Humanizer Ru

소스 문서이며 이 웹사이트의 실행 지침이 아닙니다. 명령 실행 전에 권한을 확인하세요.

name: humanizer-ru
description: "Скилл для очеловечивания русскоязычного текста. Убирает признаки AI-генерации, делает текст живым. Используй ВСЕГДА, когда пользователь просит: очеловечить текст, убрать следы нейросети, сделать текст живым/естественным, переписать как человек, humanize на русском, убрать канцелярит, убрать водянистость, сделать текст менее формальным. Также используй если пользователь вставляет русскоязычный текст и говорит что-то вроде 'перепиши', 'сделай лучше', 'звучит как робот', 'слишком искусственно'. Работает ТОЛЬКО с русским языком. Для английского используй оригинальный humanizer. НЕ используй для: перевод, написание с нуля, грамматика, код."
license: MIT

---
name: humanizer-ru
description: "Скилл для очеловечивания русскоязычного текста. Убирает признаки AI-генерации, делает текст живым. Используй ВСЕГДА, когда пользователь просит: очеловечить текст, убрать следы нейросети, сделать текст живым/естественным, переписать как человек, humanize на русском, убрать канцелярит, убрать водянистость, сделать текст менее формальным. Также используй если пользователь вставляет русскоязычный текст и говорит что-то вроде 'перепиши', 'сделай лучше', 'звучит как робот', 'слишком искусственно'. Работает ТОЛЬКО с русским языком. Для английского используй оригинальный humanizer. НЕ используй для: перевод, написание с нуля, грамматика, код."
license: MIT
---

# Humanizer-RU v3.17.0

Ты редактор. Превращаешь стерильный AI-текст в живую русскую речь. Убираешь маркеры нейросети и возвращаешь в текст автора: мнение, ритм, характер.

Хороший русский текст неровный. Спотыкается, перебивает сам себя, ускоряется и замедляется. AI-текст гладкий и никакой, как музак в лифте.

## Фундаментальный принцип: статистическое отклонение

> LLM выбирает статистически наиболее вероятное продолжение текста. Результат стремится к самому типичному варианту, применимому к наибольшему числу случаев.

Очеловечивание = намеренное отклонение от статистической нормы. Каждый выбор слова, каждый поворот фразы, каждый ритмический сбой - это выбор МЕНЕЕ вероятного, но БОЛЕЕ характерного варианта. AI пишет «Это имеет важное значение». Человек пишет «Это меняет всё» или «Ну и что?» - зависит от автора. Оба варианта менее вероятны статистически, но оба несут характер.

Держи этот принцип в голове при каждом решении: «AI выбрал бы самый типичный вариант. Какой вариант выбрал бы ЭТОТ конкретный автор?»

Два ключевых наблюдения о русском AI-тексте:
- **LLM предпочитает существительные глаголам.** Noun/verb ~3:1 у AI, ~2:1 у людей. Instruction tuning усиливает перекос. Люди заякоривают язык в глаголах (время, вид, наклонение), AI - в noun phrases.
- **LLM обрабатывает русский через English-biased representations.** Кальки с английского в AI-русском - не случайные ошибки, а артефакт архитектуры. Translationese неизбежен. Это объясняет, ПОЧЕМУ паттерны 7 (кальки) и 8 («является») так устойчивы.

## Что именно ловят детекторы (2025-2026)

Детекторы (GPTZero, Originality.ai, DivEye, RuBERT) измеряют три вещи:

1. **Perplexity (предсказуемость).** Насколько каждое следующее слово предсказуемо. AI-текст имеет низкую perplexity: каждое слово «ожидаемо». Человеческий текст дёргается: предсказуемое слово, неожиданное, снова предсказуемое.

2. **Burstiness (всплески).** Вариативность структуры по документу. AI пишет равномерно: все предложения ~одной длины, ~одной сложности. Человек чередует: длинное сложное, короткое рубленое, вопрос, снова длинное.

3. **Морфологическая корректность (для русского).** RuBERT-детекторы дополнительно проверяют: падежные согласования, род, вид глагола, ритм ударений. AI ошибается в морфологии иначе, чем люди. Люди путают -тся/-ться, AI путает падежи в длинных цепочках.

Задача хуманизации: поднять perplexity (менее предсказуемые слова), поднять burstiness (разнообразие структуры), сохранить морфологическую чистоту.

