humanizer-zh 与中文去 AI 味提示词

"去 AI 味"这件事，这两年已经从写作技巧变成了一条小型工具链：有人做 skill，有人做提示词库，也有人专门写方法论。

有几条底线得写在前面：去 AI 味不等于洗稿，不等于删来源，不等于改数字，也不等于伪造"这是人工一字一句写的"痕迹。 真正有价值的做法，是把模板腔、宣传腔、对称句和空心结尾压掉，同时把事实、术语、数字和出处保住。

这篇主要看四类材料：

• temp/humanizer-zh.md 里的技能定义
• Humanizer-zh 的 GitHub 仓库说明
• Shyft 上的 Humanizer-zh skill 页面
• yao-open-prompts 这类中文提示词库
• 以及一类常见的"去 AI 味提示词文章"，这里用李承坤相关文章作为代表性入口来谈

humanizer-zh 的定位

Humanizer-zh 仓库

GitHub：https://github.com/op7418/Humanizer-zh

从 Humanizer-zh 的仓库说明和 temp/humanizer-zh.md 看，它的定位很明确：这是一个中文版去痕工具，目标是把 AI 生成文本改写得更自然。它承担的是规则化改写技能这一层，不负责模型生成，也不承担检测功能。

从仓库说明和 temp/humanizer-zh.md 里能看出，它盯的不是简单加几个口语词，而是整套写作模式：

• 夸大意义、动不动上升到趋势。
• 广告腔和空泛褒义词。
• 否定式排比。
• 三段式列举上瘾。
• 太像提纲的段落结构。
• AI 高频词，如"此外""至关重要""凸显""赋能"一类。

它把流程拆成两轮：

1. 改词汇和句法，把机械的报告腔松开。
2. 再做模式检测，把残留的 AI 模板句继续清掉。

和很多"一条 prompt 直接洗干净"的做法不同，它更像一份编辑清单。

安装与使用

GitHub：https://github.com/op7418/Humanizer-zh

仓库说明提供了几种安装方式，最省事的是：

npx skills add https://github.com/op7418/Humanizer-zh.git

也支持直接克隆到 skills 目录，或者手动复制 SKILL.md。

从使用方式看，它的定位也很清楚：

• 直接拿来改一段 AI 草稿。
• 处理博客、营销文案、学术摘要、技术文档。
• 按它列出的 24 种常见模式做人工复检。

如果你平时就用 Claude Code 一类支持 skills 的环境，这种做法比"保存一条很长的提示词"更稳定，因为规则可以版本化，也方便团队共享。

Shyft skill 页面补了什么信息

Shyft 上的 Humanizer-zh

官网：https://shyft.ai/skills/humanizer-zh GitHub：https://github.com/op7418/Humanizer-zh

Shyft 这页不是一手源码，但它补了一个外部视角：别人怎么把这个 skill 当成可安装工具来介绍。

页面把它归到写作类 skill，给出的描述偏业务化：

• 提升文本真实性。
• 用于沟通、营销和本地化。
• 支持快速安装。

它还给了一个更短的安装命令：

claude install op7418/Humanizer-zh

这类页面的价值，主要在说明一个事实：去 AI 味这件事，已经被包装成了可分发、可安装、可复用的工作流。

不过也要注意，Shyft 页面里的示例更偏市场文案，真正拿去改技术文档或论文时，仍然要回到 Humanizer-zh 自己那套"保术语、保结构、保事实"的硬约束。

