https://github.com/voidborne-d/humanize-chinese

免费本地 AI 文本去痕迹工具 | Chinese AI text detection & humanization. N-gram perplexity analysis, 20+ detection patterns, academic AIGC reduction (知网/维普/万方), 7 style transforms. Zero dependencies, runs locally.
https://github.com/voidborne-d/humanize-chinese
academic agent-skill ai-detection aigc chinese claude-code-skill humanizer nlp perplexity text-analysis
Last synced: 8 days ago
JSON representation
Host: GitHub
URL: https://github.com/voidborne-d/humanize-chinese
Owner: voidborne-d
Created: 2026-02-23T06:56:28.000Z (2 months ago)
Default Branch: main
Last Pushed: 2026-03-26T16:20:59.000Z (about 1 month ago)
Last Synced: 2026-03-27T04:52:02.838Z (about 1 month ago)
Topics: academic, agent-skill, ai-detection, aigc, chinese, claude-code-skill, humanizer, nlp, perplexity, text-analysis
Language: Python
Homepage: https://clawhub.ai/skills/humanize-chinese
Size: 192 KB
Stars: 3
Watchers: 0
Forks: 0
Open Issues: 1
Metadata Files:
- Readme: README.md
Awesome Lists containing this project

awesome-claude-code-toolkit - humanize-chinese - chinese` | Detects and rewrites AI-generated Chinese text. Two-layer detection (20+ rule dimensions + N-gram perplexity), 0-100 scoring, 7 style transforms, academic paper AIGC reduction. 4 slash commands: /detect, /humanize, /academic, /style | (Skills / Community Skills)
README

          # 🔧 中文 AI 文本去痕迹工具

**免费、本地运行、零依赖、零 LLM。检测 + 改写一步到位。**

[![GitHub stars](https://img.shields.io/github/stars/voidborne-d/humanize-chinese?style=flat-square)](https://github.com/voidborne-d/humanize-chinese)

[![ClawHub](https://img.shields.io/badge/clawhub-humanize--chinese-blue?style=flat-square)](https://clawhub.com/skills/humanize-chinese)

[![License: MIT Non-Commercial](https://img.shields.io/badge/License-MIT_Non--Commercial-yellow?style=flat-square)](LICENSE)

[![Python](https://img.shields.io/badge/Python-3.6+-blue?style=flat-square)](https://python.org)

[![Claude Code](https://img.shields.io/badge/Claude_Code-compatible-orange?style=flat-square)](#claude-code)

---

## 30 秒看效果

```bash

./humanize academic 论文.txt -o 改后.txt --compare

```

```

学术专用评分 (11 维度):

  原文:    92/100 VERY HIGH

  改写后:  52/100 HIGH

  ✅ 降低了 40 分

通用 AIGC 评分 (同 detect_cn.py):

  原文:    74/100 HIGH

  改写后:  50/100 HIGH

  ✅ 降低了 24 分

```

**三款测试样本平均降低 37+ 分**。不用注册、不用付费、不用联网、不需要 API Key。10k 字符 5 秒搞定（`--quick` 模式 0.3 秒，18× 速度）。

---

## 改写前后对比

### 🎓 学术论文（VERY HIGH → HIGH，降 40 分）

**改写前** 🔴 92分：

> 本文旨在探讨人工智能对高等教育教学模式的影响，具有重要的理论意义和实践价值。研究表明，人工智能技术已被广泛应用于课堂教学、学生评估和个性化学习等多个方面。

**改写后** 🟠 52分：

> 本研究聚焦于人工智能对高等教育教学模式的影响，兼具理论探索与实践参考的双重价值。前人研究发现，人工智能技术已广泛用于课堂教学、学生评估和个性化学习等多个方面。

### 💬 通用文本（VERY HIGH → HIGH，降 35 分）

**改写前** 🔴 100分：

> 综上所述，人工智能技术在教育领域具有重要的应用价值和广阔的发展前景。值得注意的是，随着技术的不断发展，AI 将在个性化学习、智能评估等方面发挥越来越重要的作用，为教育行业的数字化转型赋能。

