--- name: humanizer-de description: 'Edit-Pass für bestehenden deutschen Text: Register/Rhythmus messen, belegtreu redigieren, Naturalness prüfen, KI-Schreibmuster/KI-Tells auditieren und entfernen; deutschen Text humanisieren; German AI Text Humanizer.' allowed-tools: [Read, Write, Edit, Grep, Glob, Bash] metadata: display_name: Humanizer (Deutsch) version: 5.22.0 author: Martin Moeller maintainer_website: https://martin-moeller.biz based_on: 'Deutsche Wikipedia: Anzeichen für KI-generierte Inhalte, Erkennung KI-Einsatz, Schnelltest KI' original_skill: https://github.com/blader/humanizer tags: [writing, ai-detection, humanizer, ai-humanizer, claude-skill, codex-skill, german, deutsch, ki-text, germanizer, prompt-engineering, wikipedia, text-improvement, style-editor, stil-editor, text-editing, ai-writing, lektorat] ---

# Humanizer (Deutsch)

<!-- SLOW_UPDATE_START -->

## Auftrag

Wenn der Nutzer deutschen Text humanisieren, KI-Schreibmuster entfernen oder deutsche KI-Tells prüfen will, überarbeite die betroffenen Stellen. Bewahre Substanz, Register und belegbare Aussagen. Ziel ist ein guter, natürlicher Text mit proportionalen Eingriffen.

Der Skill ist damit ein deutscher Stil-Editor mit Evidence-Gate: Register und Rhythmus messen, evidence-safe aufs Zielprofil redigieren, KI-Schreibmuster auditieren und entfernen. Humanizing ist der prominenteste Anwendungsfall.

Fokus des Skills ist KI-Muster-Audit mit gezielter Textverbesserung. Reines Korrektorat, Grammatikprüfung, Übersetzung und allgemeine Stilpolitur gehören nur dazu, wenn sie diesem Ziel dienen.

QGIR (Quality-Guided Iterative Revision) nur nutzen, wenn nach einem lokalen Minimal-Revision-Pass noch echte HIGH/MEDIUM-Cluster bleiben. QGIR arbeitet als Quality-Gate für proportionale Revision, nicht als Standard-Vollrewrite.

## Modus

Bestimme zuerst den Modus. Wenn unklar, nimm **Sachlich** an und sage das.

| Modus | Einsatz | Stimme | |---|---|---| | Locker | Blog, Social, Newsletter | voll, aber nicht künstlich | | Sachlich | Website, Doku, E-Mail, B2B | dezent, neutral | | Formal | Wissenschaft, Recht, Fachtext | keine Stimme einbringen |

## Arbeitszweig

Nach Pass 0 genau einen Arbeitszweig wählen und im Output einhalten:

- **Nur Audit:** Befunde prüfen, keine Rewrite-Paare, es sei denn, der Nutzer verlangt Vorschläge. - **Rewrite:** Nur betroffene Stellen ändern; kein Volltext, wenn nicht ausdrücklich verlangt. - **Datei editieren:** Datei direkt ändern; Abschluss siehe Output-Regel.

QGIR ist kein Pass-0-Zweig, sondern eine optionale Erweiterung nach Pass 5, wenn echte HIGH/MEDIUM-Cluster bleiben.

## Leitplanken

- Zähle Cluster, nicht Einzelsignale. Ein einzelnes Übergangswort, ein einzelner Gedankenstrich, saubere Grammatik oder typografische Anführungszeichen allein sind kein KI-Tell. - HIGH-Muster, technische Artefakte und Belegprobleme dürfen als Einzelbefund korrigiert oder markiert werden. - Bei Gedankenstrich-Clustern nicht nur das Zeichen tauschen: `—`, `–`, ` -- ` und ` - ` als Satzzeichen müssen durch Satzbau, Punkt, Komma, Doppelpunkt, Semikolon oder Klammer gelöst werden. Wort-Bindestriche bleiben geschützt. - MEDIUM/LOW-Stilmuster nur bei Häufung, klarer Mechanik oder mehreren unabhängigen Mustern überarbeiten. - Direkte Zitate, Code, technische Spezifikationen und juristische/regulatorische Formulierungen nicht stilistisch umschreiben. - **Claim-Lock:** Quellen, Zahlen, Namen, Daten, Quellenanker, Zitate, Code und Normverweise vor/nach jeder Änderung abgleichen. Neue konkrete Anker nur übernehmen, wenn sie im Input oder Kontext stehen; wenn eine Quelle nicht prüfbar ist, den Prüfstatus markieren. - **Persona-Lock:** Ich-Erfahrung, Anekdoten und Meinungen nur übernehmen, wenn sie im Input oder Kontext stehen. Deixis nur stabilisieren, nicht erfinden: `ich`, `wir`, `du`, `Sie`, `man` und neutrale Sprecherposition bleiben am Texttyp, Input und Zielprofil ausgerichtet. Erfundene Erfahrung ist Fabrikation (Muster 59). - Substanz erhalten. Entferne nur Artefakte ohne Informationsgehalt oder markiere echte Lücken. - Statistische Detektoren (GPTZero u. a.) messen Perplexity und Satzrhythmus, nicht diese Muster. Befunde wie „Mechanical Precision“ oder „Impersonal Tone“ treffen meist legitime Fachsprache, korrekte Quellen und sachliche Klarheit – nicht als KI-Tell behandeln und keinen Text verschlechtern, um einen Score zu senken. Behandelbar sind nur gehäufte Doppelpunkt-Titel (Muster 54) und monotoner Satzrhythmus (Muster 55). - Detector-Bezug ist Kontext. Bewertet wird, ob eine Änderung Qualität, Lesbarkeit oder echte KI-Muster verbessert; Substanz bleibt wichtiger als Scorewirkung. - **Null-Edit:** Gilt erst nach abgeschlossenem Pass 1. Bleibt der Text stilistisch sauber oder bleiben nur False Positives, sage das, nenne höchstens die verworfenen Kandidaten und höre auf. Belegbefunde fallen nie darunter: unbelegte, unprüfbare oder erfundene Quellen werden immer markiert, auch wenn sonst nichts geändert wird.

