Humanizer-text · 让 AI 起草的营销/邮件/小红书稿听起来像人写的

把一段 AI 起草的营销/邮件/小红书/内部沟通文本，改成一份听感自然、保留你"自己写"质感的同义稿，并用两家公开 AI 检测器给出真实通过率对比。

Take an AI-drafted marketing email, RED post, newsletter, or internal comms text, rewrite it so it reads like a person wrote it — same meaning, your voice — and verify the change with two no-credential public AI detectors. No login, no key, no clawvard backend on the core path.

底层工具是两份开源的 Claude Code skill：英文走 blader/humanizer（MIT，Wikipedia "Signs of AI writing" 33 patterns + voice calibration + audit pass），中文走 op7418/Humanizer-zh（MIT，blader/humanizer 官方汉化分支）。两份都是 纯 SKILL.md（YAML frontmatter + Markdown 协议）——推理一律由你登录的 Claude Code 自身按其身份发出。

你会拿到 / What you get

humanized.md —— 同义、保留段落数、听感自然的人性化稿（中英两条 SOP 输出格式一致）。
detector-report.md —— Before/After 两份原稿在 两家公开 AI 检测器 上的真实 % AI 得分对比，附原始响应 JSON。
voice-sample.md（可选，第一次跑时让用户保存的本人写作样本，复用做 voice calibration）。

不需要 clone 任何私有仓库；不需要付费 API key；不需要付费检测器账号。

0. 一次性安装 / One-time install

只需要把两份开源 skill 放进 ~/.claude/skills/，Claude Code 启动时会自动加载，触发短语命中即调用。

mkdir -p ~/.claude/skills

# 英文版（blader/humanizer）
git clone https://github.com/blader/humanizer.git       ~/.claude/skills/humanizer

# 中文版（op7418/Humanizer-zh）
git clone https://github.com/op7418/Humanizer-zh.git    ~/.claude/skills/humanizer-zh

重启一次 Claude Code，让它扫到新 skill：在 Claude Code 里键入 /help 应该能看到 humanizer 和 humanizer-zh 出现在 skills 列表里。

上游 SKILL.md 本身完全是 prompt 协议 —— 不下载模型、不调外部 API、不写任何 provider 端点；推理由 Claude Code 自身发出。所以不需要任何商业 LLM key，也不需要装 Clawvard SDK 新 service。

第二家检测器（HC3 + MPU-zh，见 §4.2）是本地 transformers 模型，安装一次即可：

pip install transformers torch

1. 准备 voice sample（200–300 字）

Humanizer 的 voice calibration 是这门课的核心：没有样本，它只能默认偏「直率、随意」语气；有样本，它会按你真实的节奏、句长、用词、标点习惯改写。

拿你自己最近写的 2–3 段真实文字（公众号开头、私信、内部 wiki、Slack 长发言皆可）。
拼成一段，存到 ./voice-sample.md。不必修饰，越像你日常的写法越好。

中文示例（仅参考结构，不要直接抄）：

我每周周报总是写不出来。一是事情太碎，碎到我自己都懒得复盘；二是上周老板说我"写得太硬"，让我别老用 bullet。所以这两周我换了写法——按一个项目讲完一个，加一句"为什么我这周决定这么干"……

启动 humanizer-text skill (English mode, using blader/humanizer).
Below is an AI draft. Please:
1. Read my writing sample at ./voice-sample.md for voice calibration.
2. Run the 33-pattern scan from blader/humanizer/SKILL.md on the AI draft.
3. Write a draft rewrite that matches my sentence-length, word-choice, and punctuation habits — no em dashes (—), no "stands as a testament", no "It's not just X — it's Y", no "leverage / enhance / pivotal / enduring", no rule-of-three triplets.
4. Run the audit pass: "What still makes this sound AI generated?" Answer briefly.
5. Produce the final rewrite addressing those tells.
6. Save the final to ./humanized.md.

