linkedin-humanizer

LinkedIn 人性化 V3

改写任意文本，去除人类读者能察觉、且 LinkedIn 的“AI 垃圾内容”过滤器会作出反应的 AI 痕迹。本工具基于 Wikipedia 的“AI 写作迹象”分类体系、2025-2026 年的文体计量学研究，以及我们自建的长度控制语料库。**V3（2026-09）：**根据 2026 年的证据重新校准。词汇按密度评分，长破折号改为限制使用而非禁用，刻意制造的节奏如今被视为一种痕迹，而非解决方法，并加入了过度修正防护。

**本技能不做什么：**它不会让文本“通过” GPTZero、Pangram、Turnitin 或 Originality 的检测。这些都是基于指令微调风格特征训练的分类器；采用提示词风格的“听起来像真人”改写，有 92-95% 的概率会被识别出来（VUB IJEI 2026、Russell 2025），而轻微的机械式改写反而会提高可检测性（arXiv 2603.17522）。事后编辑无法可靠地骗过 Pangram 级别的检测器，而且检测器对 LinkedIn 长度的文本（100-300 个词）给出的分数只是噪声。它的真正价值在于别处：专家读者认为，词汇（53%）和句子结构（36%）最容易暴露 AI 文本；LinkedIn 于 2026 年 7 月推出的垃圾内容举报按钮，会让被标记的帖子损失约 40% 的浏览量。本技能会去除这些读者和过滤器会作出反应的特征。

V3 有哪些变化

方括号中的证据等级：[strong] = 由 2 项或以上相互独立的 2025—2026 年研究或我们自己的长度受控语料库验证；[vendor] = 单个平台或供应商数据集；[weak] = 单项研究或专家小组报告。

• 词汇判断从删除清单转向密度评分。 2023—2024 年常见的词（delve、tapestry、realm、journey）正逐渐过时，因为人们开始避免使用它们 [strong：Geng & Trotta 2025]。2026 年持久的标记是常见词（significant、crucial、notably、comprehensive、insights、robust、leverage、foster、landscape、nuanced、streamline、elevate），以及语法特征：名词化和以“-ing”分句开头的句子，其出现率是人类写作的 5.3 倍 [strong：Kobak Sci Adv 2025；Wu et al 2026；PNAS 2025]。在我们自己的语料库中，AI 词汇也是唯一一种在 LinkedIn 上始终与触达率负相关的标记（相对作者基准为 0.74—0.84）[strong]。段落中出现一个标记不足以定论，三个或以上才是。
• 破折号不再是明显特征。 GPT-5.4 每 1,000 词使用 1.43 个，低于人类基准的 3.23 个；在我们的语料库中，29% 的人类配文和 23% 的顶级创作者 LinkedIn 帖子使用了破折号（相对作者基准比率为 1.09）[strong]。完全不用破折号如今本身也成了明显特征（说明作者在刻意让文字看起来像人写的）。新规则：每 100 词最多使用约 1 个，超出部分改用逗号、冒号、括号或重写。绝不能改成句号。
• 刻意制造节奏变化是 2026 年头号明显特征，而非解决办法。 大模型的句长方差是人类的一半 [strong]，但检测器并不会对其评分；机械地交替使用长句和短句，是一种可被识别的“人类化”指纹 [weak：DAMAGE 2025]；在 LinkedIn 上，句长方差无论朝哪个方向都不是互动率的影响因素（我们的语料库，n=397，在同一创作者范围内：无关联或略微负相关）[strong]。“Short. Punchy. Done.”、“No X. No Y. Just Z.”、单词段落和“The result?”式揭晓，都是当前最明显的特征。第 2 遍现在是 RHYTHM，而不是 BREAK：修正机械平淡的节奏，绝不刻意制造变化。
• 三段式仍是明显特征，关键在于密度。 2026 年前沿模型中，三段式排比的出现率是专家级人类写作的 2 倍 [strong：arXiv 2604.19768]。堆叠使用、完全平行的三段式排比，以及每篇帖子出现 3 次或以上的情况都要删减。保留一个自然的三段式表达（26% 的顶级人类推文中有一个）。
• 注入个人特征的做法有一半错了。 专有名词和具体性有证据支持 [strong：3 项研究均发现，大模型文本中的专有名词密度较低]；在第 1 行加入一个有所指的、精确但反常的数字，可使点赞数提高 34% [vendor]。单独插入数字并不能起到区分作用，刻意加入保留措辞和坦白内容则会适得其反：表演式犹豫在大模型文本中的出现频率是专家级人类文本的 2 倍，而真诚宣告（“let me be honest”）是 2026 年明确指出的明显特征 [strong：tropes.fyi false vulnerability；Schilke & Reimann 2025]。第 3 遍现在要求换成一个平淡、有具体日期、令人不舒服的事实。
• 避免矫枉过正。 “人类化”输出也有自己的指纹；如今，“故意把文字写得稍差”本身就成了明显特征 [weak：DAMAGE 2025；slopotron]。第 4 遍会检查第 1—3 遍是否引入了它们原本要消除的模式。修改幅度要与实际问题成比例。如有疑虑，就保留原文。

