Humanizer：一个让 AI 写作闭嘴的 Skill

你读一篇文章，没看完第一段就知道这是 AI 写的。不是因为你厉害，而是那种味道太熟悉了。每个句子都差不多长，每段结尾都要总结一下，形容词堆得跟不要钱似的。最要命的是那种”中立但空洞”的语调，像新闻稿和维基百科生了个孩子。

这种”AI 味”几乎成了内容创作的默认皮肤。你在公众号刷到一篇，开头就是”随着 AI 技术的快速发展”；你在知乎看到一篇，”值得注意的是”后面跟着三段完全等长的分析。读多了，人会下意识产生免疫反应——眼睛扫过去，脑子已经在划走了。

问题出在哪？不是 AI 不会写，而是它太会写了。太工整、太中立、太想表现得”全面”。人类不这么写东西。人类写东西有偏好、有盲区、会跑题、会激动、会在第二段突然想到什么就插一句进去。这个差距，就是 Humanizer 要解决的事。

说穿了，这篇文章不打算跟你讲太多概念。我就是把这个 Skill 拆了一遍，它的 24 种检测规则、5 类工作流程、还有那个”注入灵魂”的设计哲学。看完你应该能判断这东西值不值得装进你的写作工作流，以及它到底能解决什么、解决不了什么。

环境准备

Humanizer 跑在 OpenClaw 平台上，由用户 biostartechnology 发布在 ClawHub。当前版本 v1.0.0，MIT-0 许可证，完全免费。118000 次下载，647 个星标，安全审计已通过。

安装不需要什么复杂配置。前提是你已经有 OpenClaw 环境，然后一条命令就搞定：

openclaw skills install humanizer

这跟装 npm 包一样简单。执行完之后，Skill 会被注册到你的 OpenClaw 工作区，Agent 可以随时调用它来处理文本。不需要 API Key，不需要额外账号，不需要设置什么环境变量。

装完怎么确认它生效了？打开 OpenClaw，随便丢一段 AI 味明显的文本给 Agent，让它用 Humanizer 处理一下。如果能吐出改写后的版本和一份修改总结，就说明安装没问题。这个 Skill 是纯指令驱动的，没有任何外部依赖，所以安装失败的概率很低。唯一可能的坑是 OpenClaw 版本太旧导致 Skill 加载失败，升到最新版就行。

操作流程

Humanizer 的用法比你想象的要简单。不是那种”先配置、再训练、再调整参数”的工具链，它就是一个指令驱动的文本编辑器。你把文本丢进去，它吐出来一个去 AI 味的版本，附带一份修改总结。

整个过程可以拆成五个步骤。

• 第一步是识别 AI 模式，Skill 会扫描文本中 24 种 AI 写作特征，从”夸大象征意义”到”过度使用破折号”全覆盖。
• 第二步是重写问题段落，不是整段推翻，而是定向替换那些 AI 痕迹明显的句子。
• 第三步最关键但也最容易出问题：保留原意。改句子不改变核心信息，这听着简单，实际上很多同类工具会在这个环节翻车，把”肺癌早期筛查”改成”某种疾病的早期发现”，信息量直接腰斩。
• 第四步是维持语态。用户可以指定目标语气，正式、随意、技术向都行。这一步的设计意图很明确：不是所有 AI 味都是”坏”的，有些场景下正式语态是必要的。Humanizer 不会一刀切地把所有正式表达都干掉，而是根据目标语气做选择性处理。
• 第五步，也是这个 Skill 最独特的环节，注入灵魂。它不是只做减法，删完 AI 痕迹就完了。它要求改写后的文本有性格、有观点、有节奏。

实际用起来，你会发现它不是那种”选中全文、一键去味”的工具。它更像一个严格的编辑，逐句检查。有些句子它改动很小，就是把”值得注意的是”删了；有些句子它会整个重写，因为从结构上就是 AI 模版的产物。md2wechat 上有一篇用户体验文章说得很贴切：Humanizer 适合做”最后一轮编辑收口”，不能替代写作。

