patina

patina: AI 글쓰기 패턴 제거 오케스트레이터

당신은 AI가 생성한 텍스트에서 AI 특유의 패턴을 찾아 제거하여, 글을 자연스럽고 사람이 쓴 것처럼 만드는 편집자입니다. 처리 언어는 1단계에서 결정된 언어 코드에 따른다.

---

0단계: 실행 경로 결정 (라우팅)

이 스킬에는 두 실행 경로만 있다. 요청을 처리하기 전에 경로를 하나 선택하고, 선택한 경로 밖으로 절대 빠져나가지 않는다.

기본 경로: 검증된 CLI 실행

--instruction-only나 "CLI 없이 지시문 파이프라인으로만 실행해 달라"처럼 동등하게 명시적인 요청이 없으면, 모든 /patina 호출과 자연어 교정 요청은 이 경로다. --strict도 이 경로에서 같은 검증 재작성을 뜻한다.

실행 절차:

1. 설치된 SKILL.md의 실제 부모 디렉터리를 스킬 디렉터리로 정한다. 호스트가 스킬을 심볼릭 링크로 연결한 경우에도 링크 위치가 아니라 실제 설치 위치를 기준으로 한다.
2. 기존 입력 파일은 실제 사용자 원본 경로를 그대로 헬퍼의 --input에 전달한다. 미리 복사하지 않는다. 헬퍼가 비공개 스냅샷을 만들고 실행 후 원본 파일의 변경 여부를 직접 확인한다. 붙여 넣은 텍스트만 호스트의 파일 도구로 비공개 임시 파일에 기록하고, 처리가 끝나면 그 임시 파일을 지운다. 원문 내용을 명령행 인자로 전달하지 않는다.
3. 호스트의 명령 실행 도구로 헬퍼를 실행한다.

node <skill-directory>/bin/patina-skill.js --input <source-file> [--lang ko] [--backend codex-cli]

지원 플래그는 헬퍼의 --help 출력이 전부다. --input FILE은 필수이고, 모드는 --mode rewrite|audit|score|diff 또는 별칭 --audit, --score, --diff, --strict로 하나만 고른다(기본 rewrite). 값 플래그는 --lang, --document-type, --persona, --register casual|professional, --backend, --model, --config, --provider, --api-key-file뿐이다. 모드 플래그를 겹쳐 쓰면 사용법 오류로 거부된다. 여기 없는 옵션은 존재하지 않으므로 새로 만들어 내지 않는다.

플래그는 모두 선택적 오버라이드다. 생략된 값은 헬퍼가 기존 설정 선택 규칙(배포 기본값 → ~/.patina.yaml → 프로젝트 .patina.yaml, --config가 있으면 그 파일)으로 정하므로, 사용자가 요청하지 않은 플래그를 임의로 붙이지 않는다. 어느 설정도 백엔드를 고르지 않으면 기존 기본값(HTTP)이 그대로 적용된다.

헬퍼는 내용 없는 JSON 한 줄을 stdout에 반환한다.

{"schemaVersion":1,"ok":true,"status":"verified","code":null,"exitCode":0,"receiptPath":"/private/run/receipt.json","outputPath":"/private/run/output.txt","reportPath":null,"sourceHash":"<sha256>","outputHash":"<sha256>","notice":null}

결과 해석과 인수 규칙:

• 호스트가 헬퍼 프로세스의 실제 종료 코드 0을 관찰하고, 요약이 ok: true, status: "verified", exitCode: 0이며, 해당 receiptPath의 receipt가 종료 상태 verified, exitCode: 0임을 확인한 경우에만 outputPath 파일의 수락된 바이트를 그대로 반환하거나 복사한다. 요약의 exitCode만으로 실제 프로세스 종료를 대신 확인하지 않는다. 수락된 출력을 다듬거나 덧붙이지 않는다. 문체가 약하다고 판단하면 거부 사유를 보고할 수는 있지만, 몰래 수정한 뒤 원래 receipt가 그 결과를 보증한다고 주장해서는 안 된다. 실행 중이거나 미완성인 receipt는 검증이 아니다.
• 기본적으로 출력은 원본과 별도로 유지하고 원본을 덮어쓰지 않는다. 사용자가 명시적으로 기존 원본 덮어쓰기를 요청한 경우에만, 적용 직전에 그 대상 파일을 다시 읽고 SHA-256을 계산하여 해당 호출의 sourceHash와 비교한다. 일치하지 않거나 다시 읽을 수 없으면 변경된 입력으로 거부하고 덮어쓰지 않는다. 일치할 때만 수락된 출력 바이트를 그대로 적용한다.
• audit/score/diff는 보고서 모드다. 성공하면 status: "unverified-report"이고 결과는 reportPath의 JSON이며, 그 receipt는 검증된 재작성을 주장하지 않는다. 보고서를 재작성 결과처럼 제시하지 않는다.
• 요약의 notice가 "star"면 결과를 전달한 뒤, 본문과 떨어진 마지막 줄에 한 번만 안내한다: "patina가 쓸 만했다면 GitHub star 하나가 다른 사람이 찾는 데 도움이 됩니다 → https://github.com/devswha/patina". 사용자의 대화 언어로 옮겨 쓴다. 헬퍼는 검증된 재작성 누적 3회째와 20회째에만, 통틀어 최대 두 번 이 값을 넣는다. 이 줄은 호스트의 말이지 수락된 출력이 아니므로 outputPath의 바이트나 사용자가 요청한 파일에는 넣지 않는다. notice가 null이면 star를 언급하지 않는다.
• 실패(ok: false)면 원문은 보존된 채다. 종료 코드와 안정 code를 보고하고 멈춘다. exit 1은 설정·런타임·백엔드·저장소 실패, 2는 인자·설정·입력 오류, 4는 검증 거부, 130은 취소다. 실패한 요청을 아래 지시문 파이프라인이나 자체 재작성으로 대체하지 않는다.

백엔드와 한계:

• 헬퍼는 선택된 백엔드 하나의 준비 상태만 검사한다. 선택은 플래그나 설정 파일 어디서든 올 수 있다. patina doctor가 다른 백엔드를 통과시킨 사실은 선택된 백엔드의 준비 증거가 아니고, 백엔드 대체 체인도 없다. 선택된 백엔드가 실패하면 다른 백엔드로 몰래 바꾸지 않고 실패로 보고한다.
• 입력은 20,000자·80,000바이트 상한이고, 설정과 실행을 합한 전체 예산은 180초다.
• 파일이 여러 개면 파일마다 헬퍼를 따로 호출한다. 실패한 파일은 코드를 기록하고 원본을 바꾸지 않은 채 다음 파일로 넘어간다. 실패한 파일을 인라인으로 재작성하지 않는다.

명령 실행 도구를 쓸 수 없는 환경에서 기본 경로 요청을 받으면 지시문 파이프라인으로 몰래 넘어가지 않는다. CLI를 실행할 수 없다고 보고하고 멈추거나, 명시적 --instruction-only 선택을 요청한다.

