先说清楚它是什么
✦2026 年 6 月 20 日由明尼苏达大学机器学习研究员 Jie Ding 在 GitHub 开源，MIT 许可，以 skill 形式分发。7 月 7 日《Nature》报道，标题后半句是「alarming scientists」，所以它出名的方式是争议，不是口碑。
它会做
把话说清楚
- 拆掉套话开头、AI 高频词、三连排比、超长句
- 把「显著提升」这类没有数字的断言压回描述
- 按作者过往论文校准句子节奏与 hedging 密度
- 本子模式：保住愿景，把每条雄心配上可行性支点
它不会做
替你干活
- 不生成研究发现，不加新论点
- 不改任何一个数字、公式、引用
- 不把你的 hedging 改强（那是制造 over-claim）
- 不保证过 AI 检测，也不免除披露义务
它守着
学术写作本来的人味
- 中性、精确、用 we，不用绕开第一人称
- 该用被动就用被动
- 有证据支撑的 suggests / may indicate 原样保留
- 定义、术语、符号逐字不动
装进本机
✦整包 333 KB，真正干活的是三个东西：一份 SKILL.md、一份前后对照示例、一份 README。
# 官方给 Claude Code 的装法 git clone https://github.com/AIScientists-Dev/academic-humanizer ~/.claude/skills/academic-humanizer # 本机是 WorkBuddy，改到对应 skills 目录即可，一条命令 cp -r academic-humanizer-main ~/.workbuddy/skills/academic-humanizer
| 文件 | 大小 | 作用 |
|---|---|---|
| SKILL.md | 16.8 KB | 全部规则：六层 + 四步流程 + 输出格式 |
| examples/before-after.md | 6 KB | 三组官方对照：论文摘要、NIH Specific Aims、已获资助的 NSF CAREER 摘要 |
| README.md | 6.2 KB | 定位、安装、伦理声明、上游致谢 |
| assets/ | 4 个文件 | 宣传图，不参与运行 |
| LICENSE | MIT | 可商用、可改、可再分发 |
头部元信息里有两个字段值得看。一是 version: 0.3.3，说明已经迭代过几轮；二是 allowed-tools: [Read, Write, Edit, Grep, Glob, AskUserQuestion]，只给了读写、搜索和提问，没有联网、没有执行命令。一个改文字的 skill 本来就不该顺手能跑 shell，这个收缩是对的。
claude-codecodexmorphmindopencodeMITv0.3.3零依赖
四步流程，第二步是全部价值所在
✦多数人拿到这类工具就直接让它「润色一下」，那是浪费。SKILL.md 规定先审计、再改写、最后交变更日志。
STEP 01
读
读稿子与作者旧作，判断类型（论文还是本子）和目标场合（会议、期刊、资助机构）。
STEP 02
审计
把每处命中的模式和位置列出来，再逐个标注每个实证论断的证据状态。此时一个字都不许改。
STEP 03
改写
结构与内容不动，只拆痕迹、把过强结论压回证据、保留合法 hedging。原文几段改写后几段。
STEP 04
报告
交干净文本，外加变更清单：删了哪类模式、哪些结论被软化或补了指针、语气做了什么调整。
六层规则，逐层拆开
✦点开任意一层看它盯什么词、怎么改。前两层管删，第三层管别删过头，后三层管证据、语气与基金本子。
LAYER 1通用 AI 痕迹目录继承自 blader/humanizer▶
所有文体的通病，学术场景下按 Layer 3 的例外处理。
盯这些：虚抬意义 · 假深度的 -ing 尾巴 · 促销化比喻（rich、vibrant、groundbreaking）· 含糊归因（experts argue 无引用）· AI 高频词（delve、underscore、intricate、tapestry、testament、pivotal、showcase、foster、leverage 当填充词、realm、seamless）· 回避系动词（serves as → is）· 否定式排比（not just X, but Y）· 三连排比凑数 · 优雅变体 · 填充语（it is worth noting that）· 从句套从句 · 破折号全部删掉
原文
Additionally, an enduring testament to the method's value is its ability to delve into intricate dependencies, showcasing a seamless integration that underscores its pivotal role.
改后
The method also captures higher-order dependencies, which the baselines miss (Table 2).
