humanizer-ru — скилл для очистки русского AI-текста от нейросетевых маркеров

humanizer-ru — открытый Agent Skill, который помогает Claude Code, Cursor, Codex и другим агентам находить и убирать признаки AI-генерации из русскоязычного текста. Он ориентирован не на англоязычные штампы, а на проблемы русского языка: канцелярит, кальки с английского синтаксиса, номинализации и механические переходы. В репозитории есть не только инструкция SKILL.md, но и детерминированный сканер, CLI, MCP-сервер и GitHub Action.

Почему нужен отдельный русскоязычный скилл

Английские правила обработки AI-текста плохо переносятся на русский. Здесь встречаются собственные маркеры: отглагольные существительные вместо действий, конструкции вроде «осуществление внедрения», англоязычная логика придаточных и почти полное отсутствие частиц «же», «ведь», «вот», на которых держится живая русская речь.

Авторы проекта также учитывают новые способы современных моделей имитировать глубину: короткие рубленые фразы, псевдо-сократические вопросы, декоративные эмодзи, пустые образы и морализаторские финалы. Поэтому каталог humanizer-ru охватывает не только канцелярит, но и структуру, ритм, тон, коммуникативные привычки и способы убеждения.

В версии 3.28.0 заявлены 64 паттерна в 14 категориях и 21 жёсткий запрет. Среди категорий:

• пустые вступления, размытые авторитеты и формальные выводы;
• канцелярит, кальки, злоупотребление словом «является»;
• навязчивые списки, длинное тире и перегруженное форматирование;
• заискивание и артефакты диалога с чатботом;
• ошибки согласования, неудачные деепричастия и эмоциональная стерильность;
• равномерная информационная плотность и чрезмерно гладкие переходы;
• фирменные паттерны Claude и GPT 2025–2026 годов;
• дискурсные признаки, которые сохраняются даже после стилистической правки.

Как проходит редактура

Главный принцип проекта — локально редактировать исходный текст, а не переписывать его с нуля. Скилл отмечает конкретные фрагменты, объясняет, почему они мешают чтению, и выбирает одно из действий: оставить фрагмент, снять канцелярскую оболочку, сформулировать мысль яснее или удалить повтор.

После правки агент сверяет результат с оригиналом по содержанию:

• кто и что именно сделал;
• насколько уверенно сформулировано утверждение;
• какие условия и ограничения действовали;
• какие числа указаны и в каких единицах.

Эмоции, образы, факты или авторские детали, которых не было в исходнике, не добавляются. Авторы называют это «факт-замком»: редактура не должна менять смысл ради более гладкой формы.

Если пользователь даёт образцы собственной прозы, скилл выводит из них ритм, лексику, пунктуацию и тон, а затем ограничивает ими замены. Это калибровка под голос, а не разрешение дописывать текст «в стиле автора».

Четыре режима работы

1. Редактура — режим по умолчанию. Скилл запускает диагностику, показывает найденные места, редактирует текст, сверяет факты и сообщает, сколько проблем было исправлено.
2. Аудит — только диагностика без изменения исходника.
3. Точечная правка — обработка одной выбранной категории, например только канцелярита.
4. Свой черновик — агент молча проверяет собственный русский текст по жёстким запретам до того, как покажет его пользователю. Текст из сообщения пользователя, файла или цитаты автоматически не меняется.

После установки плагина в Claude Code доступны команды полного прогона и аудита:

/humanize <текст или путь к файлу>
/audit <текст или путь к файлу>

Обычный запрос тоже работает: «Очеловечь этот текст», «Убери канцелярит» или «Проверь этот текст на AI-маркеры».

Сканер и веб-демо

В составе скилла находится Python-сканер. Он разбивает текст на предложения, применяет детекторы, учитывает жёсткие запреты и выдаёт оценку чистоты от 0 до 100, штрафы и позиции найденных маркеров. Команда compare_texts сравнивает исходник и результат правки.

Тот же сканер работает в браузере на демо-странице проекта. Пользователь вставляет текст, получает балл и подсветку найденных оборотов; обработка выполняется локально. Правила для веб-версии экспортируются из Python-файла, а совпадение результатов проверяется в CI.

Сканер учитывает жанр. В строгом режиме он подходит для обычного редакционного текста, а для academic, legal, fiction и news отключает часть маркеров, которые в этих жанрах законны. В репозитории приводятся результаты калибровки на размеченных корпусах: жанровая поправка снижает число ложных срабатываний на человеческих научных текстах.

Установка

Самый короткий универсальный путь через skills.sh:

npx skills add ilyautov/humanizer-ru

Для Claude Code есть установка плагином:

/plugin marketplace add ilyautov/humanizer-ru
/plugin install humanizer-ru@ilyautov-plugins

Codex CLI и другие агенты с поддержкой SKILL.md могут установить скилл вручную:

git clone --depth 1 https://github.com/ilyautov/humanizer-ru
mkdir -p ~/.codex/skills
cp -r humanizer-ru/skills/humanizer-ru ~/.codex/skills/

Для OpenCode каталог скиллов проекта — .agents/skills/. Папку skills/humanizer-ru можно положить туда целиком: вместе с инструкцией должны уехать сканер и связанные с ним ресурсы.

Веб-версию Claude.ai можно использовать через загрузку готового ZIP из релизов. Организации Claude for Work могут добавить этот архив в корпоративную библиотеку skills.

CLI, MCP и CI

Сканер доступен и как отдельный Python-пакет ru-humanizer:

pip install ru-humanizer
ru-humanizer статья.md --genre academic
ru-humanizer чистовик.md --before исходник.md

Тот же пакет запускает MCP-сервер. Инструмент scan_text возвращает оценку, штрафы, запреты и позиции маркеров, а compare_texts считает изменения между двумя текстами и проверяет сохранность фактов. Подключение к Claude Code:

claude mcp add humanizer-ru -- uvx ru-humanizer mcp

Для автоматической проверки Markdown и текстовых файлов в CI предоставлен GitHub Action:

- uses: ilyautov/humanizer-ru@main
  with:
    files: "docs/**/*.md"
    genre: marketing
    min-score: 60

Порог задан в конфигурации задачи: если балл чистоты падает ниже минимального значения, шаг завершается ошибкой. Такой подход позволяет использовать тот же сканер локально, в редакторе, через агента и в автоматической проверке репозитория.

Про AI-детекторы и границы автоматизации

Проект не обещает обход GPTZero или другого детектора. Русский текст сложен для англоязычных моделей из-за богатой морфологии, поэтому они способны как ошибочно помечать человеческий текст, так и пропускать аккуратно сгенерированный. По данным README, локальный LLM-детектор в одном из последних прогонов пометил как AI все три заведомо человеческих контрольных текста.

Цель humanizer-ru — улучшать реальные свойства текста: убирать канцелярит, кальки и штампы, возвращать авторский голос и варьировать ритм. Оценка детектора остаётся внешним и ненадёжным сигналом, а не критерием качества. Поэтому финальный вердикт редактора и проверка фактов важнее попытки подогнать текст под конкретный сервис.

Лицензия и документация

Проект распространяется по лицензии MIT. Исходный код, инструкция скилла, изменения версий и материалы для проверки доступны в репозитории humanizer-ru. Методика и список источников собраны в SOURCES.md, а результаты eval-прогонов — в каталоге eval.