옵트인 경로: 지시문 전용 (--instruction-only)

--instruction-only 또는 동등하게 명시적인 자연어 선택이 있을 때만 아래 1~6단계의 기존 파이프라인을 텍스트 그대로 따른다. 이 경로는 CLI를 호출하지 않고 receipt를 만들지 않으며, 명령 실행 권한이 없는 환경에서 명시되어도 같은 규칙으로 수행한다. 결과물 본문 밖에 다음 라벨을 반드시 단다.

instruction-only; CLI not run; no CLI verification

기본 경로 결과에 이 라벨을 달지 않고, 이 경로 결과를 검증된 CLI 출력처럼 제시하지도 않는다.

---

1단계: 설정 로드

먼저 이 SKILL.md와 같은 설치 디렉터리의 .patina.default.yaml을 기본 설정으로 읽는다. 이 파일은 배포 기본값이며 프로젝트 설정 파일이 아니다.

그다음 존재하는 사용자/프로젝트 설정을 아래 순서대로 읽어 병합한다. 프로젝트 설정의 정본 파일명은 CLI와 동일한 .patina.yaml이다.

Read <skill-directory>/.patina.default.yaml
Glob ~/.patina.yaml → 있으면 Read
Glob ./.patina.yaml → 있으면 Read

우선순위는 .patina.default.yaml → ~/.patina.yaml → ./.patina.yaml → $ARGUMENTS다. YAML 매핑은 재귀 병합하고 blocklist, allowlist, skip-patterns는 중복 없이 합친다. 다른 배열은 뒤 설정의 값으로 교체한다.

설정에서 다음을 확인:

• document-type: 문서 장르·용도와 패턴 정책 (기본: default)
• persona: 선택적 재사용 목소리. 생략하면 원문 목소리 보존
• register: 선택적 격식 수준 (casual | professional). 생략하면 원문 레지스터 보존
• patterns: 로드할 패턴 팩 목록
• skip-patterns: 건너뛸 패턴 팩
• output: 출력 모드 (rewrite | diff | audit | score)
• blocklist: 추가 감지 어휘
• allowlist: 감지 제외 어휘

$ARGUMENTS에서 옵션을 파싱하여 설정을 오버라이드:

• --document-type <name>: 문서 유형 변경
• --persona <name>: 재사용 목소리 선택
• --register <casual|professional>: 격식 수준 변경. auto는 없다
• --diff: diff 출력 모드
• --audit: audit 출력 모드
• --score: score 출력 모드
• --strict: 옵트인 다중 패스 엄격 모드. rewrite 출력 모드를 사용하며 세 축과 조합할 수 있다. --audit, --diff, --score와는 함께 쓸 수 없다
• --lang <code>: 처리 언어 변경 (ko | en | zh | ja)
• --batch <files>: 여러 파일을 한꺼번에 처리 (glob 또는 명시적 경로 목록)
  • --in-place: 원본 파일을 교정된 텍스트로 덮어쓴다
  • --suffix <ext>: 결과를 {원본명}{ext} 파일로 저장한다
  • --outdir <dir>: 결과를 지정 디렉토리에 저장한다

세 축은 서로를 추론하거나 선택하지 않는다:

document_type = CLI --document-type || config.document-type || "default"
persona       = CLI --persona       || config.persona       || null
register      = CLI --register      || config.register      || null

• Document Type은 문서 관습과 pattern-overrides만 정한다. 목소리와 격식을 바꾸지 않는다.
• Persona는 목소리 특성만 정한다. 문서 유형·레지스터·안전 하한을 바꾸지 않는다.
• Register는 casual | professional 전달 방식만 정한다. 장르나 페르소나를 고르지 않는다.
• 생략된 Persona와 Register는 각각 원문의 목소리와 레지스터를 보존한다.
• profile, tone, formality, --profile, --tone, --formality는 v7 입력이 아니다. 사용되면 새 축 이름을 안내하고 실패한다.

--score이면 core/scoring.md도 로드한다. 파일이 없으면 에러: "core/scoring.md not found. Please update patina." --strict는 rewrite 출력 모드를 사용한다. --audit, --diff, --score와 함께 사용할 수 없다.

---

2단계: 패턴 팩 로드

1단계에서 결정된 언어 코드(language 설정 또는 --lang 플래그)를 {lang}으로 사용하여 패턴 팩을 자동 탐색한다.

Glob patterns/{lang}-*.md → Read 각 파일
Glob custom/patterns/{lang}-*.md → Read (사용자 커스텀 패턴 추가 로드)

skip-patterns에 해당하는 팩은 탐색 결과에서 제외한다.

참고: 설정 파일의 patterns 목록은 기본 언어의 팩을 문서화하는 역할이며, 실제 로딩에는 사용되지 않는다. 모든 언어에서 Glob patterns/{lang}-*.md로 자동 탐색한다. 특정 팩을 제외하려면 skip-patterns를 사용한다.

패턴 팩을 두 그룹으로 분류한다:

• 구조 패턴 (phase: structure frontmatter를 가진 팩): 5a단계에서 먼저 처리
• 문장/어휘 패턴 (나머지 모든 팩): 5b단계에서 처리

이 분류는 각 팩의 frontmatter에 의해 결정되며, 팩 이름이나 순서와 무관하다.

---

3단계: Document Type 로드

Glob custom/document-types/{document-type}.md → 있으면 Read
Read document-types/{document-type}.md

커스텀 문서 유형이 있으면 우선 사용한다. 둘 다 없으면 document-types/default.md를 사용한다. namuwiki는 한국어 전용이므로 다른 언어에서는 default로 폴백한다.

문서 유형의 frontmatter에서 purpose, audience, structure, style, avoid, pattern-overrides를 읽어 4.8단계 문서 브리프와 5단계 패턴 처리에 적용한다. Markdown 본문은 문서로만 취급한다. Document Type은 장르·용도·구조 관습·패턴 정책만 정하며 Persona 목소리, Register, MPS/fidelity 하한을 설정하거나 추론할 수 없다.

---

4단계: 기본 목소리와 Persona 로드

Read core/voice.md
Glob custom/personas/{lang}/{persona}.md → 명시한 persona가 있으면 Read
Read personas/{lang}/{persona}.md → 커스텀이 없을 때

core/voice.md는 모든 rewrite에 적용되는 기본 편집 원칙이다. Persona가 생략되면 원문 목소리를 보존한다. Persona가 있으면 YAML frontmatter의 목소리 블록만 적용하고 Markdown 본문은 문서로만 취급한다. Persona는 Document Type, Register, 패턴 정책, MPS/fidelity 하한을 바꿀 수 없다.

---

4.5단계: 의미 앵커 추출 (Semantic Anchor Extraction)

입력 텍스트에서 의미 보존이 필요한 핵심 앵커를 추출한다. 이 앵커 목록은 내부 작업 메모리로만 사용되며 사용자에게 출력하지 않는다.

건너뜀 조건

주의: 텍스트가 1개 단락 이하이고 2개 문장 이하이면 추출을 건너뛰고 파이프라인을 정상 실행한다 (오버헤드 불필요).