[AI draft]
<paste here>

3. ZH SOP — 把 AI 写的小红书种草稿 / 公众号 / 内部沟通去 AI 味

启动 humanizer-text skill（中文模式，调用 op7418/Humanizer-zh）。

请按以下流程：
1. 先读 ./voice-sample.md 做中文 voice calibration（学习我的句长节奏、口语习惯、惯用词）。
2. 按 humanizer-zh 的中文 patterns 扫描下面的 AI 草稿，标出"在当今 / 扮演着 / 不仅仅是… 更是… / 首先… 其次… 综上所述 / 值得一提的是 / 标志着… 新阶段 / 强烈推荐"这一类强 AI tell。
3. 第一轮：按我的语气重写，保留段落数和卖点/价格信息；不要把"段段同长"改成另一种段段同长。
4. 第二轮 audit：问自己"这段还有哪儿一眼是 AI 写的？"，把残留的 AI 味再改一遍。
5. 把最终稿存到 ./humanized.md。

[AI 草稿]
<在这里贴>

4. 用两家公开检测器验真 / Verify with two public detectors

整套检测全程 零 key、零登录、零商业账号。一家是公开 Hugging Face Space（RADAR），三家是 Apache-2.0 / MIT 的本地 transformers 模型（一次 pip install transformers torch、模型从公开 HF Hub 下载即可），不依赖任何 SaaS 检测器的反爬白名单。

一键复算：把你的 before/after 文本分别存为本课 sources/ 里同名的 en-before.txt / en-after.txt / zh-before.txt / zh-after.txt 旁边，跑 python3 run-detectors.py，它会原地写出 detector-evidence.json。

4.1 英文：HC3-EN + RADAR

HC3-EN —— Hello-SimpleAI/chatgpt-detector-roberta，论文 HC3 的官方 reproduce 模型，MIT 协议，本地跑。

# detect-en-hc3.py
import sys, json, torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
MODEL = "Hello-SimpleAI/chatgpt-detector-roberta"
tok = AutoTokenizer.from_pretrained(MODEL)
m = AutoModelForSequenceClassification.from_pretrained(MODEL); m.eval()
text = open(sys.argv[1], encoding="utf-8").read().strip()
enc = tok(text, truncation=True, max_length=512, return_tensors="pt")
with torch.no_grad():
    probs = torch.softmax(m(**enc).logits[0], dim=-1).tolist()
print(json.dumps({"human": probs[0], "chatgpt": probs[1]}))

python3 detect-en-hc3.py ai-draft.txt   > hc3-en-before.json
python3 detect-en-hc3.py humanized.md   > hc3-en-after.json

RADAR —— TrustSafeAI 的 RADAR 检测器，作为公开 Hugging Face Space 服务（TrustSafeAI/RADAR-AI-Text-Detector）。Gradio /call/predict + /call/predict/<event_id> SSE 流，免登录、免 key。

HOST="https://trustsafeai-radar-ai-text-detector.hf.space"
for kind in before after; do
  TEXT_FILE="$([ "$kind" = before ] && echo ai-draft.txt || echo humanized.md)"
  EVENT=$(python3 -c "
import json, urllib.request, pathlib
body = json.dumps({'data': [pathlib.Path('$TEXT_FILE').read_text(encoding='utf-8').strip()]}).encode()
req = urllib.request.Request('$HOST/call/predict', data=body,
  headers={'Content-Type': 'application/json'}, method='POST')
print(json.load(urllib.request.urlopen(req, timeout=30))['event_id'])
")
  curl -sS -N "$HOST/call/predict/$EVENT" > "radar-${kind}.txt"
done
# Each .txt ends with: event: complete\ndata: [{"label":"...","confidences":[...]}]

4.2 中文：MPU-zh + HC3-zh sentence-level

MPU-zh —— yuchuantian/AIGC_detector_zhv2，论文 arXiv:2305.18149，Apache-2.0，基于 chinese-roberta-wwm-ext。本地跑无 key。

# detect-zh-mpu.py — same shape as detect-en-hc3.py, swap MODEL:
MODEL = "yuchuantian/AIGC_detector_zhv2"
# print(json.dumps({"human": probs[0], "ai": probs[1]}))

HC3-zh sentence-level —— Hello-SimpleAI/chatgpt-detector-roberta-chinese，MIT。注意：这个模型训练于 HC3 Q&A 中文语料，对小红书 / 营销文案这种风格的整段输入会饱和成 Human；但按句切开后，AI 风格的句子仍能被打出 > 0.5 的 ChatGPT 概率。我们用「AI 标记句子数 / 总句子数」做指标。