**改写后** 🟠 65分：

> 简单讲，人工智能技术在教育领域有其独特价值和广阔的进展前景。如今，AI 将在个性化学习、智能评估等维度发挥越来越要紧的作用。

### 🌸 社交媒体 → 小红书风格（VERY HIGH → HIGH，降 37 分）

**改写前** 🔴 100分

**改写后** 🟠 63分（自动先 humanize 去 AI 词，再加入小红书风格要素）

**所有示例的 AIGC 评分都基于统一检测器 detect_cn.py，使用 seed=42 可复现。**

---

## 真实数据测试

我们用 [HC3-Chinese](https://github.com/Hello-SimpleAI/chatgpt-comparison-detection) 公开数据集（12,853 对人类 vs ChatGPT 真实问答）做了基准测试，随机抽 100 对看工具的实际效果。

### 检测器表现

| 能力 | 数值 | 说明 |

|---|---|---|

| 区分 AI 和人写的能力 | **75%** | 随机抽一对文本，检测器给 AI 打分更高的概率 |

| AI 原分 vs 人类原分 | 25.1 vs 10.3 | 差 **14.7 分**，检测器能明显区分 |

### 改写效果（HC3 100 样本，平均降幅 **7.9 分**）

| 领域 | AI 原分 | 改写后 | 下降 |

|---|---|---|---|

| 🏥 医学问答 | 29.6 | 15.3 | **-14.3** |

| ⚖️ 法律问答 | 33.0 | 18.9 | **-14.1** |

| 💬 开放问答 | 32.9 | 21.9 | **-11.0** |

| 🧠 心理咨询 | 37.1 | 27.6 | -9.5 |

| 💰 金融问答 | 23.4 | 17.0 | -6.4 |

| 📚 百科问答 | 9.9 | 9.8 | -0.1 |

| 🔍 事实问答 | 10.9 | 10.4 | -0.5 |

**简单说：长文本、专业领域（医学/法律/开放问答）改写效果最好，能降 11-14 分。**

### 需要知道的

- **真实 ChatGPT 不等于"AI 样板文"**。HC3 里的 ChatGPT 原始分数就只有 5-25 分（本来就不那么明显），所以降幅只有几分。但如果是典型的八股 AI 文（论文模板/小红书腔），降幅会大得多（见上面的 50+ 分示例）。

- **短问答难降**：百科、事实类问答本身字数少，AI 特征不明显，工具发挥空间有限。

- **所有阈值都有依据**：每个检测特征都在 600 对人类-AI 样本上标定过，不是拍脑袋设的。

自己跑一遍：

```bash

# 需要先下载 HC3 数据到 ../data/hc3_chinese_all.jsonl

python evals/run_hc3_benchmark.py --n 100 --seed 42

```

---

## 安装

```bash

# 方式一：ClawHub

clawhub install humanize-chinese

# 方式二：Git Clone

git clone https://github.com/voidborne-d/humanize-chinese.git

# 方式三：Claude Code Skill

npx skills add https://github.com/voidborne-d/humanize-chinese.git

```

不需要 `pip install` 任何东西。下载就能用。

---

## Claude Code

4 个 slash command，复制到 `.claude/commands/` 即可：

```bash

git clone https://github.com/voidborne-d/humanize-chinese.git

cp humanize-chinese/claude-code/*.md YOUR_PROJECT/.claude/commands/

```

然后在 Claude Code 里：

```

/detect 综上所述，人工智能技术在教育领域具有重要的应用价值...

/humanize 本文旨在探讨人工智能对高等教育教学模式的影响...

/academic 论文.txt

/style xiaohongshu 在当今快节奏的生活中...

