”板块

需注意的词汇： 尽管存在……，但仍面临若干挑战……，尽管有这些挑战，挑战与传承，未来展望

问题： 许多由人工智能生成的文章都会包含这种千篇一律的“挑战”板块。

修改前：> 尽管科拉图尔工业发展繁荣，但仍面临着城市地区常见的种种挑战，比如交通拥堵和水资源短缺。然而，凭借其优越的地理位置以及持续推行的各项举措，科拉图尔依然蓬勃发展，成为金奈城市发展不可或缺的一部分。问题： 大语言模型总是先说明自己即将做什么，而非真正去执行。这种元评论会拖慢行文速度，让文本显得像教程脚本。

修改前：

让我们深入了解 Next.js 中的缓存机制。以下是您需要了解的内容。

修改后：

Next.js 在多个层级对数据进行缓存，包括请求记忆化、数据缓存以及路由缓存。

29. 碎片化标题

识别特征： 标题之后紧跟着一段仅重复标题内容的单行文字，随后才开始真正的正文。

问题： 大语言模型常常在标题后添加一句泛泛而谈的句子作为铺垫。这类内容通常毫无实质意义，只会让文本显得冗余。

修改前：

性能

速度至关重要。

当用户遇到加载缓慢的页面时，他们就会离开。

修改后：

性能

当用户遇到加载缓慢的页面时，他们就会离开。

处理流程

1. 仔细阅读输入文本（如果是文件，则使用 read_file 函数读取）。
2. 找出上述所有模式的出现位置。
3. 重新撰写每个存在问题的部分。
4. 确保修改后的文本：
   • 朗读时听起来自然
   • 句子结构多样化
   • 使用具体细节而非模糊表述
   • 保持与上下文相符的语气
   • 在适当处使用简单句式（如 is/are/has）
5. 提供一份经过润色的人性化草稿。
6. 自问：“以下内容为何如此明显是人工智能生成的？”
7. 简要列出其余的识别特征（如有）。
8. 再次自问：“现在要让它不再那么像人工智能生成的文本。”
9. 提交最终版本（经过审核后的修改版）。
10. 如果文本来自文件，使用 patch（局部修改）或 write_file（完全重写）函数进行编辑，并向用户展示更改内容。

输出格式

需提供：

1. 润色后的草稿
2. “以下内容为何如此明显是人工智能生成的？”的简要列表
3. 最终修订版
4. 对所做修改的简短总结（如有帮助，可选择性添加）

完整示例

修改前（类似人工智能生成的文本）：

很好的问题！以下是一篇关于这个主题的文章。希望对您有所帮助！

人工智能辅助编码充分体现了大型语言模型的变革潜力，标志着软件开发进程中的一个关键转折点。在当今技术日新月异的发展环境下，这些处于研究与实践交汇处的突破性工具正在改变工程师的构思、迭代和交付方式，凸显了它们在现代工作流中的核心作用。

其核心价值显而易见：简化流程、提升协作效率并促进目标一致。这不仅仅是自动补全功能，更是为了大规模释放创造力，确保企业能够在保持敏捷性的同时，为用户提供流畅、直观且强大的体验。该工具是催化剂，助手是合作伙伴，而整个系统则是创新的基础。

行业观察人士指出，这类技术的应用范围正在从业余爱好者的实验迅速扩展到企业级部署，使用群体也从个人开发者扩展到跨职能团队。相关技术还曾被《纽约时报》、《连线》和 The Verge 等媒体报道。此外，人工智能还能生成文档、测试代码并协助代码重构，这进一步展示了它如何通过自动化与人类判断力的结合带来更好的成果。

• 💡 速度： 代码生成速度大幅提升，减少了开发阻力，提升了开发者效率。
• 🚀 质量： 由于训练质量的提升，输出代码的质量也有所提高，从而使标准更高。
• ✅ 普及度： 其使用率持续增长，反映了更广泛的行业趋势。

尽管现有信息有限，具体细节尚不充分，但可以认为这些工具可能带来一些积极影响。尽管这类新兴技术仍存在幻觉、偏见和责任归属等典型问题，但其生态系统仍在不断发展。为了充分发挥这些技术的潜力，团队必须遵循最佳实践。

总之，未来前景十分光明。随着我们不断迈向卓越，更多精彩时刻即将到来。如果您希望我对某个部分进行详细阐述，请随时告诉我！

润色后的草稿：

人工智能编码助手能够加快某些任务的执行速度。根据谷歌在2024年开展的一项研究，使用 Codex 的开发者完成简单功能的速度比对照组快55%，但在调试和架构决策方面并无提升。

