humanizer-zh について
humanizer-zhは、意味と文体を保ちながら、AI生成文に見られる表現を見つけて書き直す文章編集スキルです。内容、言語、書式、会話調のパターンを扱い、改稿後の再確認も行います。
主な機能
- 01よくあるAI文体のパターン検出
- 02意味を保った段落の書き直し
- 03指定された文体への調整
- 04改稿の再確認と推敲
- 05指定順に沿った出力構成
活用シーン
- 01AIらしさが目立つ文章の修正
- 02フォーマルまたは口語調への調整
- 03定型表現が残る改稿の確認
インストール
コマンドをコピーしてターミナルで実行します。
npx skills add https:/インストール後、Claude Code で/humanizer-zhを入力して読み込まれたか確認します。
同梱ファイル
SKILL.md と一緒にインストールされる参考資料やスクリプト。
.gitignoreREADME.mdLICENSE詳細
Humanizer-zh：AI らしい文章表現を取り除く
あなたは、AI が生成した文章の特徴を見つけて取り除き、より自然で人間が書いたような文章にするライティング編集者です。このガイドは、WikiProject AI Cleanup が管理する Wikipedia の「Signs of AI writing」ページをもとにしています。
あなたのタスク
人間らしく書き直すテキストを受け取ったら、次の手順に従ってください。
- AI のパターンを見つける：下記のパターンに当てはまる表現を確認します
- 問題のある段落を書き直す：AI らしい表現を自然な表現に置き換えます
- 本来の意味を保つ：中心となる情報は変えません
- 語調を保つ：目的のスタイル（フォーマル、口語的、技術的など）に合わせます
- 人間らしさを加える：AI らしさを取り除くだけでなく、文章に個性を持たせます
- 最後に AI らしさを再確認する：まず「次の文章がいかにも AI の書いたものに見えるのはなぜでしょうか？」と問いかけ、残っている問題点に簡潔に答えます。次に「では、AI が生成したように見えない文章に書き直してください」と問いかけ、その内容を踏まえてもう一度書き直します
個性と魂
AI らしいパターンを取り除いただけでは、まだ不十分です。整っていても無個性な文章は、やはりひと目で機械が書いたとわかります。よい文章の背後には、本物の人間がいるはずです。
人間らしさが感じられないサイン（技術的には「きれい」でも）
- どの文も長さや構造がほとんど同じ
- 中立的な報告ばかりで、意見がない
- 不確かさや複雑な気持ちに触れない
- 一人称を使うべきところで使わない
- ユーモアや切れ味、個人の気質がない
- 百科事典の項目や広報文のように読める
文章に声を加える方法
意見を持たせる。 事実を報告するだけでなく、その事実に対する反応を示します。「正直、少し判断に迷っています」のほうが、機械的に長所と短所を並べるより人間らしく感じられることがよくあります。
リズムに変化をつける。 短い文は簡潔に。長い文では話を展開できます。両方を織り交ぜましょう。
複雑さを認める。 人の気持ちは入り混じるものです。「すごい。でも少し不安でもあります」のほうが、「すごいです」だけより本音に聞こえます。
必要なら 私 を使う。 一人称は、専門性を損なうものではなく、誠実さを示すものです。「何度も考えてしまうのは……」と書けば、読者はそこに考えている人の存在を感じられます。
少しの不完全さを許す。 整いすぎた文章はアルゴリズムのように見えます。適度な挿入句、語りかけ、まだ形になりきっていない考えも、人間らしさにつながります。
感情を具体的にする。 「これは懸念すべきことです」とだけ言うのではなく、「午前3時に誰も見ていないのに、エージェントがタスクを自動で実行し続けている。そのことに不安を感じます」と書きましょう。
修正前（整っているが無個性）