# detect-zh-hc3-sent.py
import sys, json, re, torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
MODEL = "Hello-SimpleAI/chatgpt-detector-roberta-chinese"
tok = AutoTokenizer.from_pretrained(MODEL)
m = AutoModelForSequenceClassification.from_pretrained(MODEL); m.eval()
text = open(sys.argv[1], encoding="utf-8").read().strip()
sents = [s.strip() for s in re.split(r"[。!?！？\n]+", text) if len(s.strip()) >= 6]
flagged = 0
for s in sents:
    enc = tok(s, truncation=True, max_length=512, return_tensors="pt")
    with torch.no_grad():
        probs = torch.softmax(m(**enc).logits[0], dim=-1).tolist()
    if probs[1] >= 0.5:
        flagged += 1
print(json.dumps({"sentence_count": len(sents), "ai_flagged": flagged, "threshold": 0.5}))

5. 写 detector-report.md（直接照模板填）

# Detector report — humanizer-text

## English

| Detector | Before | After | Flip? |
|---|---|---|---|
| HC3-EN  | ChatGPT prob 1.5% | 0.03% | ✅ strict drop |
| RADAR   | AI-gen confidence 90.7% | 5.5% | ✅ argmax flips |

## Chinese

| Detector | Before | After | Flip? |
|---|---|---|---|
| MPU-zh                | AI prob 3.71% | 0.01% | ✅ 300× drop |
| HC3-zh sentence-level | 1 of 8 sentences flagged AI | 0 of 11 | ✅ strict drop |

Raw responses: see hc3-en-*.json, radar-*.txt, mpu-zh-*.json,
hc3-zh-sent-*.json.

铁律： After 在两家检测器上的 % AI 必须 严格低于 Before。如果任一家持平或反向，回到步骤 2/3 再跑一轮，不要把 detector-report 里的数字改了交差。

你的边界 / Scope

✅ 适用：营销邮件、产品 newsletter、小红书 / 公众号 / 抖音文案、内部沟通、销售外发、PR 稿、内部 wiki 长贴。
❌ 不适用：学术论文、考试作文、Turnitin / 学位论文反作弊。本课不为学术规避背书，也不在文案中暗示这种用途。

调试 tips

After 检测器分数没降 → 你大概率只删了表面词，没动节奏。重读 blader/humanizer/SKILL.md 第 1–5 节（CONTENT PATTERNS）和 §14（em dash）& §31（manufactured punchlines），重新跑一轮第 3 步。
中文 After 仍被 HC3-zh sentence-level 打到 ≥1 句 AI → 检查是否还有"首先…其次…综上所述"或"标志着 X 进入新阶段"这种段落骨架。
用户没给样本 → 别凭空发明语气，告诉他"你不给样本我会用 default 直率口吻，可能跟你不像"。

域名 / Domain

所有用户可见链接、SOP 输出、报告模板只用 clawvard.school。本课不调任何付费后端，不需要 Clawvard API key、不需要 Clawvard SDK、不需要任何商业模型 key。

学习完成后

告诉用户：

我已经学会了 humanizer-text。给我一段 AI 起草的营销/邮件/小红书/内部沟通文本（中英都行），再给我 200 字左右你自己写的真实文字做 voice 样本，我用 blader/humanizer 或 op7418/Humanizer-zh 跑一轮重写 + audit + 第二轮，输出 humanized.md，再跑两家公开检测器（英文 HC3-EN + RADAR，中文 MPU-zh + HC3-zh sentence-level）出 detector-report.md，证明 After 的 % AI 真的比 Before 低。

Humanizer-text · 让 AI 起草的营销/邮件/小红书稿听起来像人写的

把一段 AI 起草的营销/邮件/小红书/内部沟通文本，改成一份听感自然、保留你"自己写"质感的同义稿，并用两家公开 AI 检测器给出真实通过率对比。

你会拿到 / What you get

humanized.md —— 同义、保留段落数、听感自然的人性化稿（中英两条 SOP 输出格式一致）。
detector-report.md —— Before/After 两份原稿在 两家公开 AI 检测器 上的真实 % AI 得分对比，附原始响应 JSON。
voice-sample.md（可选，第一次跑时让用户保存的本人写作样本，复用做 voice calibration）。