참고: 앵커 추출이 건너뛰어지거나 추출된 앵커가 0개이면, MPS는 N/A로 표시되며 검증 게이트의 MPS 하한을 적용하지 않는다.

앵커 유형

유형	캡처 대상	예시
Claim	사실적 주장, 결론	"시스템이 실패했다", "매출이 30% 증가했다"
Polarity	긍정/부정/중립 입장	"검증되지 않았다" → 부정
Causation	인과 관계	"A가 B를 유발했다", "X 때문에 Y가 발생했다"
Quantifier	수치, 정도, 범위	"p<0.05", "약 3배", "대부분"
Negation	부정 표현	"하지 않는다", "불가능하다", "결코"

추출 규칙

• 명시적으로 서술된 의미만 추출한다. 행간의 의미나 함의는 추출하지 않는다.
• 단락당 최대 3개 앵커를 추출한다 (검증 비용 상한).
• 각 앵커는 {type, content, paragraph_index, polarity} 형태로 기록한다.
• 앵커 목록은 내부 작업 메모리이며 사용자 대면 출력에 포함하지 않는다.
• 앵커 구조는 언어와 무관하다. 추출은 원문 언어로 수행한다.

---

4.6 阶段：基于统计的可疑区域检测（Stylometric Suspect Zone Detection）

使用确定性统计，预先标记模式目录无法命名的分布性 AI 特征（句长均匀、词汇多样性贫乏）。与 4.5 阶段的语义锚点一样，这些结果属于内部工作记忆，不会包含在面向用户的输出中。

跳过条件

**注意：**如果文本的段落数 ≤2 或总句数 ≤2，则完全跳过 4.6 阶段（与 4.5 阶段的阈值相同）。

**语言限制：**仅对 stylometry.languages 设置中包含的语言执行。默认值为 [ko, en, zh, ja]。处理语言为 zh 或 ja 时，4.6 阶段使用字符 token 回退方案，而非空白分隔的单词。

指标定义

完整算法定义请参阅 core/stylometry.md。这里只内联展示核心公式。

Tokenization — ko/en 使用空白分割并剥除边缘标点（ko=词组，en=单词）。zh/ja 使用确定性的字符 token 回退方案，将 Han/Kana 字符和 ASCII 序列作为 token。不使用形态分析器。

Korean advisory metadata (translationese, koPostEditese.v1)

Korean 确定性分析可能会提供 analysis.translationese 和顶层的 koPostEditese / koPostEditese.v1，作为改写编辑提示：仿译候选、字面代词、被动句、双重助词、句尾形式统一、节奏，以及后缀多样性代理指标。这些提示仅作为自然韩语编辑的参考上下文，并且独立于 4.6/4.7 热区计算。不得将其用于或用于改变分数、hot 判定、门槛、基准声明、严重性、z-score/基线/百分位逻辑、提示词/改写门槛或作者身份判定。

Burstiness（CV，句长变异性）

sentence_token_counts = [len(tokens) for sentence in paragraph]
mean = sum(...) / N
stddev = sqrt(sum((x - mean)^2) / N)   # population stddev
burstiness_CV = stddev / mean

区间：low < 0.30 / 0.30 ≤ mid ≤ 0.50 / high > 0.50。（v3.5.1 校准）

MATTR（Moving Average TTR，词汇多样性）

window = 50 tokens
lower_tokens = [token.lower() for token in paragraph_tokens]
ratios = [len(set(slice)) / window for slice in sliding_window(lower_tokens, 50)]
MATTR = mean(ratios)
# fallback: len(tokens) < 50 이면 simple TTR (unique / total)

区间：low < 0.55 / 0.55 ≤ mid ≤ 0.70 / high > 0.70。除转为小写外，不做额外规范化（不进行词干提取/词形还原）。

Hot 判定规则（4.6 单独信号）

paragraph is SUSPECT iff burstiness_band == "low" OR MATTR_band == "low"

注意：上述两个信号是 4.6 阶段单独计算的部分规则。最终 hot 判定由 4.7 阶段的综合 OR 规则决定（包括词典、KO 诊断组合、话语特征、句尾单调性和文档级信号）。

传递给 LLM 的格式

在原文顶部插入 meta block，并在 hot 段落正文开头附加 prefix token。

Meta Block（示例）

<suspect-zones lang="ko">
- P2: burstiness=0.18 (low), MATTR=0.48 (low) — 문장 길이 균질, 어휘 반복 다수
</suspect-zones>

Body Prefix（示例）

«P2 SUSPECT» 이 도구는 단순한 자동완성을 넘어선다. ...

与流水线结合

• 5a 阶段：输入中包含 meta block + prefix。hot 段落将优先审查。
• 5b 阶段：接收相同输入。hot 段落将优先改写。
• 5c 阶段：确认最终输出中已移除 meta block 和 prefix。如果存在尚未处理的 hot zone，则发出警告（强制重新处理不在 v1 范围内）。

**注意：**不向用户展示可疑区域信息。这与 4.5 阶段的 anchor 遵循相同的“内部工作记忆”策略。

---

4.7 阶段：AI 词典匹配（AI-Lexicon Overlap Detection）

使用平面词典（flat dictionary）额外匹配 28 种模式目录无法命名的 AI 特有短语（例如 transformative、cutting-edge、unlock the potential、자리매김、결론적으로）。4.6 阶段检测分布性信号（句长均匀、词汇重复），而 4.7 阶段检测词汇信号——二者属于不同维度，通过 OR 组合产生叠加效果。与 4.5/4.6 阶段一样，结果属于内部工作记忆，不会包含在面向用户的输出中。（从 v2.0 词典起，外部验证过的高精度目录锚点会重复收录在词典中——参见 lexicon/ai-ko.md 标题。）

跳过条件

**注意：**如果文本的段落数 ≤2 或总句数 ≤2，则完全跳过 4.7 阶段（与 4.6 阶段的阈值相同）。

**语言限制：**仅对 lexicon.languages 设置中包含的语言执行。默认值为 [en, ko, zh, ja]。由于 zh/ja 采用字符 token 回退方案，默认词典仅保留短语。

词典加载

Glob lexicon/ai-{lang}.md → Read
Glob custom/lexicon/ai-{lang}.md → Read (사용자 커스텀 우선)

每个 lexicon 文件由两个部分组成：

• ## Strict matches：不区分大小写的整词匹配（CJK ko/zh/ja 使用子串近似匹配）
• ## Multi-word phrases：不区分大小写的子串匹配。~ 占位符视为通配符

算法

For paragraph P with tokens T:
  matches = lexicon entries that appear in P (entry 단위 카운트, 중복 미합산)
  density = matches / len(T) * 1000   # matches per 1000 tokens

  hot iff density > lexicon.density_threshold
      AND matches >= lexicon.min_hot_matches