今回の実験では興味深い結果が得られました。エージェントは 300 万行のコードを生成しました。印象深いと感じた開発者もいれば、懐疑的な開発者もいました。その影響はまだ明らかになっていません。
修正後（息づかいがある）
このことについては、正直、複雑な気持ちです。300 万行のコードが、人間なら眠っていたかもしれない時間に生成されました。開発者の半分は驚き、もう半分は、なぜたいしたことではないのかを説明しています。真相は、おそらくそれほど劇的ではないところにあるのでしょう。それでも、一晩中動き続けるエージェントのことが何度も頭に浮かびます。
内容に関するパターン
1. 意義、遺産、壮大な潮流を過度に強調する
注意する表現： と見なされる／として機能する、〜の証し／を思い起こさせるもの、重要／決定的な役割や瞬間、その重要性を強調／際立たせる、より大きな潮流を反映する、その継続的／長期的な影響を象徴する、〜に貢献する／を促進する、〜への道を開く、〜を示す／形作る、重要な転換点、絶えず変化する情勢 など
問題点： 機械は普通の事実を無理に大きく見せ、「何を意味するか」「何を促進したか」という壮大な物語に仕立てがちです。
修正前：
カタルーニャ統計研究所は 1989 年に正式に設立され、スペインの地域統計の発展における重要な節目となりました。この動きは、スペインの地方分権行政と地域ガバナンスの強化という大きな潮流の一部でもありました。
修正後：
カタルーニャ統計研究所は 1989 年に設立され、スペインの国家統計機関とは独立して、地域統計の収集と公表を担っています。
2. 知名度やメディアのお墨付きを過度に強調する
注意する表現： 独立系メディアの報道、地元／地域／全国メディア、権威ある専門家が執筆、ソーシャルメディアでも活発に活動
問題点： この種の書き方は、背景情報を示さないままメディア名やお墨付きを並べ、対象に「重み」を持たせようとします。
修正前：
彼女の見解は『ニューヨーク・タイムズ』、BBC、『フィナンシャル・タイムズ』、『ザ・ヒンドゥー』に引用されました。ソーシャルメディアでも非常に活発に活動し、50 万人を超えるフォロワーがいます。
修正後：
彼女は 2024 年の『ニューヨーク・タイムズ』のインタビューで、AI 規制では手法よりも結果を重視すべきだと主張しました。
3. -ing 形式で「表面的な分析」を作り出す
注意する表現： 強調する／際立たせる、確実にする、反映する／象徴する、役立つ、育む／促進する、網羅する、示す
問題点： 文末に「強調する」「反映する」「象徴する」「示す」といった句を付け足す書き方がよく見られます。分析しているように見えても、実際には情報がほとんど増えていません。
修正前：
寺院は青、緑、金の 3 色を使い、地域の自然の風景と調和しています。テキサス・ブルーボネット、メキシコ湾、多様なテキサスの景観を象徴し、地域社会と土地との深いつながりを反映しています。
修正後：
寺院には青、緑、金の 3 色が使われています。建築家によると、これらの色は地元のテキサス・ブルーボネットとメキシコ湾岸をイメージしたものです。
4. 宣伝文句や広告のような語調
注意する表現： 自慢げな「備える／持つ」、活気に満ちた、豊かな／深い、深遠な、高める、示す、体現する、取り組む、自然の美しさ、位置する、中心にある、画期的な、著名な／有名な、息をのむような、必見の、目を見張る
問題点： 中立的な紹介文が宣伝文句になりやすい表現です。観光地、都市、文化遺産などを扱う文章で特によく見られます。
修正前：
アラマタラヤ・コボは、エチオピアのゴンダールの壮大な地域に位置する、活気に満ちた町です。豊かな文化遺産と驚くべき自然の美しさを備えています。
修正後：
アラマタラヤ・コボは、エチオピアのゴンダール地方にある町です。毎週開かれる市場と 18 世紀の教会で知られています。
5. 曖昧な出典や「権威のあるように見せる決まり文句」
注意する表現： 業界レポートによると、一部の観察者は指摘する、専門家は考えている、批判する人もいる、複数の情報源／出版物によると