```

| 命令 | 功能 |

|------|------|

| `/detect` | AI 痕迹检测，0-100 评分 |

| `/humanize` | 去 AI 味改写 |

| `/academic` | 学术论文 AIGC 降重 |

| `/style [风格]` | 风格转换（7 种） |

---

## 快速上手

### 统一 CLI（推荐）

```bash

./humanize --list

./humanize detect 论文.txt                       # 检测

./humanize academic 论文.txt -o 改后.txt --compare # 学术降重

./humanize rewrite text.txt --quick -o clean.txt  # 通用改写（极速）

./humanize style text.txt --style xiaohongshu     # 风格转换

./humanize compare text.txt -a                    # 前后对比

./humanize _{--help                           # 子命令帮助

```}

底层依然是各 `scripts/*_cn.py` 独立脚本，`./humanize` 只是分发器，直接调用旧脚本也完全 OK。

### 🎓 学术论文降 AIGC 率

```bash

./humanize academic 论文.txt                      # 只检测

./humanize academic 论文.txt -o 改后.txt --compare  # 改写 + 对比

./humanize academic 论文.txt -o 改后.txt --quick    # 快速模式（跳过统计，~18× 速度）

./humanize academic 论文.txt -o 改后.txt -a --compare  # 激进模式

```

### 🔍 通用文本去 AI 味

```bash

./humanize detect text.txt -v           # 检测（详细）

./humanize rewrite text.txt -o clean.txt # 改写

./humanize rewrite text.txt --quick      # 纯替换，极快

./humanize compare text.txt -a           # 对比

```

### 🎨 风格转换

```bash

./humanize style text.txt --style xiaohongshu   # 小红书

./humanize style text.txt --style zhihu         # 知乎

./humanize style text.txt --style weibo         # 微博

```

7 种风格：口语化 / 知乎 / 小红书 / 公众号 / 学术 / 文艺 / 微博

（风格转换会先自动跑一遍 humanize，去掉 AI 高频词，再套风格。`--no-humanize` 关闭。）

---

## 功能一览

| 功能 | 说明 |

|------|------|

| 🔍 AI 检测 | 20+ 规则维度 + **HC3-校准**的 8 个统计特征（含 d=1.22 的句长 CV 和 d=1.21 的短句占比），0-100 评分 |

| 📈 统计层 | 字符级 trigram 困惑度 + DivEye 惊奇度 + GLTR rank 分桶 + 句长 burstiness + 标点密度 |

| ✏️ 智能改写 | 困惑度引导选词 + 低频 bigram 注入 + 短句插入 + 句长随机化 + **40 paraphrase 模板** + 三档自适应强度 |

| 🎓 学术降重 | 11 维度检测（含扩散度）+ **122 条学术替换** + 独立 picker 策略，针对知网/维普/万方 |

| 🎨 风格转换 | 7 种中文写作风格（知乎/小红书/微博/公众号/学术/文艺/口语化） |

| 📊 前后对比 | 学术分 + 通用分双评分，改写效果一目了然 |

| 🔄 可复现 | `--seed` 保证相同输入相同输出 |

| ⚡ 速度 | 10k 字符 `--quick` 模式 0.3 秒，完整模式 5 秒 |

| 📦 零依赖 | 纯 Python 标准库，下载即用。可选 CiLin 词林（`--cilin`，38873 词 + 语义过滤） |

| 📐 基准测试 | HC3-Chinese 12853 对人类/AI 真实问答回归测试 |

---

## 🎓 学生党必看

用 ChatGPT / DeepSeek 写了论文初稿？三步搞定：

```bash

# 1. 看看 AIGC 率多高

python scripts/academic_cn.py 论文.txt

# 2. 一键改写

python scripts/academic_cn.py 论文.txt -o 改后.txt --compare

# 3. 不够就开激进模式

python scripts/academic_cn.py 论文.txt -o 改后.txt -a --compare

```

**工具做了什么：**

- "本文旨在" → "本研究聚焦于"

- "被广泛应用" → "得到较多运用"

- 打破每段一样长的结构

- 加入"可能""在一定程度上"等学术犹豫语

- "研究表明" → "笔者认为""前人研究发现"