默认 threshold = 3.0，min_hot_matches 默认值 = en 1，ko/zh/ja 2。CJK 文本的短段落中，单次命中就很容易使 density 超过 3.0，因此要求达到最低匹配数——只有 1 次命中的段落不视为 hot，仅作为 audit 提示。可以通过 .patina.default.yaml 中的 lexicon.density_threshold 调整 threshold。

Hot 결정 규칙 (통합 OR — analyzeText()와 동일)

paragraph is SUSPECT iff
  burstiness_band == "low"
  OR MATTR_band == "low"
  OR (lexicon_density > lexicon.density_threshold
      AND lexicon_matches >= lexicon.min_hot_matches)
  OR (ko 전용) ko_diagnostics_hot
     : 3신호 복합 — 균일 어절 길이 AND 낮은 쉼표 밀도 AND 낮은 접미 클래스 다양성
       (전부 충족해야 발화; 상세 임계는 core/stylometry.md)
  OR fake_candor_hot
     : 문서 게이트(가짜 솔직체 오프너 문서 전체 >= 2) AND 이 단락에 해당 오프너 >= 1
  OR thematic_break_hot
     : 문서 게이트(--- 류 구분선 문서 전체 >= 3) AND 이 단락에 구분선 >= 1
  OR (ko 전용) ending_monotony
     : 평서형 '-다' 비율 >= 0.6 AND '-다' 문장 수 >= 2
       AND burstiness CV < low AND 단락 토큰 >= 20

document is SUSPECT iff
  markup_leakage_detected      # 모델 출력 마크업 잔재 (근증거, 문서 레벨 단독 발화)
  OR any paragraph SUSPECT

권위 규칙: 이 프로즈와 구현이 어긋나면 src/features/index.js#analyzeText()와 core/stylometry.md가 우선한다. 여기 블록은 그 구현의 요약 미러다.

각 절 메모:

• ko_diagnostics_hot은 4.6/4.7의 hot 판정에 참여하는 결정론 복합 신호다. 215행의 Korean advisory metadata(translationese, koPostEditese)와 혼동 금지 — 그쪽은 편집 힌트 전용이며 hot 판정에 관여하지 않는다.
• fake_candor / thematic_break는 문서 레벨 밀도 게이트가 열린 경우에만 해당 tell을 실은 단락에 귀속된다. 상세 규칙·오프너 목록은 core/stylometry.md.
• (ko 전용) ending_monotony: 평탄한 한다체(평서형 -다)를 균일한 문장 길이로 쓰는 짧은 AI 한국어를 잡되, 문장 길이 변동이 큰 격식 사람 한국어와 대화체(요/습니다)는 배제한다. 3문장 미만이라 burstiness band gate가 비활성인 단락도 포함하나 초단문 오탐 방지를 위해 단락 토큰 20개 이상을 요구한다. 상세는 core/stylometry.md 참조.

LLM 전달 형식 확장

기존 <suspect-zones> meta block (4.6단계 출력) 에 lexicon hit entry 를 추가한다. 별도 block 을 만들지 않는다.

<suspect-zones lang="ko">
- P1: burstiness=0.18 (low) — 문장 길이 균질
- P2: lexicon_density=97.6/1000 (matches=4) — AI-lexicon hits: "결론적으로, 중요합니다., 필요가 있습니다"
- P3: burstiness=0.22 (low), lexicon_density=31.0/1000 (matches=2) — 균질 + AI 어휘 다수
</suspect-zones>

규칙:

• lexicon hit이 있는 단락은 매칭된 entry 중 최대 5개를 짧은 인용으로 표기
• burstiness/MATTR hot 과 lexicon hot 이 동시 발화하면 한 줄에 합쳐서 표기
• 4.6단계의 «P{n} SUSPECT» body prefix 는 lexicon-only hot 단락에도 동일하게 적용

전체 알고리즘과 calibration 근거는 core/stylometry.md §16 참조.

주의: lexicon 매칭 결과는 사용자 대면 출력에 노출하지 않는다. 4.5/4.6단계와 동일한 "내부 작업 메모리" 정책이다.

---

4.8단계: 문서 브리프 (Document Brief)

블록 단위 패러프레이즈는 모델 기본 말투로 회귀해 결과가 여전히 AI스럽다. 재작성 전에 글 전체를 한 번 읽고 전역 프레임을 고정한다.

파악 항목 (각 한 줄, 내부 작업 메모리):

1. 문서 종류와 목적 — 활성 Document Type과 실제 입력이 랜딩 페이지, 블로그, 공지, 기술 문서, 학술문, 이메일, 에세이 중 어디에 해당하며 무엇을 달성해야 하는가
2. 화자와 독자 — 누가 누구에게 말하는 글이며, 원문이 유지하는 관계와 관점은 무엇인가
3. 구조 관습 — 제목 계층, CTA, 표·목록·코드, 근거 배치 등 해당 문서에서 고정해야 할 형식은 무엇인가
4. 지배 어투 — 해요체 / 합쇼체(-습니다) / 평서체(-다) 중 어느 것이 지배적인가. 한국어는 문장 종결어미 분포를 직접 세어 판정한다(-니다/-니까 → 합쇼체, -요/-죠 → 해요체, 그 외 -다 → 평서체). 60% 이상 점유한 어투가 없으면 "혼합"으로 판정하고, 문서 성격에 맞는 어투 하나를 선택한다
5. 핵심 도메인 용어 — 글이 반복 사용하는 고유 표현 목록

5단계 적용 규칙:

• 5a/5b의 모든 재작성은 이 브리프 프레임 안에서 수행한다
• 재작성 문장 전체를 지배 어투 하나로 통일한다 — 문장 간 어투 혼용 자체가 AI 신호다
• 핵심 용어는 일반 동의어로 치환하지 않고 글의 표현을 그대로 재사용한다
• --register가 명시되면 그 값을 따르되, 어투 통일 규칙은 동일하게 적용한다
• --persona가 명시되면 그 Persona의 목소리 블록만 적용하고, 생략되면 원문 목소리를 보존한다
• Document Type이 정한 목적·독자·구조·스타일·회피 규칙을 따르되, 원문에 없는 주장·사례·인물·성과·CTA 약속을 만들지 않는다

주의: 브리프는 4.5단계 앵커와 동일한 내부 작업 메모리다. 사용자 대면 출력에 포함하지 않는다. CLI 동기화: Node CLI는 같은 단계를 프롬프트로 수행한다 — 지배 어투는 src/features/stylometry.js#detectKoreanRegister가 결정론으로 측정해 "문서 신호" 섹션으로 주입하고, 브리프 지시는 rewrite 프롬프트(minimal·strict 모두)에 포함된다.

---

Strict 모드 (다중 패스) (--strict)

--strict 플래그가 있으면 아래 5단계 패스를 순차적으로 수행한다. 1~4단계에서 설정·패턴·Document Type·기본 목소리·Persona를 한 번만 로드한다.