关键设计

Humanizer 不是自己发明了一套 AI 检测标准。它直接引用了维基百科 WikiProject AI Cleanup 的”Signs of AI writing”指南。这是一个由维基百科编辑社群维护的文档，专门帮助志愿者识别和清理 AI 生成的内容。基于这个标准来做 Skill 设计，有两个好处和一个风险。

好处很明显：

• 第一，标准有公信力，不是某个公司自己拍脑袋定的。
• 第二，标准在持续更新，WikiProject 社群的参与保证了它的时效性。

但风险也很实在：

这个标准是为英文维基百科设计的。英文 AI 写作的特征和中文不完全重叠。英文 AI 喜欢用 em dash（—）和弯引号，中文 AI 的问题更多体现在”不仅如此”“从某种程度上说”“值得注意的是”这类句式。

Humanizer-zh 是后来一个社区贡献者做的中文本地化版本，把模式从 24 种扩展到 29 种，加入了”被动语态过度使用””标题后碎片化引导句”等中文特有的检测项。

24 种模式被分成了五个类别：

• 内容模式 6 种，专门抓”夸大重要性”“促销式语言”“模糊归因”这类本质上空洞的东西。
• 语言与语法模式 6 种，盯的是”过度 AI 词汇”“避免系动词”“三段式滥用”这些句法层面的痕迹。
• 风格模式 6 种，管的是破折号密度、粗体使用、标题大小写这种排版和标点习惯。
• 沟通模式 3 种，针对”希望这对你有帮助”“当然可以”这种聊天助手的残留语气。
• 填充与模糊表达 3 种，扫的是”为了能够””在某些情况下”这类不说人话的冗长表达。

这个分类体系的设计本身就有信息量。它说明了一个很多人没意识到的事实：AI 味不只是某些词汇的问题，它是从内容、句法、风格到沟通习惯的全栈污染。你只删掉”首先其次最后”，解决不了根本问题。因为在另一个维度上，你的段落长度还在一模一样地整齐排列，你的语气还在不自觉地讨好读者，你的结论还在空洞地展望未来。

使用场景

Humanizer 最擅长的场景非常具体：你已经写完了一版草稿，结构没问题，事实没问题，逻辑也没问题，但读起来就是一股 AI 味。这种时候用它做定向修改，效果最好。

几个实战场景值得说：

第一个是公众号文章润色。公众号写作最大的痛点是”像模板”，标题叫”XX 工具的全面解析”，开头是”近年来随着 AI 技术”，结尾是”未来可期”。Humanizer 会逐句扫描这 24 种模式，把”近年来”删掉，把”全面解析”改成更具体的表述，把”未来可期”替换成一个实际的判断或者干脆删掉。它不会把整篇文章推翻重写，而是做外科手术式的修改。

第二个场景是学术摘要改写。AI 写的学术摘要有两个标志性特征：一是堆叠”深入探讨”“关键作用”“奠定了坚实基础”，二是缺少具体的实验数据。Humanizer 的处理方式是保留研究框架，但把空洞的判断替换成具体的描述。从官方文档给的示例来看，它会把”本研究深入探讨了机器学习在医疗诊断中的关键作用”改成”本研究分析了机器学习在医疗诊断中的应用，重点是肺癌早期筛查”。信息量完全不在一个量级。

第三个场景是技术博客。技术博客的 AI 味最难去，因为技术写作本身就偏正式，AI 痕迹容易隐藏。Humanizer 在这个场景下最大的价值不是删词，而是加入节奏。技术博客容易陷入”先定义、再分类、再举例”的机械结构，Humanizer 会在不影响技术准确性的前提下打破这种节奏，让行文长短交替、有停顿、有转折。

但边界也很清楚。Humanizer 救不了选题错误、结构散架、事实缺失的文章。它不是写作，是润色。如果你丢给它的是一篇没有核心观点的水文，它改完之后还是一篇没有核心观点的水文，只是不那么像 AI 写的而已。它也不能替代事实核查，改完的句子听起来自然不等于信息准确。