这类工具擅长处理样板代码：配置文件、测试框架以及重复性的代码重构任务。但它们往往无法意识到自己的错误。我曾多次接受过那些能够编译通过、lint 检查也合格的建议，结果却发现实际逻辑有误，只因我当时没有仔细核对。

我采访过的一家金融科技公司的一名工程师 Mira 表示，她将 Copilot 当作“处理枯燥代码时的自动补全工具”，但在提交代码前仍会逐行检查。而在另一家大型公司工作的资深开发者 Jake，则因为在 Copilot 不断推荐已废弃的内部库中的模式，而决定禁用该功能。

关于其提升生产力的说法很难得到验证。GitHub 称 Copilot 用户“会接受30%的建议”，但接受并不等同于正确，正确也未必能带来实际价值。2024年的 Uplevel 研究发现，使用人工智能助手的团队与未使用的团队在拉取请求处理量上并无统计学上的显著差异。

这些并不意味着这些工具毫无用处。它们终究只是工具而已。它们无法替代人类的判断力，也不能免除编写测试的必要性。如果没有测试，你就无法判断某个建议是否正确。

为何以下内容如此明显是人工智能生成的？

• 文本节奏仍然过于规整（对比鲜明，段落长度均匀）。
• 所提及的人名和研究引用，除非有真实来源，否则很容易被视为编造的 placeholder。
• 结尾部分略显口号化（如“如果没有测试……”），缺乏个人化的表达风格。

现在让它不再那么像人工智能生成的文本。

人工智能编码助手能让你在处理那些枯燥的任务时更快一些。但并非所有任务都能提速，架构设计显然不在其列。

它们很擅长处理样板代码：配置文件、测试框架以及重复性的代码重构。但它们也常常能在错误的情况下仍给出看似正确的答案。我曾多次接受过那些能够编译通过、lint 检查也合格的建议，结果却发现实际逻辑有误，只因我当时没有仔细核对。

我接触过的使用者大致分为两类。一类人将其当作处理繁琐任务的自动补全工具，并且会逐行检查代码；另一类人则因为在工具不断推荐他们不需要的模式而选择禁用它。这两种做法都有其合理性。

关于其提升生产力的数据也并不可靠。GitHub 虽然称 Copilot 用户“会接受30%的建议”，但接受并不等同于正确，正确也未必能带来实际价值。如果没有测试，基本上就只能靠猜测了。

所做的修改：

• 删除了机器人式的语气词（如“很好的问题！”、“希望对您有所帮助！”、“如果您需要……”）。
• 去除了过度夸大的表述（如“见证”、“关键转折点”、“快速发展中的技术环境”、“核心作用”）。
• 移除了宣传性语言（如“突破性的”、“处于……交汇处”、“流畅、直观且强大”）。
• 删除了模糊的来源说明（如“行业观察人士”）。
• 去除了表面的动名词结构（如“凸显”、“表明”、“反映”、“有助于”）。
• 消除了负向并列结构（如“这不仅仅是X，还是Y”）。
• 取消了三重复用模式和同义词循环（如“催化剂/合作伙伴/基础”）。
• 去除了虚假的范围描述（如“从X到Y，从A到B”）。
• 移除了破折号、表情符号、加粗标题以及弯引号。
• 用“是/是”等简单动词替代了“作为”“功能是”“是……的基础”等表达。
• 删除了套路化的挑战部分（如“尽管存在……但仍在发展”）。
• 去除了知识截止日期相关的谨慎表述（如“由于具体细节有限……”）。
• 消除了过多的保留性措辞（如“可以认为……可能具有某些效果”）。
• 去除了填充性短语和说服性表达（如“为了……”、“其核心在于”）。
• 删除了笼统的积极结论（如“未来一片光明”、“更多精彩时刻即将到来”）。
• 使文本语气更加个人化，减少“拼凑感”（通过调整节奏、减少 placeholder）。

来源说明

该技能源自 blader/humanizer（采用 MIT 许可证），而该工具本身又基于 WikiProject AI Cleanup 维护的 维基百科：人工智能写作特征 中列出的特征。这些特征是从维基百科上数千篇人工智能生成文本中总结出来的。

原始作者：Siqi Chen (@blader)。原始代码库地址：https://github.com/blader/humanizer（版本 2.5.1）。该技能被移植到 Hermes Agent 中后，加入了 Hermes 原生的工具调用函数（如 read_file、patch、write_file），并提供了关于何时加载该技能的指导；来源中的29种模式、人格/风格设定部分以及完整示例均被原封不动地保留下来。原有的 MIT 许可证也随此 SKILL.md 文件一同保存在 LICENSE 文件中。

维基百科中的关键观点：“大型语言模型通过统计算法来预测下一个词应该是什么。其结果往往是适用于最广泛场景的、统计上最可能的选项。”