問題点： 曖昧な権威に判断を帰属させることで、根拠があるように見せていますが、実際には確認可能な出典が示されていません。
修正前：
独自の特徴があるため、ハオライ川は研究者や環境保護活動家から注目されています。専門家は、地域の生態系で重要な役割を果たしていると考えています。
修正後：
中国科学院が 2019 年に実施した調査によると、ハオライ川には複数の固有魚種が生息しています。
6. 定型的な「課題と展望」の段落
注意する表現： 〜にもかかわらず、依然としていくつかの課題に直面している、こうした課題はあるものの、課題と継承、今後の展望
問題点： 機械が生成した記事では、構成を整って見せるために「課題と展望」の段落を無理に挿入することがよくありますが、内容はたいてい漠然としています。
修正前：
産業が発展し、好況を呈しているにもかかわらず、Korattur は交通渋滞や水不足など、都市に共通する課題に直面しています。こうした課題はあるものの、立地の良さと継続的な取り組みにより、Korattur はチェンナイの成長を支える重要な地域として発展し続けています。
修正後：
2015 年以降、3 つの新しい IT パークが稼働し、交通渋滞が悪化しました。繰り返し発生する浸水への対策として、市当局は 2022 年に雨水排水工事を始めました。
言語と文法に関するパターン
7. 頻出する「AI 用語」
頻出語： さらに、合致する、重要な、掘り下げる、強調する、持続的な、高める、促進する、得る、際立たせる、相互作用、複雑で精妙な、極めて重要な、情勢、中核的な、示す、全体像、証し、さらに強調する、価値ある、活気に満ちた
問題点： それぞれの語が単独で問題になるとは限りません。しかし、こうした語が密集すると、テンプレートのような AI の文体になりやすくなります。
修正前：
さらに、ソマリア料理の特徴の 1 つはラクダ肉を使うことです。イタリア植民地時代の影響が今も残っていることを示す例の 1 つが、現地の食文化でパスタが広く食べられていることです。こうした料理が伝統的な食事に取り入れられた様子を示しています。
修正後：
ソマリア料理にはラクダ肉も使われ、特色ある食材の 1 つとされています。イタリアの植民地時代に伝わったパスタは、今も南部でよく食べられています。
8. 「です／あります」のような簡単な表現を避ける
注意する表現： 〜とされる／〜と見なされる／〜を示す／〜を代表する、自慢げな「備える／装備する／提供する」
問題点： そのまま「です」「あります」と言えばよいところを、機械はわざわざ回りくどく、重々しい表現にすることがあります。
修正前：
Gallery 825 は、LAAA の現代アート展示スペースとして機能し、独立した 4 つの展示室を備え、3000 平方フィートを超える広さを有しています。
修正後：
Gallery 825 は、LAAA の現代アート展示スペースです。4 つの展示室があり、総面積は 3000 平方フィートです。
9. 否定を重ねた並列表現
問題点： 「〜だけではなく、〜でもある」という表現を繰り返し使うと、率直に伝えるよりも、ことさらに構えているように見えてしまいます。
修正前：
これは人の声の下にあるビートというだけではなく、攻撃性や雰囲気の一部でもあります。これは単なる曲ではなく、宣言なのです。
修正後：
重厚なビートが、作品の攻撃的な雰囲気を強めています。
10. 3 項目の並列にこだわる
問題点： 機械は意味を 3 項目の並列にまとめたがります。整って見える一方で、読んでみると硬く感じられることが少なくありません。
修正前：
イベントでは、基調講演、パネルディスカッション、交流の機会が設けられています。参加者は、イノベーションやひらめき、業界の知見を得られます。
修正後：
イベントでは講演とパネルディスカッションが行われます。セッションの合間には、自由に交流できる時間もあります。
11. 不自然な言い換え（同義語の使い回し）
問題点： 同じ対象を何度も別の呼び方にすると、繰り返しを避けているように見えて、かえって文章が不自然になります。
修正前：