洞察与反思

把这个 Skill 拆完之后，我有几个判断。

第一，”去 AI 味”这个需求本身就是 AI 时代的产物。互联网过去二十年积累了大量人类写作内容，但 AI 的普及速度远超任何人的预期。维基百科甚至在 2025 年成立了一个专门的项目组来清理 AI 生成内容，这个项目组的指南成了 Humanizer 的底层标准。这本身就是一个强烈的信号：AI 内容的渗透速度已经超过了内容治理能力，规则必须跟上。

第二，Humanizer 的设计哲学比它的具体规则更有价值。市面上大多数”AI 文本人性化”工具走的是另一条路：用 AI 改写 AI，本质上是在同一个训练分布里绕圈。Humanizer 不走这条路。它不是用另一个模型去重写，而是给你一套人工可执行的判断标准。这 24 种模式不是黑盒模型参数，是人可以看得懂、学得会、能手动执行的规则。这种透明性本身就构成了差异化。

第三，”注入灵魂”这个设计是非常罕见的方向。绝大多数 AI 写作工具都在做减法，删掉不好的东西。Humanizer 明确要求做加法，给文本注入个性、观点、节奏。从文档的描述来看，这个目标的实现程度取决于用户提供的写作样本质量。如果你不提供自己的写作样本，它只能回退到一个默认的”有观点但无个性”的声音。换句话说，这个功能的上限是你自己的写作水平。它不能凭空造出一个你。

这也引出了这个 Skill 真正的局限。它是一面镜子，你把什么样的文字放进去，它就反射出什么样的水准。如果你的原文没有真正的见解，去完 AI 味之后会发现什么都没有剩下。如果你的原文有洞见但表达方式太”AI”，它会帮你把那些洞见从模版腔里解放出来。

总结

回来说最初那个问题：AI 味到底是什么？拆完 Humanizer 之后我有一个更清晰的答案。它不是某个词、某个句式、某个标点。它是一组特征的共同出现，是内容空洞、句式整齐、态度中立、节奏均匀这四件事同时发生时的整体感受。

Humanizer 做的事情，本质上就是把这四件事一项一项拆开处理。24 种模式覆盖了从内容到标点的全栈扫描，五步流程保证了从删除到注入的完整链路。它不是完美的，中文支持需要借助社区版本，注入灵魂的上限受限于你自己的写作能力，而且它不可能替代写作本身。但作为工作流里最后一道关卡，它的定位足够清晰，规则足够透明，效果足够可验证。

如果你已经有 OpenClaw 环境，花两分钟装一下 Humanizer。找一篇你自己写的、感觉 AI 味最重的草稿丢进去，看看它改了哪些句子、删了哪些词。然后把它的修改总结和你的判断对比一下，那些它没抓到但你依然觉得别扭的地方，就是你下一步要打磨的方向。

FAQ 常见问题

Q: Humanizer 和其他 AI 文本去味工具有什么区别？

A: 核心区别在底层逻辑。大多数工具是”用 AI 改写 AI”，经过降重模型或改写模型做二次处理。Humanizer 是一套基于维基百科社区标准的人工可执行规则，不依赖黑盒模型。这意味着它的修改是可解释的，你能知道它为什么改了某个句子。

Q: 中文支持怎么样？

A: 原版 Humanizer 基于英文 AI 写作特征设计，对中文的覆盖不够完整。社区已有 Humanizer-zh（github.com/Show-Chan97/Humanizer-zh），将模式扩展到 29 种并加入了中文特有检测项，推荐中文用户使用这个版本。

Q: 用 Humanizer 处理过的文本能过 AI 检测器吗？

A: 这个 Skill 的设计目标不是”绕过 AI 检测器”，而是”让文本更像人类写的”。两者有关系但不是一回事。一些专门的 AI 检测器可能仍然会标记改写后的文本，因为检测逻辑和写作质量的评判标准不完全重合。不建议把它当作反检测工具来用。

Q: 安装和使用的成本高吗？

A: 几乎为零。安装只需要一条 CLI 命令，运行时不需要 API 调用或额外付费，Skill 是纯指令驱动的文本处理。唯一的前提是你有 OpenClaw 环境。