LAYER 2学术专有的十一类痕迹2.1 – 2.11▶
| # | 类型 | 要盯的词与改法 |
|---|---|---|
| 2.1 | 过强的动词 | demonstrate / prove / establish / confirm / guarantee；没有检验就写 significantly。实证工作只「显示」「提供证据」 |
| 2.2 | 意义通胀 | paves the way for、crucial step toward、revolutionize、opens new avenues、sheds light on、of paramount importance、bridges the gap |
| 2.3 | 空洞强化词 | extensive / comprehensive / thorough experiments、a wide range of、numerous、various。换成一个具体清单 |
| 2.4 | 新意注水 | novel 每节最多一次；to the best of our knowledge；for the first time。改成「和谁不同」 |
| 2.5 | 套话开头 | In recent years, X has attracted increasing attention；With the rapid development of…；Despite recent advances,… |
| 2.6 | 连接词滥用 | 连续几句 Moreover / Furthermore / Additionally 开头。让逻辑自己走 |
| 2.7 | 贡献列表空转 | 「(1) 新方法 (2) 大量实验 (3) 效果好」。每条贡献要给具体结果 |
| 2.8 | 引用堆砌 | Many methods exist [3,7,9,12,15]。改成「最近的是谁、差在哪」 |
| 2.9 | 含糊 hedging | somewhat、relatively、fairly、to some extent、quite。要么量化，要么删 |
| 2.10 | 样板强调 | It is worth noting that、It should be emphasized that、Notably、Importantly。事情重要，句子自己能看出来 |
| 2.11 | 超长堆叠句 | 超过约 30 词或带 3 个以上从句，拆。一句一个意思 |
2.11 的官方例子
Existing methods, though promising, are largely empirical, with unclear principles underpinning their behavior, which limits their reliability and further progress.
拆开
Existing methods stay empirical. Their principles are unclear, which limits reliability and progress.
LAYER 3这六样必须留着，别过度修改防呆层▶
通用 humanizer 会把学术写作里合法的构造一起削平，这一层明确说不行。
1. 有证据支撑的 hedging 是对的。suggests、is consistent with、we hypothesize that、may indicate 该留就留。把它们改强就是制造 over-claim。
2. 被动语态在该用的时候用：「Samples were normalized to total protein.」
3. 第一人称复数 we 是标准写法，不用绕。
4. 分号和偶尔的三连适度使用没问题。破折号是例外，全删。
5. 正式定义、命名的方法与指标、术语、公式、符号逐字保留。
6. 不许增删改任何数字、公式、引用。同一个内容，每个 cite key 都在。
2. 被动语态在该用的时候用：「Samples were normalized to total protein.」
3. 第一人称复数 we 是标准写法，不用绕。
4. 分号和偶尔的三连适度使用没问题。破折号是例外，全删。
5. 正式定义、命名的方法与指标、术语、公式、符号逐字保留。
6. 不许增删改任何数字、公式、引用。同一个内容，每个 cite key 都在。
错误修改（它点名禁止的）
「the results suggest X」→「the results prove X」
正确做法
保持校准过的动词不动，除非作者补上了更强的证据。
LAYER 4论断与证据的配对纪律差异化核心▶
对每个实证论断只问两句：有没有数字、图、表或引用撑着？动词有没有比证据更硬？三种处理：
没有支撑→ 补证据指针，或软化。
动词强过证据→ 降级。
量级含糊→ 换成数字或区间，并标明归属。
两个细则：优先写区间不写平均值，除非讲清了怎么平均；对比先跟最强的对手比，别拿最弱基线凑数。
动词强过证据→ 降级。
量级含糊→ 换成数字或区间，并标明归属。
两个细则：优先写区间不写平均值，除非讲清了怎么平均；对比先跟最强的对手比，别拿最弱基线凑数。
原文
This demonstrates that our method is universally superior.
改后
On these three datasets, our method matches or exceeds the strongest baseline (Table 2).