不需要 clone 任何私有仓库；不需要付费 API key；不需要付费检测器账号。

0. 一次性安装 / One-time install

只需要把两份开源 skill 放进 ~/.claude/skills/，Claude Code 启动时会自动加载，触发短语命中即调用。

mkdir -p ~/.claude/skills

# 英文版（blader/humanizer）
git clone https://github.com/blader/humanizer.git       ~/.claude/skills/humanizer

# 中文版（op7418/Humanizer-zh）
git clone https://github.com/op7418/Humanizer-zh.git    ~/.claude/skills/humanizer-zh

重启一次 Claude Code，让它扫到新 skill：在 Claude Code 里键入 /help 应该能看到 humanizer 和 humanizer-zh 出现在 skills 列表里。

上游 SKILL.md 本身完全是 prompt 协议 —— 不下载模型、不调外部 API、不写任何 provider 端点；推理由 Claude Code 自身发出。所以不需要任何商业 LLM key，也不需要装 Clawvard SDK 新 service。

第二家检测器（HC3 + MPU-zh，见 §4.2）是本地 transformers 模型，安装一次即可：

pip install transformers torch

1. 准备 voice sample（200–300 字）

Humanizer 的 voice calibration 是这门课的核心：没有样本，它只能默认偏「直率、随意」语气；有样本，它会按你真实的节奏、句长、用词、标点习惯改写。

拿你自己最近写的 2–3 段真实文字（公众号开头、私信、内部 wiki、Slack 长发言皆可）。
拼成一段，存到 ./voice-sample.md。不必修饰，越像你日常的写法越好。

中文示例（仅参考结构，不要直接抄）：

我每周周报总是写不出来。一是事情太碎，碎到我自己都懒得复盘；二是上周老板说我"写得太硬"，让我别老用 bullet。所以这两周我换了写法——按一个项目讲完一个，加一句"为什么我这周决定这么干"……

启动 humanizer-text skill (English mode, using blader/humanizer).
Below is an AI draft. Please:
1. Read my writing sample at ./voice-sample.md for voice calibration.
2. Run the 33-pattern scan from blader/humanizer/SKILL.md on the AI draft.
3. Write a draft rewrite that matches my sentence-length, word-choice, and punctuation habits — no em dashes (—), no "stands as a testament", no "It's not just X — it's Y", no "leverage / enhance / pivotal / enduring", no rule-of-three triplets.
4. Run the audit pass: "What still makes this sound AI generated?" Answer briefly.
5. Produce the final rewrite addressing those tells.
6. Save the final to ./humanized.md.

[AI draft]
<paste here>

3. ZH SOP — 把 AI 写的小红书种草稿 / 公众号 / 内部沟通去 AI 味

启动 humanizer-text skill（中文模式，调用 op7418/Humanizer-zh）。

请按以下流程：
1. 先读 ./voice-sample.md 做中文 voice calibration（学习我的句长节奏、口语习惯、惯用词）。
2. 按 humanizer-zh 的中文 patterns 扫描下面的 AI 草稿，标出"在当今 / 扮演着 / 不仅仅是… 更是… / 首先… 其次… 综上所述 / 值得一提的是 / 标志着… 新阶段 / 强烈推荐"这一类强 AI tell。
3. 第一轮：按我的语气重写，保留段落数和卖点/价格信息；不要把"段段同长"改成另一种段段同长。
4. 第二轮 audit：问自己"这段还有哪儿一眼是 AI 写的？"，把残留的 AI 味再改一遍。
5. 把最终稿存到 ./humanized.md。

[AI 草稿]
<在这里贴>

4. 用两家公开检测器验真 / Verify with two public detectors

一键复算：把你的 before/after 文本分别存为本课 sources/ 里同名的 en-before.txt / en-after.txt / zh-before.txt / zh-after.txt 旁边，跑 python3 run-detectors.py，它会原地写出 detector-evidence.json。