- 基于 HC3-Chinese Cohen's d 校准的统计特征，学术词表禁用口语候选（不会把"应用"改成"施用"）

⚠️ 改完通读一遍，确认专业术语没被误改、引用格式正确。建议用知网 AMLC 或维普验证。

---

## 评分标准

| 分数 | 等级 | 含义 |

|------|------|------|

| 0-24 | 🟢 LOW | 基本像人写的 |

| 25-49 | 🟡 MEDIUM | 有些 AI 痕迹 |

| 50-74 | 🟠 HIGH | 大概率 AI 生成 |

| 75-100 | 🔴 VERY HIGH | 几乎确定是 AI |

---

## 技术原理

### 规则层（看词）

三段式套路、机械连接词、空洞宏大词、AI 高频词、模板句式、段落结构均匀度。规则都在 `scripts/patterns_cn.json`，可以自己改。

### 统计层（看分布）

所有阈值都基于 HC3-Chinese 300+300 人类-AI 对照样本的 Cohen's d 校准，不是拍脑袋设的。

**1. 句长 burstiness (最强信号)** — AI 中文爱写 15-25 字等长句，人类长短交错。灵感来自 AIMS 2025 中文深度学习 AIGC 检测 paper + 知网语言模式链情报。

   - 句长变异系数 CV (HC3 **Cohen's d = 1.22** — 人类 0.52 vs AI 0.32)

   - 短句占比 (< 10 字的句子比例，HC3 **Cohen's d = 1.21** — 人类 25% vs AI 2.6%)

**2. 困惑度 (Perplexity)** — 字符序列的平均负对数概率（d = 0.47）。基于 `scripts/ngram_freq_cn.json` 训练语料的字符级 3-gram。

**3. GLTR rank 分桶** ([Gehrmann et al. ACL 2019](https://arxiv.org/abs/1906.04043))

   - top-10 bucket 占比（AI 更集中在高概率字，d = 0.44）

**4. DivEye surprisal 时间序列** ([Basani & Chen TMLR 2026](https://arxiv.org/abs/2502.00258))

   - skew（d = 0.41）、excess_kurt（d = 0.29）、spectral_flatness（d = 0.20）

**5. 逗号密度** — 有趣发现：AIMS 2025 paper 说「AI 标点密」但 HC3 实测相反。Q&A corpus 里人类写 casual 文本用更多 commas（4.82/百字 vs AI 3.82/百字，d = -0.47）。加了 `low_comma_density` 指标。

所有 statistical indicators 总分上限 25，和规则层（上限 75）加成最终 0-100。

### 智能改写

**Picker 策略**：每次替换从多候选中选「困惑度次高」的（最高的常是古语/错字，次高才是自然人类选择）。学术场景额外禁用 30 个口语候选 + 37 个 AI 触发词候选。

**三档自适应强度**：

- score < 5：**conservative** — 仅短语替换 + 标点清理

- 5 ≤ score < 25：**moderate** — +restructure + bigram

- score ≥ 25：**full** — 全量（含噪声注入 + 句长随机化）

避免对已经够干净的文本乱加噪音反而更像 AI。

**其他技术**：

- 低频 bigram 注入（把 "系统" × 6 的重复 60% 换成 "架构""体系""框架"）

- 句长随机化（避免每句差不多长，但保留"X指出，Y"等 attribution 结构）

- 段落感知（每一步按 `\n\n` 分段处理，不丢段落结构）

- 可选 CiLin 同义词词林扩展（`--cilin`，38,873 词 JSON）

---

## CLI 参数速查

统一 CLI 形式（推荐）：

```bash

./humanize detect   [file] [-v] [-s] [-j]

./humanize rewrite  [file] [-o out] [--scene S] [--style S] [-a] [--seed N] [--quick] [--cilin]

./humanize academic [file] [-o out] [--detect-only] [-a] [--compare] [--quick]

./humanize style    [file] --style S [-o out] [--no-humanize]

./humanize compare  [file] [-o out] [--scene S] [-a]

```

等价的独立脚本形式：

```bash

python scripts/detect_cn.py [file] ...

python scripts/humanize_cn.py [file] ...

python scripts/academic_cn.py [file] ...

python scripts/style_cn.py [file] --style S ...

python scripts/compare_cn.py [file] ...