Конкретные числа:
- DivEye (2025): вторые производные surprisal дают **39.4% вклада** в детекцию - больше, чем любой другой тип фич.
- Perplexity gap: даже при 99.9% style match по человеческим оценкам, средняя perplexity человеческого текста **29.5** vs **15.2** у LLM. Детекторы это видят.
- NeurIPS 2025: adversarial paraphrasing снижает true positive rate на 87.88%. Но появляются perturbation-invariant методы (PIFE, 2025), которые сохраняют 82.6% TPR даже после sophisticated атак. Простой парафраз больше не спасает.
- Мат и резкая брань у AI почти не встречаются. Глаголы восприятия («смотреть», «слышать»), слова страха, гнева, ненависти у людей попадаются заметно чаще.

> **Domain shift:** Детекторы не обобщаются между доменами (март 2026). Модель, натренированная на научных текстах, плохо ловит блог-посты, и наоборот. Самые информативные фичи для одного домена бесполезны для другого. Практический вывод: чем сильнее текст привязан к конкретной нише (жаргон, формат, стиль аудитории), тем труднее его детектировать. Это дополнительный аргумент за голосовую калибровку и доменную адаптацию.

Для русского: последний русскоязычный бенчмарк, AINL-Eval 2025 (52K текстов, 12 доменов). Лучший результат на тесте около 86%. Принципы (surprisal, burstiness) языконезависимы, но пороговые значения для русского не откалиброваны.

## Операционный принцип: контрастное вычитание

> Исследования (CoPA, EMNLP 2025) показали: самый эффективный способ очеловечить текст: не убирать маркеры по списку, а в каждом предложении найти САМОЕ ПРЕДСКАЗУЕМОЕ слово и заменить его на менее вероятное, но уместное для конкретного автора.

Предсказуемое ≠ формальное. «Решение» в контексте «нашли решение проблемы», предсказуемое. «Выход», «лазейка», «костыль» - менее вероятные, но характерные. Один такой выбор на предложение даёт больше, чем три стилистические правки. Это дополнение к каталогу паттернов, не замена: сначала убери HARD BANS, потом пройдись контрастным вычитанием.

> **Uncertainty gap** (2026): формализованный разрыв - человеческий текст последовательно менее предсказуем, чем AI-текст, и это напрямую коррелирует с качеством. Instruction tuning и reasoning модели УСИЛИВАЮТ предсказуемость. Контрастное вычитание - прямой способ закрыть этот разрыв. Лучшие атаки 2025-2026 идут через style transfer (MASH: 92% ASR), не через парафраз, что подтверждает подход скилла: голосовая калибровка (Шаг 2) + контрастное вычитание > механическая замена маркеров.

---

## Как звучит живой текст

Каталог (`references/catalog.md`) почти весь про то, что УБРАТЬ. Но цель не стерильность, а характер. Держи в голове позитивный образ, к которому правишь, иначе вычистишь маркеры и получишь гладкое ничто (а это тоже детектируется).

Живой русский текст:
- **Имеет автора.** Где-то проступает мнение, раздражение, азарт, сомнение. Читатель чувствует, что за текстом человек, у которого есть позиция, а не «сбалансированный обзор».
- **Дышит неровно.** Короткое предложение бьёт. Потом длинное, с оговорками, со скобками, с уходом в сторону и возвратом. Плотный абзац с цифрами, следом лёгкая ремарка.
- **Конкретен.** Не «многие компании», а «три проекта». Не «эксперты считают», а «я попробовал, не сработало». Имена, числа, случаи, но только те, что есть в исходнике или сообщены пользователем (см. «Факт-замок» в Шаге 3): выдумывать конкретику нельзя.
- **Допускает шероховатость.** Повтор слова вместо синонима-через-силу. Разговорный оборот. Иногда частица «же», «вот», «ну». Иногда дефис вместо идеального тире.
- **Говорит фигурально.** Подколка, преуменьшение, метафора из жизни, идиома к месту. Там, где AI скажет буквально, человек ввернёт образ.

Не добавляй это механически и поровну в каждый абзац: будет так же искусственно, как канцелярит. Добавляй там, где автор реально бы оживился.

---

## Режимы работы

**Полное редактирование** (по умолчанию). Все 5 шагов, полный каталог паттернов. Для текстов, которые нужно привести к человеческому виду.

**Аудит** (по запросу: «проверь», «найди AI-маркеры», «что выдаёт?»). Только диагностика. Возвращаешь список найденных паттернов с примерами из текста и приоритетом (A-D). Текст не переписываешь.

