一天新增 748 星，Humanizer 把 AI 写作习惯拆成了 25 条检查

北京时间 9 月 7 日清晨，blader/humanizer 在 GitHub Trending Today 显示新增 748 stars。同一时点，GitHub API 的累计数为 44,141★。748 是 Trending 页面当前窗口展示的增长信号，44,141 才是累计 star，不能混成“单日总星数”。

更重要的是，这一轮热度恰好撞上了一个明确的更新：维护者在北京时间清晨发布 Humanizer v3.0.0，把原先 35 条“AI 写作痕迹”重新编排为 25 条，并重写了它们背后的判断逻辑。我会利用这个更新，看看它到底在改什么，以及哪些地方不能交给它替你判断。

先不是“检测器”

Humanizer 是一个 Markdown Skill。它接受一段文字或文件路径，找出看起来像模型默认续写的表达，再改写成更具体、更像某个作者会写出的版本。它支持用 npx skills add blader/humanizer --global 安装，也可以作为 Claude Code 插件使用；完整的用法与规则都放在仓库根目录的 SKILL.md。

但它并不宣称能判断一段文字“是不是 AI 写的”。这一区分很关键。v3 的解释是：语言模型倾向于选择能适配最广泛读者和题目的下一个词，而人会为具体的读者、目的和事实取舍。它的工作因此不是给文本打真假分，而是检查文本是否留下了过于通用的默认选择。

这也决定了它比较适合哪一类工作：已经有事实、观点和资料的初稿，需要压缩表达、清掉套话、保留作者声音。它不该被当作把空白大纲变成可信文章的工具。

25 条规则怎么分

v3.0.0 将规则分成五组，而不是给出一份长长的禁词清单：

• 铺垫替代陈述：例如“不是 X，而是 Y”、没有新增信息的段尾短句、先制造悬念再说重点。
• 按规则排出来的节奏：强行凑三个并列项、句子反复以同一个结构开头、每一句都靠破折号连接。
• 把普通事实说得过大：空泛的“重要性”、销售式形容词、只说“专家认为”却没有可核查来源。
• 排版惯性：装饰性加粗、装饰性标题、为了显得正式而堆格式。
• 聊天与草稿残留：诸如“希望这有帮助”、无根据的知识边界免责声明、标题后又复述标题、讲上一稿而不讲当前内容。

这个分类比“去掉 AI 味”更可用，因为它让编辑动作和风险对应起来。比如“借来的权威”可以直接删掉或补来源；而被列为 weak alone 的破折号、被动语态和限定词，单独出现时不应触发重写。原始规则明确要求保留姓名、数字、日期、引文和链接，缺少细节时应追问，不能为了顺滑而编造。

这次更新为什么会被看见

这一轮不是只有一个榜单数字。GitHub API 显示仓库在 2026 年 1 月创建，截至观察时已有 44,141★、3,674 forks；9 月 6 日连续合入多项整理规则的改动，并在 20:26 UTC 发布 v3.0.0。发布说明把核心变化说得很具体：35 条规则压缩为 25 条，移除了原项目后来不再视作可靠特征的“假范围”和“同义词轮换”，新增“模糊关联”，并将规则按强度与频率排序。发布页 与 提交记录 都能复查这条时间线。

这解释了为什么它会再次出现在 Trending：不是一个模糊的“AI 写作很热”，而是一个已有大量使用者的 Skill 刚刚重新定义了自己的检查范围。它也给了读者一个更实际的问题：与其要求模型“像人一样写”，不如先问每句话是不是给读者带来了新事实、明确关系或必要判断。

安装前，先保留你的判断

我会把它用于技术文章的最后一轮语言检查，尤其是删掉无来源的强调、重复小标题和从聊天回复里带出来的客套话。但有三件事仍然要自己审：

• 事实是否仍在：改写可能改变限定条件、时序或因果，特别是数字、排名和引用附近的句子。
• 风格是否真的属于你：README 允许传入 2 到 3 段样稿来匹配节奏，但样稿本身若很平，就只会得到更平的文字。
• 规则是否适配中文：Humanizer 的模式与示例主要是英文写作。中文的引号、断句和修辞有不同习惯，不能机械搬用英文的破折号或句式建议。

它最有价值的地方不在于让每篇稿子看起来一样“自然”，而在于把“为什么这句话显得像默认答案”拆成可讨论、可拒绝的具体问题。最终需要保留什么，还是得由知道读者和材料的人决定。

• 仓库：github.com/blader/humanizer