量级含糊
a large improvement
改后
a 2–6% improvement in balanced accuracy over the strongest baseline
LAYER 5模仿作者本人，而不是模仿学术腔voice / venue▶
给它几篇你自己发表过的东西，它先做样本分析：句子节奏、连接习惯、hedging 的密度与位置、怎么开一节、符号习惯、反复出现的表述，然后照着来。
场合也要对：ICLR / NeurIPS 更短更直、结果前置；Nature / PNAS 可以铺陈一些。
没有样本时默认走「干净、精确、符合场合」，不会切到通用 humanizer 那种有观点、有情绪的口气。
没有样本时默认走「干净、精确、符合场合」，不会切到通用 humanizer 那种有观点、有情绪的口气。
LAYER 6基金本子是另一套规矩NSF / NIH▶
区别不在措辞，在产品：论文卖已拿到的结果，本子卖愿景加可行性。所以本子里那套雄心语言该保留，硬删反而扣分。它换的纪律是 claim ↔ 可行性，不是 claim ↔ 证据。
NSF：一页 Project Summary，三段小标题 Overview / Intellectual Merit / Broader Impacts 各自独立成立；正文开篇走「长期愿景 → 本提案目标 → 缺口 → thrusts → 回报」，前 1–2 页讲完，配一张总览图；Broader Impacts 不许当附言。
NIH（R01）：Specific Aims 一页就是全部。弧线是：问题与已知 → 缺口 → 长期目标与中心假设（带依据）→「The objective of this application is…」→ 2–3 个 Aim（一句目标 + 一句方法 + 一句预期）→ 回报段。后面 Significance / Innovation / Approach 分开评分。
NIH（R01）：Specific Aims 一页就是全部。弧线是：问题与已知 → 缺口 → 长期目标与中心假设（带依据）→「The objective of this application is…」→ 2–3 个 Aim（一句目标 + 一句方法 + 一句预期）→ 回报段。后面 Significance / Innovation / Approach 分开评分。
前三页定生死
钩子、缺口、核心思路、并列的 aim、回报，这五样在前三页缺一样，先补这个，别去修第十页的措辞。
本子最常犯的五样
重要性含糊 · 把方法当目标（Aim 2: apply transfer learning）· 目标多米诺（Aim 2/3 全靠 Aim 1）· 只有雄心没有支点 · Broader Impacts 写成套话
反过来该保留的五样
愿景框定 · Goal/Motivation/Innovation 行内引导词 · 一个贯穿全篇的具体例子 · 把挑战写成问句 · 把新工作挂到有名有姓的经典结果上
真跑一遍：一段 AI 体摘要
✦草稿是我自己写的（这正是我写 AI 摘要时的默认状态，不是编出来凑数的），然后照它的流程走：先审计，再改写，最后交变更日志。下面两个按钮可以切换看。
agent skills · abstract draft
第一步：审计表（此时不改一个字）
九条命中。点任意一行，右边那句原话会亮起来。第 6、7 条是致命的：它宣称了一个显著提升，但全文没有任何数字。
| # | 命中模式 | 原句片段 | 判定与处置 |
|---|---|---|---|
| 1 | 2.5 套话开头 | In recent years, agent skills have attracted increasing attention | 删。改成陈述这个领域的结构性事实 |
| 2 | 2.2 意义通胀 | face crucial challenges | crucial 无信息量，换成三个具体问题 |
| 3 | L1 三连排比 | inconsistent packaging, unclear activation boundaries, and a lack of standardized evaluation | 三连本身可用，但必须落到「所以会怎样」，不能停在并列 |
| 4 | 2.4 新意注水 + L1 大词 | propose a novel three-layer framework | novel 删；framework 留着但必须紧跟它的组成 |
| 5 | L1 AI 高频词 | leverages / delve into / intricate | 三个全删，动词换成具体动作 |
| 6 | 2.1 过强动词 + 2.3 空洞强化 | demonstrating through extensive experiments that our approach significantly improves | 最重的一处：demonstrate 降为 report；extensive 换成具体数据集；significantly 没有检验，必须给统计量或删 |
| 7 | L4 无证据指针 | improves skill retrieval accuracy and task success rate | 两个指标都没有数字、没有表号。工具不会替你编数字，只能留占位并要求作者补齐 |
| 8 | 2.4 新意注水 | To the best of our knowledge, this is the first work to… | 整句删。改成与最近工作的具体差异 |
| 9 | 2.2 意义通胀 | paving the way for a transformative paradigm that will revolutionize | 整句删 |
点行高亮对应原句 →
第三步：变更日志
| 类别 | 具体改动 |
|---|---|
| 删除的模式 | 套话开头 1 处、AI 高频词 3 个（leverage / delve / intricate）、novel 1 处、to the best of our knowledge 1 处、通胀句 2 句 |
| 降级的动词 | demonstrate → report；significantly improves → 报告这两个指标（待补数值） |
| 补的证据指针 | [Table 3] 两处、[ref] 一处，均为占位，需作者填 |
| 保留的内容 | 三层框架、SKILL.md manifest 这个核心设计、两个评价指标的名称、与工具调用类工作的差异 |
| 结构核对 | 原文 5 句、改写 4 句，无信息丢失；无数字、无公式、无引用被改动（原本就没有） |