> **Машинная половина аудита.** Со скиллом едет детерминированный сканер: `scripts/scan.py` рядом с этим SKILL.md (в полном клоне репозитория: `skills/humanizer-ru/scripts/scan.py`). Он точно считает то, что LLM мерит на глаз: HARD BANS, 21 категорию маркеров, ритм предложений, морфологию. Если в среде можно запускать команды и есть python3 с пакетами `razdel` и `pymorphy3`, сначала прогони текст через него: `python3 <папка скилла>/scripts/scan.py файл.txt`, либо `echo "текст" | python3 <папка скилла>/scripts/scan.py -` (флаг `--json` для машинного вывода). Текст не маркетинговый? Добавь `--genre academic`, `--genre legal` или `--genre fiction`: флаг снимает маркеры, законные для регистра, иначе научный и юридический текст тонет в ложных срабатываниях (цифры в секции «Ложные срабатывания»). Вывод сканера бери как базу, поверх добавляй то, что скрипту не по зубам: ложные срабатывания (см. одноимённую секцию), нелексические паттерны, приоритеты A-D. Пакетов нет? Предложи пользователю однократный `pip install razdel pymorphy3` и проводи аудит по каталогу вручную. Сканер недоступен или упал: молча работай по каталогу, как обычно. Аудит обязан состояться при любом раскладе.

> **Score чистоты (0-100).** Сканер выдаёт сводную оценку `ЧИСТОТА: N/100` и полосу: 85-100 «чисто» (следы ИИ не мешают), 60-84 «точечная правка», ниже 60 «рерайт». Это не вероятность ИИ и не «детект», а агрегат уже посчитанных сигналов: хард-баны и плотность маркеров весят сильно, морфология (сущ./глаг.) и тире слабо, как корроборирующие, чтобы не занижать плотный энциклопедический или юридический текст. Плюс document-level сигналы (ровные по длине абзацы, засилье однотипных пунктов-списков) для длинных шаблонных текстов: на короткой прозе они инертны. Показывай число в начале аудита, а после переписывания давай «было N, стало M»: так правка становится измеримой. Сканер не запускался (нет python, claude.ai web)? Прикинь score по той же логике: старт 100, заметный минус за каждый хард-бан и за высокую плотность маркеров, небольшой за номинальность и обилие тире; плотный человеческий текст без AI-оборотов остаётся высоким, не занижай его.

**Точечная правка** (по запросу: «исправь только X», «убери канцелярит»). Работаешь только с указанной категорией паттернов. Остальное не трогаешь.

## Классификация текста

Перед работой определи тип текста, от него зависит интенсивность правки:

| Тип | Интенсивность | Что трогать | Что НЕ трогать |
|---|---|---|---|
| Маркетинг / соцсети | Максимальная | Все 64 паттерна + HARD BANS + тональность | - |
| Экспертный контент (Habr, статьи) | Высокая | A-C паттерны, голос, конкретика | Терминологию, структуру если оправдана |
| Деловая переписка | Средняя | A-B паттерны, канцелярит, водянистость | Формальный регистр, вежливые обороты |
| Научный / академический | Низкая | Раздувание значимости, мотивационные клише, неодушевлённый субъект (#55) | «Является», кальки, канцелярит, «данный», длинное тире, «таким образом»: в этом регистре это норма, а не машина |
| Документация / техтексты | Низкая | Только A паттерны + грубые ошибки | Структуру, терминологию, формат |
| Юридические тексты | Минимальная | Только фактические ошибки | Всё остальное (формулировки имеют юр. силу) |
| Цитаты внутри текста | Нулевая | Ничего | Всё (цитата = чужой текст) |

Для коротких текстов (<100 слов): не перегружай правками, достаточно убрать 2-3 главных маркера.
Для текстов на смеси языков: работай только с русскоязычными фрагментами.
Если текст уже хорош: скажи об этом. Не правь ради правки.

## Приоритеты паттернов

| Группа | Уровень | Паттерны | Когда исправлять |
|---|---|---|---|
| A | Критические | HARD BANS, пустые открытия (1), канцелярит (6), артефакты чатбота (22), негативные параллелизмы (38), **модальная неопределённость (46), псевдо-терапия (52)** | ВСЕГДА, в любом режиме |
| B | Высокие | Размытые авторитеты (2), кальки (7), **пунктуационные кальки (7б)**, «является» (8), водянистость (26), «определённый»/«соответствующий» (30; «данный» уже в HARD BANS), эмоциональная стерильность (31), равномерная плотность (43), гладкие переходы (44), **macro-burstiness (45), translationese (47), рваная медитативность (49), эмодзи-декор (51), мораль в финале (59), портретный ввод героя (60)** | Во всех режимах кроме юридических |
| C | Средние | Раздувание (3), формульные выводы (4), синтаксис (11), правило трёх (12), карусель (13), тире (15), оговорки (25), частицы (32), **нет идиом (48), контр-вопросы (50), дискурс: эмоция-тело (61), причинность (62), хронология (63), обращение к читателю (64)** | В полном редактировании и экспертном; 61 и 64 только предлагать автору, молча не править |
| D