```

| 参数 | 说明 |

|------|------|

| `-v` | 详细模式，显示最可疑的句子 |

| `-s` | 只输出评分 |

| `-j` | JSON 输出 |

| `-o` | 输出文件 |

| `-a` | 激进模式 |

| `--seed N` | 固定随机种子 |

| `--quick` | 纯替换 + 结构还原，跳过统计优化（**~18× 速度**） |

| `--no-stats` | 关闭统计优化 |

| `--no-noise` | 关闭噪声注入和句长随机化 |

| `--cilin` | 开启 CiLin 同义词扩展（humanize） |

| `--compare` | 改写前后双评分对比（academic） |

| `--no-humanize` | style 转换前不先去 AI 词 |

---

## 批量处理

```bash

for f in *.txt; do echo "=== $f ===" && ./humanize detect "$f" -s; done

for f in *.md; do ./humanize rewrite "$f" -a -o "${f%.md}_clean.md"; done

```

---

## 对比 Humanizer-zh

和 [Humanizer-zh](https://github.com/op7418/Humanizer-zh)（5k⭐）的区别：

| | 本项目 | Humanizer-zh |

|---|---|---|

| 运行方式 | ✅ 独立 CLI，终端直接跑 | 纯 prompt，必须在 Claude Code 内用 |

| 依赖 | ✅ 零依赖、零 LLM、零 token | 需要 Claude Code + API 额度 |

| 量化评分 | ✅ 0-100 分（学术 + 通用双尺度） | ❌ 无评分 |

| 统计检测 | ✅ 困惑度 + DivEye + GLTR，HC3 校准 | ❌ 无 |

| 学术模式 | ✅ 11 维度 + 120 条替换 | ❌ 无 |

| 风格转换 | ✅ 7 种 | ❌ 无 |

| 可复现 | ✅ `--seed` | ❌ 每次不同 |

| 批量处理 | ✅ CLI 管道 | ❌ 只能单篇交互 |

| 免费 | ✅ 完全免费 | ⚠️ 需要 API 额度 |

| 基准测试 | ✅ HC3-Chinese 100 样本回归 | ❌ 无 |

简单说：Humanizer-zh 是个好 prompt，但只能在 Claude Code 里用。我们是独立工具，任何环境都能跑，而且每次改动都有 HC3 回归验证。

---

## 局限

- **真实 ChatGPT 输出** 不像网上样板那么极端，HC3 上 baseline 就 8 分左右，平均降幅只有 1.6 分。刻板化 AI 文本降幅明显（可 50+ 分），自然 ChatGPT 文本降幅温和。

- **统计层不用神经网络**：我们用字符级 n-gram + 时间序列特征，不是 RoBERTa 这类分类器。优点是零依赖，缺点是分类 AUC 不如 SOTA 检测器。

- **CNKI/维普/万方没有公开 API**，我们无法接入作为 oracle。PaperPass / 朱雀 都有腾讯 T-Sec CAPTCHA 反爬。所以本项目基于自己的检测公式 + HC3 回归测试迭代，不盲信第三方检测器的具体分数。

- **不保证过 100% 的 AIGC 检测**。改写会降低「刻板 AI 味」，但最终还是要看检测器用什么模型。工具只是帮你更像人写的，不是反检测魔法。

---

## Star History

[![Star History Chart](https://api.star-history.com/svg?repos=voidborne-d/humanize-chinese&type=Date)](https://star-history.com/#voidborne-d/humanize-chinese&Date)

---

## License

**MIT Non-Commercial** — 个人学习、学术研究、非商业开源项目随便用。

**禁止商业使用**，包括但不限于：

- 卖本软件或基于本软件的衍生品

- 把工具包装成付费服务（SaaS / API / 网页服务等）

- 集成到商业产品中作为功能卖点

- 用本软件给客户提供付费改写 / AI 检测服务

如需商业授权，请通过 [GitHub repo](https://github.com/voidborne-d/humanize-chinese) 联系作者。
ecosyste.ms

Data

Tools

Indexes

Applications

Experiments

Awesome

https://github.com/voidborne-d/humanize-chinese

Awesome Lists containing this project

README