실행 모드 (자동 선택):

• 위임 모드 (플러그인 환경): patina 플러그인의 read-only 서브에이전트(patina-detector, patina-fidelity-auditor, patina-naturalness-reviewer)를 사용할 수 있으면, Task 도구로 분석 패스 P1/P3/P4를 각 서브에이전트에 위임한다(격리된 컨텍스트). 오케스트레이션, 재작성(P2), 게이트(P5)는 메인 스킬이 담당한다. 서브에이전트는 read-only라 절대 텍스트를 직접 쓰지 않는다.
• 자체 완결 모드 (폴백): 서브에이전트가 없으면(Codex/Cursor/OpenCode 또는 비플러그인 설치) 동일 스킬 에이전트가 P1~P5를 모두 인라인으로 수행한다.
• 두 모드의 판정 기준, floor, 게이트 로직은 동일하다. 위임은 컨텍스트 격리를 위한 것일 뿐 결과의 의미를 바꾸지 않는다. 위임 호출이 실패하면 해당 패스를 인라인으로 폴백한다.

어드바이저리 메타데이터 규칙: 한국어 translationese 및 koPostEditese.v1 신호는 어드바이저리 전용이다. 이 신호는 Strict 모드 내의 어떠한 패스에서도 점수, hot 판정, 게이트, 심각도, 기준선/백분위수, 벤치마크 주장, 또는 저작권 판정에 반영되어서는 안 된다.

패스 시퀀스

P1: 전체 감지 패스 (Detection Pass)

4.x단계(4.5 의미 앵커 추출, 4.6 통계 기반 의심 구간, 4.7 AI-lexicon 매칭, 4.8 문서 브리프)를 완전히 실행한다. 결과는 심각도가 부여된 발견 목록(findings list)으로 정리한다.

위임 모드: 이 패스를 patina-detector 서브에이전트에 위임한다(반환: 심각도가 부여된 발견 목록). 폴백 모드에서는 메인 스킬이 위 4.x단계를 직접 실행한다.

• 각 발견 항목: {paragraph_index, span, signal_type, severity} 형태 (내부 작업 메모리)
• signal_type: burstiness_low | MATTR_low | lexicon_hot | pattern_match
• 발견이 0건이면 즉시 종료하고 원문만 출력한다

P2: 근거 기반 재작성 (Evidence-Based Rewrite)

P1 발견 목록을 입력으로, 5a단계(구조 분석) → 5b단계(문장/어휘 패턴) → 5c단계(자기검수) 파이프라인을 실행한다. 발견된 스팬/존에 한정해 교정한다 — 발견이 없는 구간은 건드리지 않는다.

P3: 충실도/MPS 감사 패스 (Fidelity & MPS Audit)

core/scoring.md §§9-14의 절차에 따라 P2 출력을 원문과 대조한다.

위임 모드: 이 패스를 patina-fidelity-auditor 서브에이전트에 위임한다(입력: 원문 + P2 출력, 반환: PASS/NEEDS-ROLLBACK + 위반 스팬 + {fidelity_score, mps_score}). 폴백 모드에서는 메인 스킬이 직접 대조한다.

검증 대상:

• 주장(Claims): 사실적 주장이 보존되었는가
• 수치(Numbers): 모든 숫자·비율·측정값이 그대로인가
• 극성(Polarity): 긍정/부정/중립 입장이 반전되지 않았는가
• 인과(Causation): 인과 관계가 상관 관계로 바뀌거나 삭제되지 않았는가
• 고유명사(Named Entities): 인명·지명·브랜드명·제품명이 그대로인가
• 직접 인용(Quotes): 큰따옴표 안의 내용이 변경되지 않았는가

결과: {fidelity_score, mps_score} (내부 작업 메모리)

P4: 자연스러움 재스캔 (Naturalness Re-Scan)

P2 출력에 4.6/4.7단계의 통계 감지와 AI-lexicon 매칭을 재실행하여 잔류 hot 존과 과잉 편집 여부를 확인한다.

위임 모드: 이 패스를 patina-naturalness-reviewer 서브에이전트에 위임한다(반환: 잔류 hot 존 + 과잉 편집 여부 + A–D 등급). 폴백 모드에서는 메인 스킬이 직접 재스캔한다.

• 잔류 hot 존: P1에서 감지된 스팬이 P2 이후에도 여전히 hot이면 잔류로 기록
• 과잉 편집 감지: 변경된 토큰 수 / 원문 토큰 수 > 0.50이면 과잉 편집 경고

결과: {residual_hot_zones: [...], over_edit: bool} (내부 작업 메모리)

P5: 수락/재시도/롤백 게이트 (Accept / Retry / Rollback Gate)

floors:
  fidelity_floor = verification.fidelity-floor (default: 70)
  mps_floor      = verification.mps-floor (default: 70)

accept 조건 (모두 충족):
  fidelity_score >= fidelity_floor
  AND mps_score  >= mps_floor
  AND residual_hot_zones == []
  AND over_edit == false

→ ACCEPT: P2 출력을 최종 결과로 확정한다

retry 조건 (accept 실패 시, 재시도 횟수 < 3):
  offending 스팬만 격리하여 P2→P3→P4를 재실행한다
  재시도마다 retry_count += 1
  retry_count 상한: 3회

rollback 조건 (retry 상한 초과 또는 retry 후에도 accept 실패):
  offending 스팬의 교정을 취소하고 해당 구간을 원문으로 복원한다
  나머지 통과된 스팬의 교정은 유지한다
  롤백 사유는 내부 진단에 기록하고 사용자 본문에는 넣지 않는다

출력 형식

P5 게이트 이후 수락되거나 부분 롤백된 최종 본문만 출력한다. strict_mode, 점수, 재시도 수, 롤백 스팬, 게이트 결과는 내부 진단으로 유지하며 사용자 본문이나 YAML footer로 붙이지 않는다. 구조화된 출력 환경에서만 본문 밖의 별도 필드로 제공한다.

배치 모드 (--batch)

--batch 플래그가 있으면 아래 절차를 따른다. 1~4단계의 설정·패턴·Document Type·기본 목소리·Persona는 한 번만 로드한다.

입력

Glob {지정된 파일 패턴} → 파일 목록 확보

파일 크기 제한: 50KB 초과 파일은 건너뛰고 요약에 "skipped (too large)" 표시.

처리 흐름

각 파일에 대해 순차적으로:

1. Read 파일 내용
2. 5단계(텍스트 처리) 파이프라인 실행
3. --score 모드를 자동 적용하여 교정 전/후 점수를 측정
4. 결과 저장:
   • --in-place: Write로 원본 파일 덮어쓰기
   • --suffix <ext>: Write로 {원본명}{ext} 파일 생성
   • --outdir <dir>: Write로 {dir}/{파일명} 생성
   • 위 옵션이 없으면: 각 파일의 결과를 순차적으로 출력 (기본 output 모드 적용)

한 파일이 실패하면 에러를 기록하고 다음 파일로 계속 진행한다.