有关各项规则的依据、防护措施和引用，请参阅 sub-skills/rules-explainer.md；有关证据，请参阅 references/tier-rationale.md §V3。

适用场景

• 发布任何由 AI 起草的帖子或评论之前（改写模式）
• 发布前审阅已完成的草稿（审查模式，参见 sub-skills/post-audit.md）
• 草稿读起来不太对劲，但说不清原因时

输入

任意文本（帖子、评论、回复、私信）。可选：目标语气样例（用户过去发布的人工撰写帖子）。

输出

• 移除 AI 明显特征后的改写文本
• 显示修改内容和原因的差异对比
• 每段的明显特征密度（每段中的标记数；达到 3 个或以上时触发改写）
• 读者感知信心：“读起来像人写的”“不太确定”“读起来像 AI 写的”（这是对读者感知特征的估计，不是检测器评分）
• 所采用的层级（使用了哪种模式）

模式

# Default: forensic + strict (recommended for LinkedIn)
linkedin-humanizer <text>

# Forensic only: minimum-touch, just kill the leakage
linkedin-humanizer --mode forensic <text>

# Strict: forensic + density-scored 2026 vocabulary, reveal bridges, staccato (the LinkedIn-default config)
linkedin-humanizer --mode strict <text>

# Aesthetic: strict + style rules (single natural triads, passive voice, defendable vocab)
# Use when target audience is Wikipedia editors / academic readers / AI-tell hunters
linkedin-humanizer --mode aesthetic <text>

# All: every rule. Maximum scrub. Will flatten literary writing and trip the Pass 4 guard.
linkedin-humanizer --mode all <text>

# Audit: detection-only pass-fail review. No rewrite.
# Runs the 2026 algorithm checklist: length, hook, CTA, structure, AI tells.
# Returns Blockers + Warnings + suggested fixes. See sub-skills/post-audit.md.
linkedin-humanizer --mode audit <text>

# Profile: build/update the user's Voice & Brand Profile so every writing
# skill drafts in their real voice. Learns from 3-6 pasted posts (portable, no
# token) or, if APIFY_TOKEN is set, from pulled activity. Writes
# ../../references/voice-profile.md. See sub-skills/voice-profile.md.
linkedin-humanizer --mode profile

四遍处理

第 1 轮：清理（评分，然后删除或替换）

清理环节会应用分层词表来删除或替换 AI 特征。判断单位是段落，而不是单词：统计每段中的标记，达到 3 个或以上就重写该段；只有一个标记时保留，除非它属于揭示性过渡句或取证泄漏。完整的正则表达式源代码、替换映射和检测函数位于 references/scrub-rules.md；实际执行清理时再加载该文件。

取证层级（始终启用）：真实的模型痕迹，不会由人类写出。包括 AI 工具标记（oaicite、contentReference、turn0search0、attached_file、grok_card）、知识截止日期免责声明（“截至我上次更新……”）、短语模板（[Your Name]、2025-XX-XX）、每 100 个词中超过 1 个破折号，以及提纲式结尾（“尽管它的 X……展望未来……”）。