temp/humanizer-zh.md 最值得保留的地方

本地技能定义

文档：temp/humanizer-zh.md

如果只读一个文件，temp/humanizer-zh.md 最值得看。

它最有用的地方，落在三条底线上：

• 不新增事实、数据、案例、引文和实验结论。
• 保留专业术语、逻辑关系、编号结构和关键结论。
• 改结构，再改句子，不要只做表层润色。

这三条把"去 AI 味"和"事实保真"的界线画出来了。

现实里常见的问题，是有人一边说"润色"，一边把：

• 数据改得更好看。
• 语气改得更确定。
• 案例补成了原文没有的东西。
• 把真实来源删掉，只剩一段看起来很顺的人话。

这就不是编辑，是篡改。

李承坤这类提示词文章，价值在哪，问题又在哪

相关文章入口

示例入口：https://zhuanlan.zhihu.com/p/1904977486221117285

用户要求里提到"李承坤相关文章"。这类文章常见写法，是整理一批"去 AI 味指令"或"降 AI 率 prompt"，方便直接复制。

它们的价值主要有两个：

• 帮普通用户快速建立警觉，知道哪些句子一眼像模型写的。
• 提供现成 prompt，让不会自己下指令的人跑起来。

但问题也很明显：

• 很多文章强调"降低检测率"，容易把目标带偏。
• 提示词如果只追求"像人"，常会鼓励乱加口语、乱改结构、乱造细节。
• 复制型 prompt 泛化太强，改营销文案还行，改论文、报告、技术说明就容易出事。

所以这类文章拿来当观察清单更有用，别把它当成唯一依据。真正高风险的文本，还是得回到原始资料逐项校对。

yao-open-prompts 解决的是"提示词组织"问题

yao-open-prompts 仓库

GitHub：https://github.com/yaojingang/yao-open-prompts 网页导航：https://yaojingang.github.io/yao-open-prompts/

yao-open-prompts 不是专门做去 AI 味的仓库，但它很适合作为补充材料看。

项目说明写得很清楚：这是一个中文 AI 提示词库，覆盖工作、学习、内容、营销和生活场景，按场景分类整理。它的价值在于：

• 提示词有目录，不是散乱收藏。
• 会标分类、版本、来源区块。
• 明确把第三方内容和主提示词库分开。

这和"去 AI 味"有什么关系？

关系在于，很多人写不好去 AI 味提示词，是因为没有把提示词当成可维护资产。今天抄一条，明天改一条，过一阵就没人知道哪条在什么场景下可靠。

yao-open-prompts 这种仓库给出的启发是：

• 把提示词分场景。
• 给每条提示词留来源。
• 用版本和分类维护它，而不是靠聊天记录翻找。

如果你要在团队里推广"去 AI 味"工作流，这种仓库式管理比群里发一堆截图靠谱得多。

真正该防的，是"失真"

去 AI 味最容易跑偏的地方，是把"看起来像人"放在"内容仍然是真的"前面。

下面这几条，应该直接写死：

1. 不能删来源

如果原文有引用、链接、访谈对象、实验来源，润色后也该留着。去 AI 味不该把文本洗成一段没有出处的流畅结论。

2. 不能改数字

原文写 48%，你不能因为 50% 更顺口就改成 50%。

原文写"约 30 倍"，你也不能顺手写成"数十倍提升"，除非源头本来就这么说。

3. 不能伪造人工痕迹

有些所谓"去 AI 味技巧"会鼓励故意加错字、加口头禅、加情绪波动、加无关插话，营造"这像真人写的"。这种做法很蠢，也很危险。

真实的人写作，不等于随机变乱。

4. 不能把不确定改成确定

AI 草稿常常话说太满，但去 AI 味时也不能反向走到另一个极端，把"可能""初步""样本有限"全删掉。证据强度要跟原始材料一致。

一个更稳妥的中文去 AI 味流程

把上面的材料合在一起，一条更稳妥的流程大致是这样：

1. 读原文和来源，标出不能动的事实。
2. 用 Humanizer-zh 这类规则工具做第一轮结构和语言清理。
3. 对照 temp/humanizer-zh.md 的模式表做人工复检。
4. 如果要补提示词，优先从自己的仓库或 yao-open-prompts 这类可维护目录里取。
5. 收尾时再做一次"事实保真检查"：来源、数字、术语、结论有没有漂移。

追求的结果是：

• 读起来像正常中文作者在写。
• 该保留的信息一条没丢。
• 该保留的不确定性没有被抹平。

工具选择

如果你要一个可执行的技能，Humanizer-zh 最适合直接上手；如果你想看外部工具市场怎么包装这类能力，可以看 Shyft；如果你需要搭自己的提示词目录和维护体系，可以参考 yao-open-prompts。至于到处搜"去 AI 味神 prompt"，还是会在原地打转。

中文去 AI 味最难的一步，是把句子改顺之后，内容还得是真的。