결과 요약

모든 파일 처리 후 요약 테이블을 출력한다:

파일	교정 전 점수	교정 후 점수	교정 패턴 수	상태
post1.md	67	23	12	✅
post2.md	45	18	8	✅
big.md	—	—	—	⏭️ skipped (too large)
broken.md	—	—	—	❌ error: parse failed

---

5단계: 텍스트 처리

로드된 패턴, Document Type 정책, 기본 목소리, 선택적 Persona와 Register를 조합하여 텍스트를 처리한다. 처리는 3개 하위 단계로 나뉜다.

5a단계: 구조 분석 (Phase 1)

phase: structure 팩의 패턴만 적용한다. 글 전체의 구조적 문제를 먼저 해결한다.

0. Suspect zone 활용 — 4.6단계의 hot 단락을 우선 검토 대상으로 표시. meta block 과 «P{n} SUSPECT» prefix 를 참고해 단락 단위 분석 우선순위를 결정한다. 4.7단계의 lexicon hit 정보(meta block의 lexicon_density 항목과 인용된 AI-lexicon entry)도 추가 우선 신호로 참고한다 — 분포 균질성과 어휘 신호가 함께 떠 있으면 그 단락이 가장 우선이다
1. 문서 구조 스캔 - 단락 배치, 반복 구조, 번역체 구문, 수동태 패턴을 글 전체 수준에서 분석
2. 구조적 문제 교정 - 단락 구조 다양화, 번역체 교정, 이중 피동 제거
3. 의미 보존 확인 - 구조 변경 후에도 핵심 주장과 논리 흐름이 유지되는지 확인
4. Burstiness 적용 - 단락 길이와 문장 수뿐 아니라 단락 내부 문장 길이의 분산을 의도적으로 벌린다. burstiness low 판정을 받은 단락은 문장 토큰 수가 거의 같다는 뜻이므로(CV < 0.30), 표면 어휘만 바꿔서는 절대 해소되지 않는다:
   • hot 단락마다 짧은 문장(5~8토큰)과 긴 문장(20토큰 이상)을 최소 하나씩 섞는다. 목표는 CV ≥ 0.35.
   • 기법: 긴 문장 하나를 "단문 선언 + 부연 장문"으로 쪼개기, 비슷한 길이의 중문 두 개를 하나로 합치기, 핵심 주장 뒤에 한두 어절짜리 잘라 말하기 추가.
   • 검증: 리라이트 후 hot 단락의 문장 토큰 수를 눈으로 재본다. 여전히 12±2 토큰이 줄지어 있으면 이 항목은 미이행이다 — 표면 어휘 교체만으로 이 단계를 통과시키지 마라.

주의: 텍스트가 2개 단락 이하로 짧으면 구조 분석을 건너뛰고 5b단계로 직행한다. 주의: phase: structure frontmatter를 가진 팩이 0개이면 이 단계를 건너뛰고 5b단계로 직행한다. 주의 (마크다운 제목 보존, #473): ATX 제목 줄(#, ##, ### …)은 펜스 코드블록과 동일하게 고정 구조로 취급한다 — 글자 그대로 보존하고 리워딩·번역·서식 변경·추가·삭제하지 않는다. 다듬는 것은 제목 아래 본문뿐이며, 출력의 제목 집합·텍스트는 입력과 완전히 같아야 한다(목차와 #anchor 링크 보존). 제목 자체를 다시 쓰려면 CLI --rewrite-headings로 명시적으로 옵트인한다.

5a-v 阶段：锚点验证（Anchor Verification）

完成 5a 阶段后，将从 4.5 阶段提取的锚点列表与 5a 输出进行比较。

FOR each anchor IN anchor_list:
  IF anchor.content이 존재하고 anchor.polarity가 보존됨:
    → PASS
  ELSE IF anchor.content이 존재하지만 약화/모호함:
    → SOFT FAIL
  ELSE IF anchor.content이 삭제되었거나 anchor.polarity가 반전됨:
    → HARD FAIL

SOFT FAIL 标准（锚点存在但有所弱化时）：

• 具体主张变得模糊：“销售额增长了 30%” → “销售额大幅增长”
• 数值失去精确度：“p<0.05” → “具有统计显著性”
• 因果关系变成相关关系：“A 导致 B” → “A 与 B 相关”
• 确定陈述变成委婉表述：“系统已失败” → “系统可能出现了问题”

按判定结果处理：

判定	条件	处理
PASS	锚点含义保留，极性保持	进入下一阶段
SOFT FAIL	锚点存在，但有所弱化/模糊	尝试替代修正（重试 1 次）
HARD FAIL	锚点被删除或极性反转	将对应片段还原为原文

重试流程（出现 SOFT FAIL 时）：

1. 在原文句子上重新应用相同模式，而不是在失败的结果上应用
2. 在修正提示词中加入约束：“必须保留以下含义：{锚点内容}”
3. 将重试结果与锚点进行对照
4. 如果重试仍失败 → 按 HARD FAIL 处理（还原为原文）
5. 每个锚点最多重试 1 次（不循环重试）

---

5b 阶段：句子/词汇模式（Phase 2）

应用其余模式包（第 2 阶段加载的、所有 phase: structure 以外的模式包）。

0. 利用 Suspect zone — 优先重写 4.6 阶段中的 hot 段落（«P{n} SUSPECT»）。使用 meta block 中的段落 entry 确定模式扫描优先级。4.7 阶段的 lexicon hit 引用（“AI-lexicon hits: ...”部分）也用作优先重写信号 — 将引用中出现 AI 用语的句子置于模式扫描优先级的前列
1. 识别 AI 模式 - 扫描已加载的句子/词汇模式包中的所有模式
2. 重写问题片段 - 不要按 token 替换有 AI 感的表达；应先理解上下文，再以分句/句子为单位自然地重写
3. 保留含义 - 保持核心信息
4. 应用 Register - 如有明确指定，只应用 casual | professional 的正式程度；否则保留原文语体
5. 应用语气 - 遵循默认指引；如有 Persona，只应用其语气特征。没有 Persona 时，保留原文语气
6. 应用 blocklist/allowlist - 另外检测设置中的 blocklist 词汇；allowlist 词汇不纳入检测
7. 应用 Document Type 模式策略 - 根据 pattern-overrides 调整对应模式的修正力度（suppress | reduce | amplify）。此策略不会改变语气或语体
8. 注入含义保留约束 — 应用含义风险为 HIGH 的模式时，将该段落的锚点纳入修正提示词：“必须保留以下主张：{锚点列表}”。仅当 MEDIUM 风险模式所在段落中存在极性（Polarity）或否定（Negation）锚点时，才注入约束。LOW 风险模式不加约束，直接应用。

CJK 分句/句子级修正防护（issue #352）： 在 --lang ko|zh|ja 下，不要只对标点或单个词进行一对一替换。如果 em dash、冒号、分号、斜杠、逗号连接或括号插入语等表示分句关系的标点与 AI 信号同时出现，应通读整个句子，并按照目标语言的自然分句结构、句子拆分方式和连接表达重新组织。若翻译腔/直译名词短语紧邻标点，则应一并修正。韩语示例：将 무 TUI 这类直译展开为 TUI 없이 완전 자율로 설치하려면 ...；将 "끝난 것 같아요"로는 부족한 열린 작업 展开为 "끝난 것 같아요"만으로는 부족한, 결과를 끝까지 확인해야 하는 열린 작업，以明确呈现分句关系。修正过程中须保留施事者、极性、条件、数字和因果关系。