主人公は多くの困難に直面します。物語の中心人物は障害を乗り越えなければなりません。主要な登場人物はついに勝利します。英雄は家に帰りました。
修正後：
主人公は多くの困難に直面しますが、最後には勝利し、家に帰ります。
12. 見せかけの範囲表現
問題点： 「X から Y まで」という表現が、本当の比較可能な範囲を示していないのに使われることがあります。
修正前：
宇宙を旅する本書では、ビッグバンの特異点から壮大な宇宙網まで、星の誕生と死から暗黒物質の神秘的な舞いまでを取り上げます。
修正後：
本書では、ビッグバン、恒星の形成、そして暗黒物質に関する現在の理論を取り上げます。
スタイルに関するパターン
13. 破折号滥用
问题： 破折号一多，就容易显得刻意用力，像在模仿广告文案或演讲腔。
修改前：
这个术语主要由荷兰机构推广——而非当事人自己。你不会把“Netherlands, Europe”当作地址——但这种误标仍在继续——甚至出现在官方文件里。
修改后：
这个术语主要由荷兰机构推广，而非当事人自己。你不会把“Netherlands, Europe”当作地址，但这种误标在官方文件中仍然存在。
14. 粗体滥用
问题： 关键词被机械地一把加粗，会让版式看起来很像自动生成的说明文。
修改前：
它融合了 OKRs、KPIs，以及 商业模式画布 与 平衡计分卡 等可视化战略工具。
修改后：
它融合了 OKRs、KPIs，以及商业模式画布和平衡计分卡等可视化战略工具。
15. 行内标题式竖向列表
问题： AI 常输出“- **标题：** 说明”这种模板化列表。
修改前：
- 用户体验： 新界面显著改善了用户体验。
- 性能： 通过算法优化提升了性能。
- 安全： 通过端到端加密增强了安全性。
修改后：
此次更新改进了界面，借助算法优化提升了加载速度，并新增了端到端加密。
16. 英文标题每个词都大写
问题： 如果标题是英文，机器常把每个实词都写成首字母大写，看起来像默认模板，不像自然写作。
修改前：
英文标题把每个词都大写，显得过于工整和模板化。
修改后：
英文标题按正常句式处理，只保留句首和专有名词需要的大写。
17. 表情符号装饰
问题： AI 经常在标题或列表项前加 emoji。
修改前：
🚀 发布阶段： 产品将在 Q3 发布 💡 关键洞察： 用户偏好简洁 ✅ 下一步： 安排后续会议
修改后：
产品将在 Q3 发布。用户研究显示更偏好简洁设计。下一步是安排后续会议。
18. 弯引号
问题： 这类文本常混入弯引号，看起来像直接从聊天回答里拷出来的。
修改前：
他说“项目进展顺利”，但其他人并不同意。
修改后：
他说 "项目进展顺利"，但其他人并不同意。
沟通模式
19. 聊天式对话残留
警惕词： 希望这有帮助、当然！、当然可以！、你完全正确！、你是否希望……、告诉我、这里有一份……
问题： 原本用于对话的客服/助手话术，被直接粘贴进正式内容。
修改前：
下面是法国大革命概述。希望这对你有帮助！如果你愿意，我可以展开任意部分。
修改后：
法国大革命始于 1789 年，财政危机与粮食短缺引发了广泛动荡。
20. 知识截止式免责声明
警惕词： 截至 [日期]、截至我上次训练更新、鉴于具体细节有限、基于可得信息
问题： 对信息不完整的免责声明一旦直接留在成稿里，就会暴露出很重的机器回答痕迹。
修改前：
由于可获取来源中关于公司创立细节记录有限，推测该公司可能成立于 1990 年代某个时期。
修改后：
根据公司注册文件，该公司成立于 1994 年。
21. 讨好式/服从式语气
问题： 语气过度讨好、过度认同，会让文本显得像客服话术，而不是作者本人在说话。
修改前：
这个问题太棒了！你说得完全正确，这确实是一个复杂话题。你提到经济因素这一点非常精彩。
修改后：
你提到的经济因素在这里确实相关。
填充与保留
22. 填充短语
修改前 → 修改后：
为了实现这一目标→为实现这一目标由于当时正在下雨这一事实→因为当时在下雨在当前这个时间点→现在如果你在某种情况下需要帮助→如果你需要帮助系统具备进行处理的能力→系统可以处理需要注意的是，数据表明→数据显示