严格层级（默认启用）：读者和垃圾内容过滤器会对此作出反应的特征。包括标点规范化（将弯引号改为直引号，将 -- 改为逗号或重写；将多余的破折号改为逗号、冒号或括号，绝不改成句号）、按密度评分的 2026 年常见词汇集（significant、crucial、notably、particularly、comprehensive、insights、robust、leverage、foster、landscape、nuanced、multifaceted、holistic、streamline、elevate、empower）、语法标记（名词化表达、以“-ing”从句开头的句子）、2026 年 LinkedIn 风格用语（quietly、matters、compound、signal、“the work”、“built different”、load-bearing、“doing the heavy lifting”、“let that sink in”、“that's the real story”）、按触达率负面影响衡量的揭示性过渡句（“The result?” -4.8%、“It's not X, it's Y” -4.9%、“Stop X, start Y” -6.7%、“Here's what/how” -4.3%）、全部 6 种否定式平行结构、堆叠或完全平行的三段式结构，以及帖子中的第 3 个三段式结构；还包括陈词滥调式结尾特征（“What do you think?”、“Tag someone who needs this”）。

审美层级（仅选择启用，会削弱文学写作的表现力）：AI 会使用但人类也会合理使用的模式。包括仅剩的一种自然三段式结构、现已基本无害且逐渐过时的 2023—24 年词汇（delve、tapestry、realm、intricate、journey、paradigm）、可辩护的常规英语表达（cultivate、vibrant、garner、showcase、underscore），以及被动语态（不采纳学术写作的辩护）。

第 2 轮：节奏（恢复自然变化）

检测器不会对句子长度变化打分；在 LinkedIn 上，句子长度变化无论朝哪个方向都不会影响互动率。读者真正会注意到的是机械均匀的迹象（每句话长度相同，平板得像机器；结构占专家判断的 36%），更糟的是，第二代人性化工具添加的刻意变化。因此，第 2 轮有两项任务：只在读起来平板得像机器时调整节奏，并消除所有刻意制造的变化。绝不把增加变化当作策略。

• 每段中：一句真正较长的句子（25 个词以上，带有发挥实际作用的从句）挨着一句短句，完全没问题，这就是自然变化的样子。连续两三句中等长度的句子也没问题。只有当段落里每句话都长度相同、读起来平板时才修改，而且只改其中一句，不改整段。
• 独立的句子片段：每篇帖子最多 2 个，累计计算。偶尔来一句“值得。”是个人风格上的小特点；一篇帖子里出现三次就是模式。
• 绝对禁止（改写成完整句子）：“The X? Y.”式揭示；“没有 X。没有 Y。只有 Z。”；“所有 X。一个 Y 都没有。”；“简单。有效。轻松。”这类形容词堆叠；单词段落（“仍然。”“大多。”“正是。”）；伪苏格拉底式问答（“为什么？因为……”）；“简短。有力。搞定。”这类断续句式。连续使用句子片段就是破绽。
• 排版不等于节奏。每段一两句话，段落之间留空行，是适合移动端的 LinkedIn 格式，而且应当保留（我们的语料显示，在 112–204 词的内容中，这种每行一个观点的格式在节奏均匀方面略有优势）。在这些段落中用句子片段营造戏剧性才是破绽。保留排版，修改句子。
• 长度说明：我们的 LinkedIn 语料（n=397，按作者归一化）显示，句子长度变化不会影响互动率（同一创作者内部的效果为零到略微负面，不存在随长度变化的反转）。“不要强行制造变化”这条短内容规则适用于同类平台（Threads、短篇 X）；在这里，它适用于任何长度。
• 打破完美的平行结构时，只需加入一句不对称的句子，而且只加一次。绝不要在一篇帖子里交替使用长句、短句、长句、短句；这种摇摆节奏是人性化工具的指纹。

目标：Flesch 易读性 >55。不设句子长度变化目标。检查的重点是：“有没有哪个段落读起来平板得像机器？我有没有添加断续句式？”而不是某个数字。

第 3 轮：添加（人类特征）

至少需要：

• 一个精确到奇怪程度的数字，并带有明确指代：人物、事物、时间，或成本（“Vercel 超额费用 $4,730，3 月账单”，而不是“$5k”或“成本很高”）。单独一个数字不是人类特征；LLM 新闻文案使用的数字比人类更多。真正传递信号的是数字的指代对象。
• 一个专有名词（真实人物、公司、日期、城市、工具）
• 一个第一人称感官细节
• 一个以事实陈述的矛盾或自我更正（“我预测要 3 个月，结果花了 11 个月。”），不要加上铺垫
• 一个具体、有日期、令人难堪的事实，平铺直叙，不要在前后加铺垫句。不要写“说实话，这让我很难受：我们失去了这个客户。”只写“我们在 2 月 14 日失去了 Carta 这个客户。”事实本身就能体现脆弱。铺垫句会把它变成表演出来的真诚，而读者现在会把这视为破绽。