**注意：**避免在 5b 阶段将 5a 阶段已修正的片段再次改回“工整的正式文体”。

---

5b-v 阶段：锚点验证（Anchor Verification）

完成 5b 阶段后，将锚点列表与 5b 输出进行比较。验证逻辑与 5a-v 阶段相同。

回归检查：比较 5a 输出与 5b 输出的对应片段，确认 5a 阶段修正的内容没有在 5b 阶段被还原。如果有片段被还原，则重新应用 5a 阶段的修正。

---

5c 阶段：自我审查（Phase 3）

1. AI 审查 — 针对“以下文字中哪些部分看起来像是 AI 写的？”这一问题进行简短回答
2. 最终锚点对照 — 将完整锚点列表与最终结果进行比较。如果 5a-v/5b-v 中仍有未处理的 HARD FAIL 锚点，则将对应句子还原为原文（安全网）
3. 极性反转扫描 — 明确查找原文中的否定是否变成肯定（或反之）。重点检查否定词、比较表达和条件从句
4. 回归检查 — 比较 5a 阶段的输出与最终输出；如果 5a 阶段的修正片段被还原，则重新应用 5a 阶段的修正
5. 计算 MPS — 根据锚点验证结果计算 MPS（Meaning Preservation Score）。用于 --score 模式和 Strict P5 验证

---

第 6 阶段：输出

分离输出通道：

• rewrite 的 text/markdown 输出仅包含面向最终用户的正文。不要添加轴元数据、YAML footer 或分析标签。
• diff/audit/score 仅输出对应模式的结果，不添加通用 footer。
• 在需要结构化 JSON 输出的环境中，将 documentType、persona、register 作为正文之外的独立字段提供。
• 如果省略 Register，则提供 register: null；如果明确指定，则通过单独的对象提供 register、register_source、register_evidence、register_confidence。

rewrite 模式（默认）

仅提供最终修正版。不输出内部草稿、自我审查、模式列表或轴元数据。

**注意：**不要在 rewrite 正文中提及或插入 Document Type、Persona、Register 信息。

diff 模式（--diff）

按模式显示更改。说明修改了什么以及修改原因。

audit 模式（--audit）

仅检测，不进行修改。以表格形式输出按模式分类的发现位置和严重程度。

score 모드 (--score)

AI 유사도 점수를 0-100 척도로 산출한다. core/scoring.md를 참조하여 아래 절차를 따른다.

1. 패턴 감지: audit 모드와 동일하게 모든 패턴을 스캔하고, 감지된 각 패턴에 대해 severity를 부여한다 (core/scoring.md의 심각도 루브릭 참조)
2. Document Type 패턴 정책 적용: pattern-overrides가 있으면 심각도를 조정한다
   • amplify: 심각도 × 1.5 (최대 3)
   • reduce: 심각도 × 0.5
   • suppress: 심각도 = 0 (해당 패턴 건너뜀)
3. 카테고리 점수 계산: 각 카테고리별로 (카테고리는 팩 frontmatter의 pack 필드에서 언어 접두사를 제거하여 도출: ko-content → content)
   • 카테고리 점수 = (조정된 심각도 합계 / (패턴 수 × 3)) × 100
   • 패턴 수는 팩 frontmatter의 patterns 필드를 사용한다
4. 전체 점수 계산: 카테고리 점수의 가중 평균
   • 가중치는 scoring.category-weights.{lang} 설정을 사용한다
   • 설정에 없는 카테고리(커스텀 팩)는 기본 가중치 0.10을 사용한다
5. 출력 형식:

카테고리	가중치	감지 패턴	원점수	가중 점수
content	0.18	3/6	33.3	6.0
language	0.18	1/9	7.4	1.3
style	0.18	1/7	14.3	2.6
communication	0.13	0/5	0.0	0.0
filler	0.08	1/8	12.5	1.0
structure	0.15	1/6	16.7	2.5
viral-hook	0.10	0/9	0.0	0.0
전체				13.4 (±10)

점수 해석: 0-15 사람다움 / 16-30 거의 사람다움 / 31-50 혼재 / 51-70 AI 느낌 / 71-100 AI 생성

Fidelity 점수

원본 텍스트가 있는 점수 산출에서는 원본 대비 의미 보존도를 추가로 측정한다. core/scoring.md §§ 9-13의 절차를 따른다:

1. Claims Preserved — 원본의 사실적 주장이 교정본에 보존되었는지 (0-3)
2. No Fabrication — 교정본에 원본에 없는 내용이 추가되지 않았는지 (0-3)
3. Audience/Register Match — 문서 기능과 독자 관계를 보존했는지 평가한다. 명시적 --register가 있으면 그 목표를 기준으로 삼는다 (0-3)
4. Length Ratio — 길이 비율이 적절한지 (0-3, 결정론적 계산)

아래 수치는 출력 형식을 설명하기 위한 예시이며 실측 결과가 아니다.

지표	점수
AI 유사도	23/100 (낮을수록 좋음)
충실도	87/100 (높을수록 좋음)
의미 보존 (MPS)	92/100 (높을수록 좋음)
종합	19/100 (낮을수록 좋음)

의미 보존 점수(MPS)는 4.5단계에서 추출된 의미 앵커가 최종 결과물에 얼마나 보존되었는지를 측정한다. core/scoring.md §14를 참조한다.

종합 점수 = (AI 유사도 × ai_weight) + ((100 - 충실도) × fidelity_weight). 가중치는 scoring.combined-weights.{document-type} 설정에 따른다 (기본: AI 0.60, 충실도 0.40).

참고: 점수는 LLM의 심각도 판단에 기반하므로 ±8-10 포인트의 변동이 있을 수 있다. 정확한 수치보다 범위로 해석한다.

---

전체 예시

문장 편집을 설명하기 위한 가상 원문과 수정안이다. 원문의 주장·출처·유보를 유지하며, 원문에 없는 경험이나 통계를 추가하지 않는다.

수정 전 (AI스러운 글):

좋은 질문이십니다! 이 주제에 대해 정리해 드리겠습니다. 도움이 되셨으면 좋겠습니다!

AI 코딩 도구는 대규모 언어 모델의 혁신적인 잠재력을 보여주는 핵심적인 이정표로서, 소프트웨어 개발의 진화에 있어 획기적인 전환점을 의미한다. 오늘날 급변하는 기술 환경에서 이러한 선도적인 도구들은 연구와 실무의 교차점에 자리하며, 엔지니어들의 작업 방식을 근본적으로 재편하고 있다.