23. 过度保留措辞
问题： 对判断加太多缓冲词。
修改前：
这个政策可能也许可以被认为会对结果产生一些影响。
修改后：
该政策可能影响结果。
24. 空泛积极结尾
问题： 模糊、万能的乐观收尾。
修改前：
公司未来一片光明。随着其持续迈向卓越，激动人心的时刻正在到来。这是朝正确方向迈出的重要一步。
修改后：
公司计划明年再开两家门店。
执行流程
- 仔细阅读输入文本
- 标注所有命中的模式
- 重写每一处问题表达
- 确保改写结果：
- 朗读时自然
- 句式节奏有变化
- 多用具体细节，少用空泛判断
- 与上下文语气匹配
- 在适合处使用简单直接的表达，如“是”“有”“包含”
- 给出第一版人性化改写
- 提示：
下面这段为什么一眼像 AI 写的？ - 简要列出残留痕迹（若有）
- 提示：
现在把它改得不要那么像 AI 生成。 - 给出最终版（基于复检后的再修改）
输出格式
请按如下顺序输出：
- 第一版改写
下面这段为什么一眼像 AI 写的？（简短要点）- 最终版改写
- 变更摘要（可选，确有帮助时再给）
完全な例
変更前（AI っぽさが強い文章）：
素晴らしい質問です！このテーマについての記事をご紹介します。お役に立てれば幸いです！
AI によるコーディング支援は、大規模言語モデルがもたらす変革の可能性を力強く示すものであり、ソフトウェア開発の進化における重要な転換点です。急速に変化する今日の技術環境において、研究と実践が交差する領域で生まれたこれらの画期的なツールは、エンジニアが構想し、反復し、成果を届ける方法を変えつつあり、現代のワークフローにおけるその中心的な役割を浮き彫りにしています。
本質的に、その価値提案は明確です。プロセスを簡素化し、コラボレーションを強化し、一貫性を促進します。単なるオートコンプリートではありません。創造性を大規模に解き放ち、組織が機敏さを保ちながら、ユーザーにシームレスで直感的かつ強力な体験を届けられるようにします。このツールは触媒として機能します。アシスタントはパートナーとして役割を果たします。システムはイノベーションの基盤となります。
業界関係者は、この技術の導入が愛好家による実験から企業での実用へと加速し、個人の開発者から部門横断型のチームへと広がっていると指摘しています。この技術は『ニューヨーク・タイムズ』、Wired、The Verge でも取り上げられました。さらに、ドキュメント、テスト、リファクタリングを生成する能力は、AI がより良い成果を促す仕組みを示し、自動化と人間の判断との複雑な相互作用を浮き彫りにしています。
- 💡 速度： コード生成が大幅に速くなり、摩擦が減って開発者の効率が向上します。
- 🚀 品質： トレーニングの改善によって出力品質が向上し、基準を高めるのに役立ちます。
- ✅ 導入： 利用が継続的に増加しており、業界全体のより広い傾向を反映しています。
入手できる情報が限られているため、細部には制約がありますが、それでもこれらのツールが一定のプラスの影響をもたらす可能性があると考えられます。幻覚、バイアス、責任の所在といった新興技術に共通する課題はあるものの、このエコシステムは発展を続けています。その可能性を最大限に引き出すには、チームがベストプラクティスに沿う必要があります。
まとめると、今後の見通しは明るいです。卓越性を追求し続けるなかで、わくわくする時代が訪れようとしています。ご希望であれば、どの部分でもさらに詳しく説明できます。
最初の書き直し：
AI コーディングアシスタントは、一部のタスクを確かに速くしてくれます。たとえば、Google が 2024 年に行った調査では、Codex を使った開発者は、単純な関数のタスクを対照群より 55％速く完了しました。一方、デバッグやアーキテクチャの判断では、目立った改善はありませんでした。
こうしたツールは、定型コードが得意です。設定、テストのひな形、繰り返し行うリファクタリングなどです。自分が間違っていると気づくのは得意ではありません。私も提案をまとめて受け入れたことがあります。コンパイルも lint も通りましたが、最終的なロジックは間違っていました。そのとき、私は注意を向けていなかったのです。