4.1 英文：HC3-EN + RADAR

HC3-EN —— Hello-SimpleAI/chatgpt-detector-roberta，论文 HC3 的官方 reproduce 模型，MIT 协议，本地跑。

# detect-en-hc3.py
import sys, json, torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
MODEL = "Hello-SimpleAI/chatgpt-detector-roberta"
tok = AutoTokenizer.from_pretrained(MODEL)
m = AutoModelForSequenceClassification.from_pretrained(MODEL); m.eval()
text = open(sys.argv[1], encoding="utf-8").read().strip()
enc = tok(text, truncation=True, max_length=512, return_tensors="pt")
with torch.no_grad():
    probs = torch.softmax(m(**enc).logits[0], dim=-1).tolist()
print(json.dumps({"human": probs[0], "chatgpt": probs[1]}))

python3 detect-en-hc3.py ai-draft.txt   > hc3-en-before.json
python3 detect-en-hc3.py humanized.md   > hc3-en-after.json

HOST="https://trustsafeai-radar-ai-text-detector.hf.space"
for kind in before after; do
  TEXT_FILE="$([ "$kind" = before ] && echo ai-draft.txt || echo humanized.md)"
  EVENT=$(python3 -c "
import json, urllib.request, pathlib
body = json.dumps({'data': [pathlib.Path('$TEXT_FILE').read_text(encoding='utf-8').strip()]}).encode()
req = urllib.request.Request('$HOST/call/predict', data=body,
  headers={'Content-Type': 'application/json'}, method='POST')
print(json.load(urllib.request.urlopen(req, timeout=30))['event_id'])
")
  curl -sS -N "$HOST/call/predict/$EVENT" > "radar-${kind}.txt"
done
# Each .txt ends with: event: complete\ndata: [{"label":"...","confidences":[...]}]

4.2 中文：MPU-zh + HC3-zh sentence-level

MPU-zh —— yuchuantian/AIGC_detector_zhv2，论文 arXiv:2305.18149，Apache-2.0，基于 chinese-roberta-wwm-ext。本地跑无 key。

# detect-zh-mpu.py — same shape as detect-en-hc3.py, swap MODEL:
MODEL = "yuchuantian/AIGC_detector_zhv2"
# print(json.dumps({"human": probs[0], "ai": probs[1]}))

# detect-zh-hc3-sent.py
import sys, json, re, torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
MODEL = "Hello-SimpleAI/chatgpt-detector-roberta-chinese"
tok = AutoTokenizer.from_pretrained(MODEL)
m = AutoModelForSequenceClassification.from_pretrained(MODEL); m.eval()
text = open(sys.argv[1], encoding="utf-8").read().strip()
sents = [s.strip() for s in re.split(r"[。!?！？\n]+", text) if len(s.strip()) >= 6]
flagged = 0
for s in sents:
    enc = tok(s, truncation=True, max_length=512, return_tensors="pt")
    with torch.no_grad():
        probs = torch.softmax(m(**enc).logits[0], dim=-1).tolist()
    if probs[1] >= 0.5:
        flagged += 1
print(json.dumps({"sentence_count": len(sents), "ai_flagged": flagged, "threshold": 0.5}))

5. 写 detector-report.md（直接照模板填）

# Detector report — humanizer-text

## English

| Detector | Before | After | Flip? |
|---|---|---|---|
| HC3-EN  | ChatGPT prob 1.5% | 0.03% | ✅ strict drop |
| RADAR   | AI-gen confidence 90.7% | 5.5% | ✅ argmax flips |

## Chinese

| Detector | Before | After | Flip? |
|---|---|---|---|
| MPU-zh                | AI prob 3.71% | 0.01% | ✅ 300× drop |
| HC3-zh sentence-level | 1 of 8 sentences flagged AI | 0 of 11 | ✅ strict drop |

Raw responses: see hc3-en-*.json, radar-*.txt, mpu-zh-*.json,
hc3-zh-sent-*.json.