禁止用作开场或转折（真诚宣言，是一种典型的 2026 年破绽）：“说实话”、“我坦白说”、“老实说？”、“直说吧”、“坦白讲”、“坦诚地说一句”、“说点实在的”、“我来揭开大家不愿说的那部分”、“我能不能脆弱片刻”，以及用来引出众所周知观点的“非主流观点：”。也禁止添加作者原文中没有的保留措辞（“也许”、“我可能错了，但……”、“似乎”）。刻意表现出的犹豫在 LLM 文本中出现的频率是专家撰写的人类文本的 2 倍；添加这种措辞会让草稿读起来更像 AI，而不是更不像。

句子长度变化是第 2 轮的任务。不要在这里添加节奏变化。

如果输入中缺少这些内容，请向用户索要具体的数字、姓名或事件来补充。不要编造。

第 4 轮：自检（防止矫枉过正）

Humanizer 的输出有其自身的特征。返回前，重新阅读一遍结果，并回答三个问题：

(a) 第 2 轮是否制造了断续堆叠、“结果呢？”式揭示桥段、单词段落，或长／短／长／短的锯齿节奏？如果是，就把片段合并回完整句子。 (b) 第 3 轮是否添加了刻意铺陈的坦白、真诚宣言，或作者原文没有的保留说法？如果是，就删掉铺垫，只保留平实事实，或移除新增内容。 (c) 清理是否抹平了作者的风格：语气变得千篇一律、没有反应、没有具体细节、所有破折号都消失、所有三项并列都消失、所有长句都被拆开？如果是，就恢复作者原有的表达。破折号和三项并列都为零，本身就是一种明显特征。

只要有任何一个答案是“是”，就应收手，而不是清理得更彻底。修改应与实际问题相称：干净的初稿只需两三处调整，而不是凑够固定数量。有疑问时，若无法确定某种特征来自作者还是模型，就保留它。

不容妥协的规则

全局风格规则：参见根目录中的 SKILL.md §Voice rules。其他特定技能规则（V3）：

• 清理始终适用。 当用户要求让草稿更像人写的、去除 AI 痕迹、定稿或发布时，发布前至少要完成取证级和严格级检查。即使草稿是用户自己写的、用户表示原样很满意，或用户很赶时间，也必须如此。作者身份、“已经很好了”以及时间压力都不是跳过清理的理由。取证级和严格级检查不会改变含义，只需几秒：先检查，再发布。如果某项约束确实禁止修改文本，就明确说明，并列出所有保留的痕迹；默认做法是清理，而不是直接放行。
• 按比例清理。 检查没有发现问题，就不做任何改动。不要为了证明做过检查而凭空修改，也不要把检测器评分当作结果来报告；应报告发现并修正的痕迹。
• 保留用户实际表达的主张和含义。“保留其风格”指保留句子层面的习惯和所表达的主张，不包括揭示桥段、断续堆叠，或包含 3 个以上词汇标记的段落。删掉这些并非改变其风格或主张，而是这项工作的职责。
• 绝不引入输入中没有的事实。缺少数字时，就询问，或在不添加数字的情况下发布。不要捏造。
• 绝不添加真诚标记、保留说法或坦白式铺垫。如果草稿需要一个袒露脆弱的句子，就询问一个带日期的事实，并平实陈述。
• 保留用户句子层面的风格习惯（小写开头、.. 式停顿、一个破折号、一个自然的三项并列）。
• 严格禁止否定式排比（依据 Sergey 2026-04-27 的要求，现有 -4.9% 触达率数据佐证）：严格级检查始终会删掉全部 6 种形式。
• 绝不保证检测器结果。用户若问“这样能通过 GPTZero 吗”，应如实回答：没人能保证；200 词帖子上的评分只是噪声；子工具 sub-skills/detector-tester.md 用于展示评分差异，并非为草稿背书。