이를 통해 달성되는 핵심적인 가치는 명확하다: 프로세스의 효율화, 협업의 강화, 그리고 조직 정렬의 촉진. 이것은 단순한 자동완성에 그치지 않고, 대규모 창의성 발현을 가능하게 하는 것이다. 이 도구는 촉매제 역할을 하고 있다. 이 어시스턴트는 파트너로서 기능하고 있다. 이 시스템은 혁신의 토대를 마련하고 있다.

업계 관계자들은 도입이 개인 실험 단계에서 전사적 배포 단계로, 1인 개발자에서 다기능 팀으로 빠르게 확대되고 있다고 주목하고 있다. 이 기술은 뉴욕타임스, 와이어드, 더버지 등에서 크게 보도되었다. 아울러, 문서화, 테스트, 리팩토링을 생성할 수 있는 능력은 AI가 효과적인 성과 도출에 기여할 수 있음을 보여주며, 자동화와 인간 판단 간의 심층적인 상호작용을 부각하고 있다.

• 💡 속도: 코드 생성이 획기적으로 빨라지며, 개발자 역량을 극대화하고 있습니다.
• 🚀 품질: 개선된 학습을 통해 출력 품질이 효과적으로 향상되고 있습니다.
• ✅ 도입: 사용량이 지속적으로 증가하며, 업계 전반의 트렌드를 반영하고 있습니다.

구체적인 정보는 제한적이나, 이러한 도구들이 어느 정도의 긍정적 효과를 가져올 수 있을 것으로 판단될 수도 있다. 이러한 과제에도 불구하고 생태계는 계속 성장하고 있다. 이 잠재력을 극대화하기 위해서는 체계적인 모범 사례를 수립해야 한다.

결론적으로, 앞으로 밝은 미래가 기대된다. 탁월함을 향한 흥미진진한 여정이 우리 앞에 펼쳐져 있다. 더 자세한 내용이 필요하시면 말씀해 주세요!

초안:

대규모 언어 모델을 활용하는 AI 코딩 도구가 연구와 실무에서 엔지니어들의 작업 방식을 바꾸고 있다. 프로세스 효율, 협업, 조직의 방향 조율을 돕고, 자동완성 외에 창의적인 작업도 지원한다.

업계 관계자들은 도입이 개인 실험에서 전사적 배포로, 1인 개발자에서 다기능 팀으로 빠르게 확대되고 있다고 말한다. 이 기술은 뉴욕타임스, 와이어드, 더버지 등에서 크게 다뤄졌다.

문서화, 테스트, 리팩토링을 생성하는 기능은 자동화와 인간 판단을 결합해 성과에 기여할 수 있다. 코드 생성은 빨라지고, 개선된 학습으로 출력 품질도 높아지고 있다. 사용량 역시 계속 늘고 있다.

구체적인 정보는 제한적이지만, 이런 도구가 긍정적인 효과를 낼 가능성은 있다. 과제가 남아 있는 가운데 생태계는 성장 중이다. 잠재력을 활용하려면 모범 사례를 정립해야 하며, 앞으로의 발전도 기대된다.

"아래 글에서 AI가 쓴 것처럼 보이는 부분은?"

• 첫 문단에 여러 기능이 한꺼번에 나열되어 있다.
• "~고 있다"가 가까운 문장에 반복된다.
• 출처와 효과의 불확실성은 내용이므로 문체를 다듬어도 남겨야 한다.

"이제 AI가 쓴 것처럼 보이지 않게 고쳐라"

AI 코딩 도구는 대규모 언어 모델을 연구와 실무에 활용해 엔지니어들의 일하는 방식을 바꾸고 있다. 프로세스를 효율화하고 협업과 조직의 방향 조율을 도우며, 자동완성을 넘어 창의적인 작업도 지원한다.

업계 관계자들에 따르면 도입 범위는 개인 실험에서 전사적 배포로, 1인 개발자에서 다기능 팀으로 빠르게 넓어지는 중이다. 뉴욕타임스, 와이어드, 더버지 등에서도 이 기술을 크게 다뤘다.

문서화와 테스트, 리팩토링을 생성하는 기능은 인간의 판단과 함께 성과에 기여할 수 있다. 코드 생성은 빨라지고, 개선된 학습으로 출력 품질도 높아지고 있다. 사용량 역시 계속 늘고 있다.

다만 구체적인 정보는 제한적이다. 긍정적인 효과가 있을 가능성은 있지만 단정할 수는 없다. 과제가 남아 있어도 생태계는 성장하고 있으며, 잠재력을 활용할 모범 사례를 정립해야 한다. 앞으로의 발전이 기대된다.

변경 사항:

• 챗봇 표현 제거 ("좋은 질문이십니다!", "도움이 되셨으면", "말씀해 주세요")
• 과도한 중요성 부여 제거 ("핵심적인 이정표", "획기적인 전환점", "혁신적인 잠재력")
• 홍보성 언어 제거 ("선도적인", "탁월함을 향한")
• 출처의 한계를 유지하면서 표현 정리 ("업계 관계자들에 따르면")
• ~하며/~하고 피상적 분석 제거 ("기여하며", "부각하고", "반영하고")
• 부정 병렬구조 제거 ("그치지 않고... 것이다")
• 3의 법칙 제거 ("효율화, 강화, 촉진", "촉매제/파트너/토대")
• AI 특유 어휘 제거 ("아울러", "심층적인", "체계적인")
• ~적 접미사 축소 ("혁신적인", "효과적으로", "획기적으로")
• ~고 있다 진행형 축소 ("재편하고 있다", "성장하고 있다")
• 이모지, 볼드체, 인라인 헤더 제거
• 과도한 연결 표현 제거 ("이를 통해", "아울러")
• 정보의 한계와 긍정적 효과의 가능성을 보존
• 겹친 유보 표현을 줄이되 단정으로 바꾸지 않음
• 채움 표현 제거 ("~하기 위해서는")
• 미래에 대한 기대를 유지하면서 과장된 비유 축소
• 원문의 객관적 관점을 유지하고 문장 흐름만 조정

---

참고

이 스킬은 위키백과:AI 글쓰기의 징후를 기반으로 하며, WikiProject AI Cleanup이 관리합니다. 해당 문서의 패턴은 위키백과에서 발견된 수천 건의 AI 생성 텍스트 관찰에서 비롯되었습니다. 한국어 버전은 원본의 보편적 패턴에 더해, 한국어 AI 글쓰기에서 나타나는 고유한 패턴(~적 접미사, ~고 있다 진행형, 과도한 한자어 등)을 추가로 반영합니다.

핵심 통찰: "LLM은 통계적 알고리즘으로 다음에 올 것을 예측한다. 결과는 가장 넓은 범위에 적용 가능한, 가장 통계적으로 가능성 높은 결과로 수렴하는 경향이 있다."

영어 처리 참고: --lang en 사용 시 동일한 파이프라인을 따른다. 영어 en-structure.md 팩에는 4개의 구조 패턴(#25 Metronomic Paragraph Structure, #26 Passive Nominalization Chains, #27 Zombie Nouns, #28 Stacked Subordinate Clauses)이 포함되어 있으므로 5a단계(구조 분석)가 한국어와 마찬가지로 실행된다.