## Carve-outs: bekannte False Positives

Lint-Befunde sind Verdacht, kein Verdikt – jeden vor einer Änderung gegen den Kontext prüfen. Folgende Fälle sind regelmäßig Fehlalarm und werden nicht behandelt, solange kein zusätzlicher Cluster vorliegt:

- Quotes in Codeblöcken, Inline-Code, YAML-Frontmatter, Markdown-Bildtiteln (``) und rohen HTML-Tags blendet `unicode_lint.py` aus (`straight_quote`, `mixed_quote_styles`), weil gerade Anführungszeichen dort technische Syntax sind. `--fix --write` trotzdem nie blind auf technische Syntax anwenden; Ergebnis prüfen. - Quotes in rohem HTML innerhalb von Markdown, etwa `<iframe title="Eingebetteter Beitrag">`, sind kein Befund, solange die Quotes Teil eines HTML-Tags sind; echter Befund bleibt gerades Anführungszeichen in laufender deutscher Prosa außerhalb technischer Syntax. - `mixed_address` bei satzinitialem `Sie`: Der Default zählt konservativ eine Anrede. `--precise` blendet klare Singular-Anaphern aus (`Die Idee war neu. Sie überzeugte sofort.`). Plural-Anaphern (`Die Modelle ... Sie ...`) bleiben ohne sichere Coreference manuell. - `mixed_address` aus Fremdstimme: Stilprofil und aktives `--precise` blenden Blockquotes sowie gepaarte Inline-Zitate aus. Registerdrift liegt erst vor, wenn die Autorenstimme selbst zwischen `du` und `Sie` wechselt. - Muster 64 bei Use-Mention: `german_pattern_lint.py` blendet Marker in Code, Inline-Zitaten und Markdown-Hervorhebung aus. Ein angeführtes `nahtlos` ist kein Beitrag zum Cluster. - `particles_outside_locker`/`particle_overdose` und `copula_avoidance_cluster` bei lexikalischer Mehrdeutigkeit: `register_lint.py` sieht Partikel-, `german_pattern_lint.py` Kopula-Wortformen, aber keine Wortart oder Lesart. `schon` im Sinn von `bereits`, `mal` als `einmal` oder `5-mal`, `ja` als Antwort und `stellt` als Vollverb (`stellt eine Frage`, `stellt sich die Frage`, `stellt die KI vor ein Problem`) sind allein kein Befund; real bleibt der Fund, wenn die Wörter tatsächlich als Modalpartikeln/Nähemarker gehäuft sind oder `stellt` eine Kopula-Vermeidung wie `stellt dar` statt `ist`/`hat` bildet. - Hoher `subject_initial_ratio` ohne Cluster: Werte über 0,85 sind allein unauffällig (echte Menschen: Median 0,816; humanisierte Blog-Referenz: 0,891). `rhythm_lint.py` meldet dies nur als Fund bei zusätzlich gedrückter Satzlängenvarianz (unter 0,6) oder wiederholten Satzanfängen – die reine Zahl in einer Audit-Zusammenfassung ist für sich kein Fund. - Doppelpunkt im Einzeltitel (Muster 54): erst ab 2+ gleich gebauten Doppelpunkt-Titeln im selben Dokument behandeln, nie einen einzelnen Haupttitel oder ein Label (UI, Quellenangabe, Zeit-/Ortsangabe).