跑完这一遍，判断会变。它最有用的地方不是「去 AI 味」，而是逼你把每个形容词换成证据位置。第 7 条那种「写了半天没有一个数字」的段落，人工自查十遍也容易漏，它第一步就标出来了。
同一句雄心，论文里删，本子里留
✦这是上游官方示例里最值得抄下来的一段：NSF CAREER Project Summary 的对照，改后的版本取自一份真实获得资助的摘要。
| AI 草稿（愿景被套话淹没） | 改后（已获资助的 CAREER 摘要） |
|---|---|
| In recent years, artificial intelligence has attracted increasing attention… continual learning remains a crucial and pivotal challenge of paramount importance… we propose a novel and comprehensive framework that leverages cutting-edge techniques to delve into the intricate challenges… paving the way for a transformative new paradigm… | As data and learning environments expand, the value of AI depends on its ability to scale and adapt. Continual learning addresses this: a learner that maintains performance on old tasks while integrating new information… Existing continual-learning methods, though promising, are largely empirical, with unclear principles underpinning their behavior, which limits both their reliability and further progress. This CAREER proposal builds a principled framework… in three layers: evolving memory for capability growth, soft supervision for accelerated learning, and cross-domain knowledge for accuracy… |
差别不在词藻，在结构：改后保留了「三层」这种雄心和框架，删的是 cutting-edge、intricate、seamless、revolutionize 这一层壳，补的是「现有方法偏经验、原理不清、因此限制可靠性」这个具体缺口。同一个工具，论文模式会压掉这类话，本子模式不许压。
国自然呢？它没有国自然模式，我不替它吹。Layer 6 只针对 NSF 与 NIH，结构、评分逻辑、页数限制都是美国体系的。方法论可以迁移：立项依据对「缺口与代价」，研究目标对「中心假设可证伪」，研究内容对「并列不多米诺」，可行性对「预实验与团队记录」。但映射得自己做，别指望它直接给你国自然的写法。
争议：它出名的方式不太好看
✦《Nature》2026 年 7 月 7 日报道，记者 Edward Chen，标题是「tool can erase signs of AI-written text — alarming scientists」。对立面我原样放进来，只讲好处的介绍没有价值。
批评方
三位学者的原话
- 卡内基梅隆 Cassidy Sugimoto：担心它诱使更多人不披露 AI 使用，「the use case is harmful for science」
- 瓦伦西亚理工 Miguel Angel Blazquez Rodriguez：「It's deceiving.」
- Pangram CEO Max Spero：工具「not sophisticated」，系统能抓住大部分被它处理过的文本，新版本在专门训练识别 humanizer
作者方
Jie Ding 的回应
- 把工具与行为分开：伦理问题出在隐瞒披露与背后的意图，不在编辑辅助本身
- 被质疑后，GitHub 描述从「removes the usual AI tells」改成「sharpens clarity and voice」
- 补了伦理与披露说明，工具本身没变
我的判断
分三层看
- 当润色工具用，没问题，这和找母语者改语法没本质区别
- 当躲检测的盾用，一定翻车：检测按结构判，删词改不了统计结构
- 披露义务不因工具消失，该声明就声明
一个绕过方法越出名，它的有效期越短。Pangram 那条「能抓住大部分」的信息，比任何「实测 100% 通过」都值钱。这一条我在文章里也写了，因为公众号标题不会告诉你
什么时候别用它
✦场景一
中文博客与营销文案
- 规则是给英文社科学术语域校准的，硬套到中文口语写作上会把鲜活的东西压成公文
场景二
需要个人风格的随笔
- 它明确要求永不注入观点、幽默或第一人称个性，它做的是收紧，不是放大
场景三
数据还没跑完的草稿
- 它不会替你补数字，只会把空缺标出来。这时候需要的不是 humanizer，是实验
拿它过自己的稿子：可勾选核对表
✦把六层里最常用的二十条压成一张表，勾选状态会存在本机，关掉再打开还在。
投稿前自查0 / 20
值不值得装
✦建议装
三类人
- 写英文论文的硕博与青椒
- 要交基金本子的人
- 给别人做语言润色的人（审计表可以直接当交付物的一部分）
不用装
三类人
- 主要写中文内容的
- 写营销文案的
- 指望它过检测的
成本
一条命令 / 333 KB
- MIT 许可，改都随你
- 零外部依赖，只读本地文件
- 不联网、不执行命令
它不神秘，也不神奇。本质上是把一批有经验的审稿人反复念叨的话，固化成了十一类可执行的检查项。真正值钱的不是这个 skill，是它逼你养成的两个习惯：每个形容词后面都要有位置可以指；每个动词的强度都不能超过它的证据。这两条，不用 AI 也该守。
这一页的四样东西
✦
成品：一段真草稿的 Before / After 可切换对照，九条命中可点；原始素材：审计表、变更日志、核对表全部在页内，可直接照抄；用的是哪个 skill：academic-humanizer v0.3.3，MIT，仓库见上方按钮；边界：Before 段是本文作者自写的 AI 体草稿，用于演示；数字占位处已显式标出，没有编造任何实验数据，也没有伪造引用。它不会替你补数据，我也不会。
实验室总入口在 /lab/，全部实验在 /lab/skills/。
实验室总入口在 /lab/，全部实验在 /lab/skills/。