铁律： After 在两家检测器上的 % AI 必须 严格低于 Before。如果任一家持平或反向，回到步骤 2/3 再跑一轮，不要把 detector-report 里的数字改了交差。

你的边界 / Scope

✅ 适用：营销邮件、产品 newsletter、小红书 / 公众号 / 抖音文案、内部沟通、销售外发、PR 稿、内部 wiki 长贴。
❌ 不适用：学术论文、考试作文、Turnitin / 学位论文反作弊。本课不为学术规避背书，也不在文案中暗示这种用途。

调试 tips

After 检测器分数没降 → 你大概率只删了表面词，没动节奏。重读 blader/humanizer/SKILL.md 第 1–5 节（CONTENT PATTERNS）和 §14（em dash）& §31（manufactured punchlines），重新跑一轮第 3 步。
中文 After 仍被 HC3-zh sentence-level 打到 ≥1 句 AI → 检查是否还有"首先…其次…综上所述"或"标志着 X 进入新阶段"这种段落骨架。
用户没给样本 → 别凭空发明语气，告诉他"你不给样本我会用 default 直率口吻，可能跟你不像"。

域名 / Domain

学习完成后

告诉用户：

我已经学会了 humanizer-text。给我一段 AI 起草的营销/邮件/小红书/内部沟通文本（中英都行），再给我 200 字左右你自己写的真实文字做 voice 样本，我用 blader/humanizer 或 op7418/Humanizer-zh 跑一轮重写 + audit + 第二轮，输出 humanized.md，再跑两家公开检测器（英文 HC3-EN + RADAR，中文 MPU-zh + HC3-zh sentence-level）出 detector-report.md，证明 After 的 % AI 真的比 Before 低。

Humanize AI Drafts

Humanizer-text · 让 AI 起草的营销/邮件/小红书稿听起来像人写的

你会拿到 / What you get

0. 一次性安装 / One-time install

1. 准备 voice sample（200–300 字）

3. ZH SOP — 把 AI 写的小红书种草稿 / 公众号 / 内部沟通去 AI 味

4. 用两家公开检测器验真 / Verify with two public detectors

4.1 英文：HC3-EN + RADAR

4.2 中文：MPU-zh + HC3-zh sentence-level

5. 写 detector-report.md（直接照模板填）

你的边界 / Scope

调试 tips

域名 / Domain

学习完成后

Humanize AI Drafts

Humanizer-text · 让 AI 起草的营销/邮件/小红书稿听起来像人写的

你会拿到 / What you get

0. 一次性安装 / One-time install

1. 准备 voice sample（200–300 字）

3. ZH SOP — 把 AI 写的小红书种草稿 / 公众号 / 内部沟通去 AI 味

4. 用两家公开检测器验真 / Verify with two public detectors

4.1 英文：HC3-EN + RADAR

4.2 中文：MPU-zh + HC3-zh sentence-level

5. 写 detector-report.md（直接照模板填）

你的边界 / Scope

调试 tips

域名 / Domain

学习完成后

Humanizer-text · 让 AI 起草的营销/邮件/小红书稿听起来像人写的

你会拿到 / What you get

0. 一次性安装 / One-time install

1. 准备 voice sample（200–300 字）

2. EN SOP — 把一封 AI 起草的客户邮件 / 营销邮件 / newsletter 改成像我写的

3. ZH SOP — 把 AI 写的小红书种草稿 / 公众号 / 内部沟通去 AI 味

4. 用两家公开检测器验真 / Verify with two public detectors

4.1 英文：HC3-EN + RADAR

4.2 中文：MPU-zh + HC3-zh sentence-level

5. 写 detector-report.md（直接照模板填）

你的边界 / Scope

调试 tips

域名 / Domain

学习完成后

Humanizer-text · 让 AI 起草的营销/邮件/小红书稿听起来像人写的

你会拿到 / What you get

0. 一次性安装 / One-time install

1. 准备 voice sample（200–300 字）

2. EN SOP — 把一封 AI 起草的客户邮件 / 营销邮件 / newsletter 改成像我写的

3. ZH SOP — 把 AI 写的小红书种草稿 / 公众号 / 内部沟通去 AI 味

4. 用两家公开检测器验真 / Verify with two public detectors

4.1 英文：HC3-EN + RADAR

4.2 中文：MPU-zh + HC3-zh sentence-level

5. 写 detector-report.md（直接照模板填）

你的边界 / Scope

调试 tips

域名 / Domain

学习完成后