## Modusmatrix

| Klasse | Locker | Sachlich | Formal | |---|---|---|---| | HIGH Artefakt/Chatbot/Technik | ändern/entfernen | ändern/entfernen | ändern/entfernen | | HIGH Evidenz/Quelle | markieren/korrigieren | markieren/korrigieren | markieren/korrigieren | | HIGH Stil | ändern | ändern | nur wenn nicht fachkonventionell; Muster 10 überspringen | | MEDIUM Technik/Struktur | ändern | ändern | markieren oder vorsichtig ändern | | MEDIUM weicher Stil | bei Häufung ändern | bei Häufung/klarer Mechanik ändern | meist nur markieren | | LOW Format | ändern, wenn störend | ändern bei Regelverstoß | meist überspringen |

False Friends aus Muster 45 immer korrigieren. Calques und syntaktische Transfers im Formal-Modus korrigieren; sonst nur bei Häufung oder auffälliger Wörtlichkeit.

<!-- SLOW_UPDATE_END -->

<!-- FAST_UPDATE_START -->

## Ablauf: Fünf Pässe in fester Reihenfolge

Spätere Pässe dürfen frühere nicht invalidieren. Rhythmus immer zuletzt.

**Werkzeuge.** Bei unklarem Toolstatus zuerst `python3 scripts/doctor.py` ausführen. Existiert `.venv/bin/python` (Windows: `.venv\Scripts\python.exe`), ersetzt es in allen Befehlen `python3`; den Sammelcheck dann mit `--precise` ausführen. Beim Nachschlagen in Referenzdateien Treffer mit Zeileninhalt und Kontext ausgeben: Grep-Tool mit `output_mode: "content"`, `-n` und `-A`/`-B`; Shell mit `grep -n -A`, nie die Standard-Dateiliste.

**Pass 0 – Triage.** Modus, Arbeitszweig, Texttyp, Scope und Ziel bestimmen. Schreibprobe vorhanden? Ihr situatives Register als Zielprofil nach [references/register-profiles.md](references/register-profiles.md) festhalten (Formal: nur KI-Tells entfernen). Bei Datei-Input den Pfad zuerst relativ zum aktuellen Arbeitsverzeichnis auflösen: direkt lesen oder dort per Glob nach dem Dateinamen suchen. Bleibt sie unauffindbar, den Pfad erfragen; nie System- oder Skill-Installationsverzeichnisse durchsuchen. Danach zuerst den kompakten Sammelcheck ausführen: `python3 scripts/humanizer_audit.py --file <path> --mode <modus>`. Für den neuesten Markdown-Entwurf in einem Ordner: `python3 scripts/humanizer_audit.py --latest <dir> --mode <modus>`. Der Sammelcheck meldet ein Preflight-Risiko (`low`/`medium`/`high`/`insufficient_text`) für KI-artige Oberflächencluster und eine Combing-Empfehlung; das ist keine Autorenschaftsprüfung. Optionale `spans` zählen Python-Codepoints im Original. Er enthält zusätzlich eine gemessene Stilkarte (Sektion `style_profile`: Rohmetriken; Korridor-Delta nur bei explizit gesetztem `--mode`), einzeln abrufbar über `python3 scripts/style_profile.py --file <path> --target <modus>`. Diese Messwerte der qualitativen Stilkarte aus der Schreibprobe zur Seite stellen – sie informieren das Zielprofil, gewichten aber kein Preflight-Risiko. Bei Inline-Text: Rohtext zuerst in eine temporäre UTF-8-Datei schreiben, dann `--file <tempfile>`; Shell-Befehle bleiben statisch, Nutzereingaben laufen über Dateien. Einzelchecks wie `unicode_lint.py`, `rhythm_lint.py`, `german_pattern_lint.py` und `register_lint.py` bleiben für gezielte Nachprüfung nutzbar; Rhythmusdetails mit Absatzdaten nur bei Bedarf über `python3 scripts/rhythm_lint.py --file <path> --scope user_text --mode <modus> --include-paragraphs` ausgeben. Läuft ein Script nicht, das melden und nicht blind per Hand korrigieren. Audit- und Lint-Ausgaben sind Verdacht, kein Verdikt – vor Eingriff gegen die Carve-outs und den Kontext prüfen. Der Sammelcheck misst keine Belegbarkeit; ein Preflight `low` verkürzt Pass 1 nicht. Fertig, wenn Modus, Zweig, Scope und prüfbare Verdachtsliste feststehen.

**Musterabdeckung je Pass.** Die Pässe 1 bis 4 arbeiten **alle** Muster ihres Passes ab; die unten genannten sind Schwerpunkte, keine Liste. Ihre Musterliste holen sie aus [references/patterns.md](references/patterns.md) per Grep-Anker `<!-- pass: N -->` mit zwei Zeilen Vorkontext (`-B 2`), einzelne Blöcke per `^#### <Nummer>\.` mit Nachlauf (`-A 30`). Die Datei nicht vollständig lesen: Der Volltext-Read bleibt dem Audit-Zweig vorbehalten, der den ganzen Katalog fordert.

**Pass 1 – Artefakte und Evidenz (immer, Einzelbefund genügt).** Chatbot-Floskeln, Platzhalter, Quellenprobleme (Decision Table Evidenz), Unicode, falsche Typografie und Claim-Delta prüfen; dazu alle Muster mit `pass: 1`. Bei Overlaps zuerst [references/decis