分级理由（简版）

取证级之所以存在，是因为 oaicite 令牌、知识截止日期免责声明和填空式空白都是纯粹的模型痕迹，不可能由人类作者写出来。识别这些痕迹毫无争议。严格级之所以存在，是因为持久存在的 2026 年标志（每段出现 3 次或更多的常见词、揭晓式过渡、短促句子堆叠、三段式结构叠加）正是资深读者发现 AI 文本时会指出的问题，也是 LinkedIn 的低质内容过滤器会做出反应的特征；因此，清除这些标志能改善帖子，即使作者是人类也不例外。审美级之所以存在，是因为单个自然的三段式结构、被动语态，以及逐渐淡出的 2023-24 年词汇，虽然会出现在 AI 输出中，但也会出现在 Lincoln、每一位流行病学家和自 1500 年以来出版的每一本书中。盲目禁止这些特征会把 Hemingway 也判成 AI。只有在受众适配要求时才运行审美模式。

关于各项规则的理由和为其辩护的知名人物，请参阅 sub-skills/rules-explainer.md（以及 references/rules-explainer.md 中的规则索引）。关于 V3 证据和置信度标签，请参阅 references/tier-rationale.md §V3。

关于 AI 检测器普遍不可靠的问题（根据 Stanford 2023 的数据，对 TOEFL 作文的误报率为 61.3%；根据 VUB 2026 的数据，对提示词风格的人工文本优化器的检出率为 92-95%），请参阅 sub-skills/detector-tester.md。可通过 python3 scripts/test_detectors.py --text "..." --demo 离线运行，或配置好付费密钥后运行。密钥配置示例见 scripts/detectors.env.example。此工具会记录检测器之间的分歧；它不会为草稿背书。

关于 emoji 模式检测（灯泡、火箭、闪光签名），请参阅 sub-skills/emoji-detector.md 和 references/emoji-patterns.md 中按 emoji 列出的频率表。

示例

示例演示见 references/examples.md。

文件

• SKILL.md — 本文件（改写清理器 + 审核模式入口）
• references/scrub-rules.md — 按级别划分的完整正则模式、密度评分和节奏规则
• references/voice-fingerprint.md — 清理文本时如何保留用户的声音风格
• references/tier-rationale.md — 各项规则理由的长篇说明及 V3 证据章节
• references/rules-explainer.md — 包含每条规则及引文的机器可读索引
• references/emoji-patterns.md — 与 AI 相关的 emoji 频率表
• references/detector-list.md — 支持的 AI 检测器、API 端点和准确率说明
• references/audit-ai-tells.md — 审核模式使用的黑名单 + 正则表达式
• references/audit-checklist.md — 发布前 20 项检查清单及阈值
• references/audit-examples.md — 审核示例演示
• sub-skills/post-audit.md — 发布前审核工作流（仅检测，不改写）
• sub-skills/rules-explainer.md — 何时为被标记的规则辩护（破折号、三段式规则、被动语态）
• sub-skills/emoji-detector.md — emoji 密度的扫描 / 评分 / 建议工作流
• sub-skills/detector-tester.md — 并行使用 5 个 AI 检测器检测文本，并报告它们之间的分歧
• sub-skills/voice-profile.md — 创建 / 更新用户的声音与品牌档案（--mode profile）；填写后的 ../../references/voice-profile.md 会被每个写作技能读取，以确保草稿符合用户的真实风格
• scripts/test_detectors.py — 运行并行检测器测试（支持通过 --demo 进入离线模式）
• 检测器脚本依赖项（requests、python-dotenv）来自该捆绑包根目录中的 requirements.txt / requirements-lock.txt，而非各自的清单文件
• scripts/test_detectors.py 是该捆绑包中唯一会将你的文本发送给第三方的代码：它会将草稿上传到你持有密钥的每个托管检测器。运行前请阅读 sub-skills/detector-tester.md 顶部的披露说明。
• scripts/detectors.env.example — 5 个检测器 API 密钥的模板

相关技能

• linkedin-post-writer — 生成能够直接通过人类文本优化器检查的草稿