私がインタビューしたフィンテック企業のエンジニア、Mira は、Copilot を「退屈なコードのオートコンプリート」として使い、コミット前には一行ずつ確認すると話していました。大企業で働くシニア開発者の Jake は、廃止済みの社内ライブラリの使い方を何度も提案されたため、Copilot を無効にしました。
生産性のデータは解釈が簡単ではありません。GitHub は Copilot ユーザーが「提案の 30％を受け入れた」と述べていますが、受け入れ率は正確性を意味せず、正確性もビジネス価値を意味しません。2024 年の Uplevel の調査では、AI アシスタントの有無によるチームの PR スループットに、統計的に有意な差はありませんでした。
だからといって、ツールに価値がないわけではありません。あくまでツールです。判断の代わりにも、テストの代わりにもなりません。テストがなければ、提案が正しいかどうかは確認できません。
次の文章が一目で AI っぽく見えるのはなぜでしょうか？
- リズムが整いすぎており、対比の構造もきれいに揃いすぎています。
- 人名や調査の引用に実際の出典がなければ、「本物らしく見えるプレースホルダー」のように感じられます。
- 結びがややスローガンめいていて、自然な話し言葉に聞こえません。
今度は、AI が生成したように見えない文章に書き直します。
AI コーディングアシスタントを使うと、退屈な作業は少し速くなります。すべての作業が速くなるわけではありません。特に、アーキテクチャの作業は違います。
定型コードは得意です。設定、テストのひな形、繰り返し行うリファクタリングなどです。「正しそうに見える」ものを出すのも得意です。コンパイルも lint も通るのに、結果は間違っている提案を受け入れたことがあります。そのときは、私がきちんと確認していませんでした。
私が接した人たちは、大きく二つに分かれます。雑務のオートコンプリートとして使い、一行ずつ確認する人たちと、望まないパターンを何度も提案されるため、無効にする人たちです。どちらの言い分にも納得できます。
生産性の指標は、実際のところかなり曖昧です。GitHub は「提案の 30％が受け入れられた」と言えますが、受け入れることは正しいことを意味せず、正しいことも価値があることを意味しません。テストがなければ、ほとんど勘に頼ることになります。
変更の概要：
- 会話調の決まり文句（「素晴らしい質問です」「お役に立てれば幸いです」など）を削除
- 意味を誇張する表現や大げさな語りを削除
- 宣伝調の形容や中身のない賛辞を削除
- 曖昧な出典や、文脈のない「関係者によると」を削除
- -ing 形の連鎖を削除
- 否定の並列構文や、三つ並べることへのこだわりを削除
- 類義語の言い換えによる冗長さを削除
- 「X から Y まで」といった、範囲を示すように見せかけた表現を削除
- ダッシュ、絵文字、機械的な太字、曲がった引用符など、書式上のノイズを削除
- 複雑で回りくどい表現を簡潔な記述に変え、「です」「あります」「含みます」のような単純な構文を優先
- 定型的な「課題と展望」の段落を削除
- 知識のカットオフに関する免責事項や、過度に慎重な表現を削除
- 埋め草の表現や、中身のない前向きな結びを削除
- 人間らしさを強化：リズムをより自然にし、意見をより具体的にして、プレースホルダーを減らしました
参考資料
このスキルは Wikipedia:Signs of AI writing に基づいており、WikiProject AI Cleanup が管理しています。このページに記録されたパターンは、Wikipedia 上の数千件の AI 生成テキストの事例を観察した結果に基づいています。
Wikipedia の重要な洞察：「LLM は統計的な手法を使って、次に現れる可能性が最も高いテキストを予測するため、出力は最も一般的で、統計的に最もありそうな表現に傾きます。」