Как самый популярный скилл для Claude справляется с русским текстом

Humanizer skill за девять месяцев собрал на GitHub почти 60 тысяч звёзд, а русские статьи о нём в основном пересказывают README. Для этой статьи по инструкции скилла из репозитория дважды переписали пост из ChatGPT о ремонте и сверили результат с исходником. Ниже о том, что такое скилл и как его поставить, какие признаки он правит, что он сделал с русским текстом и где его не хватает.

Что такое humanizer skill

Скилл, или навык, это папка с файлом SKILL.md, в котором записана инструкция для агента. Агент вроде Claude Code или Codex заранее знает только название и короткое описание каждого скилла, а полный текст загружает, когда задача подходит под описание или когда скилл вызвали командой. Формат общий, так скиллы устроены и у Anthropic, и у OpenAI.

Humanizer написал разработчик Сыци Чэнь (Siqi Chen), на GitHub его ник blader, поэтому скилл часто ищут как «blader humanizer». Репозиторий появился 18 января 2026 года и распространяется по лицензии MIT, то есть бесплатно и с правом менять код. Весь скилл умещается в один файл на 400 строк с правилами и примерами, без программ и внешних сервисов. Работу делает модель агента, которая читает эти правила.

Правила взяты со страницы Википедии Signs of AI writing. Её ведут волонтёры WikiProject AI Cleanup, которые вычищают из энциклопедии статьи, написанные нейросетью. Сама страница предупреждает, что это наблюдения, а не правила Википедии, и что те же признаки встречаются в текстах людей.

Популярным скилл стал почти сразу. Меньше чем через неделю после публикации у него было почти две тысячи звёзд, писал Хабр, а к 22 октября их стало больше 59 тысяч.

Скорее всего, помогли две вещи. Скилл бесплатный и ставится одной-двумя командами. А правила в нём взяты из списка, по которому редакторы Википедии ловят тексты нейросети, а не придуманы с нуля.

Как установить скилл в Claude Code и Codex

В Claude Code скилл ставится как плагин двумя командами:

/plugin marketplace add blader/humanizer
/plugin install humanizer@humanizer

После установки скилл откликается на команду /humanizer:humanizer. Плагину нужен Claude Code версии 2.1.142 или новее. На старой версии скилл ставят через консольную утилиту skills, для неё нужен Node.js:

npx skills add blader/humanizer --global --agent claude-code

Для Codex команда та же, меняется только название агента:

npx skills add blader/humanizer --global --agent codex

Для других агентов, которые понимают скиллы, например Gemini CLI, GitHub Copilot или Windsurf, в README есть общая команда. Она ставит скилл во все поддерживаемые агенты сразу:

npx skills add blader/humanizer --global --agent '*'

Без флага --global скилл встанет только в текущий проект. В приложении Claude и на claude.ai скилл загружают архивом. Скачайте репозиторий с GitHub в ZIP (кнопка Code, затем Download ZIP) и загрузите его в настройках, в разделе Customize › Skills. Для этого в настройках должно быть включено выполнение кода.

Вызвать скилл можно командой /humanizer с текстом или обычной просьбой вроде «Humanize this text». Если дать путь к файлу, скилл перепишет текст прямо в нём и не тронет код, ссылки и служебные поля.

Чтобы текст звучал как ваш, вставьте перед ним два-три абзаца, написанных вами, как образец. Скилл подстроит под них длину фраз, слова и пунктуацию, вплоть до тире, если вы их ставите.

Официального русского перевода у скилла нет. Зато есть отдельные проекты для русского языка, например ilyautov/humanizer-ru, smixs/humanizer-ru и Vladimir-Human/humanizer-ru. У них свои списки признаков, и в этой статье они не проверялись.

Есть и скиллы с тем же названием от других авторов. Например, aboudjem/humanizer-skill ищет 55 признаков, переписывает текст одним из пяти голосов и ставит ему оценку от 0 до 100. Дальше речь только о скилле blader.

Какие признаки правит скилл

В текущей версии 3.1.0 в скилле 26 признаков. В русских статьях о нём встречаются и 24, и 29, и 35, потому что их писали о разных версиях. Список рос до 35 признаков, в версии 3.0.0 автор объединил похожие и оставил 25, а потом добавил 26-й.

Все признаки скилл объясняет одной причиной. Языковая модель выбирает самое вероятное продолжение, то есть вариант, который подойдёт самому широкому кругу читателей и тем. Человек пишет для одного читателя об одном предмете, поэтому его выбор неровный и конкретный.

Признаки пронумерованы по силе и частоте. Первые пять скилл правит, даже если встретил один раз. Слабые признаки он трогает, только если рядом есть другие, потому что любой из них человек может сделать нарочно. Ниже все 26 по группам скилла. Названия переведены, а примеры написаны на русском по правилам из скилла.

По примерам видно, что скилл писали для английского. Два правила, про дефисы и фигурные кавычки, к русскому тексту не подходят, а список любимых слов нейросети целиком английский. Русские соответствия вроде «кроме того» для additionally модели приходится узнавать самой, а канцелярита вроде «осуществлять» и «производить работы» в списке нет совсем, потому что в английском он устроен иначе.

Как скилл работает с текстом

Скилл не заменяет слова по списку. Он задаёт модели порядок работы из четырёх шагов:

1. Прочитать весь текст и отметить признаки, начиная с самых сильных. Смотреть и на отдельные фразы, и на то, как построены абзацы.
2. Написать черновик. Сохранить каждое утверждение исходника, а структуру менять можно. Ничего не добавлять от себя, а если для фразы не хватает факта, спросить автора или упростить фразу.
3. Прочитать черновик вслух и найти, что ещё звучит как текст нейросети. Проверить, не появились ли и не пропали ли факты, имена, цифры, даты, цитаты и сравнения вроде «чаще всего».
4. Написать итоговую версию.

Если вставить текст в чат, скилл покажет всю работу, то есть черновик, список того, что ещё выдаёт нейросеть, и итог. Этот список полезно прочитать, по нему видно, что модель сочла признаками.

Запрет что-либо выдумывать появился в версии 2.9.0, и с тех пор он стоит в первых строках скилла. Этим скилл отличается от популярных промптов со строкой «добавь личный опыт и детали», после которой модель придумывает и опыт, и детали. Как это происходит, показано в статье о промптах для очеловечивания текста.

Как скилл проверяли на русском тексте

Для проверки взяли пост ремонтной компании о том, почему смета растёт после начала ремонта. Его написал ChatGPT, в посте три абзаца и 187 слов. На этом же тексте разобраны признаки ИИ в тексте, так что в нём есть почти всё, что выдаёт нейросеть: связки, усилители, канцелярит, тройки и мораль в конце.

Плагин не ставили. Модель Claude Opus 5.5 получила файл SKILL.md версии 3.1.0 из репозитория и текст поста и работала по ней в обычном режиме для вставленного текста, то есть выдавала черновик, список оставшихся признаков и итоговую версию. Прогонов было два, каждый с чистого листа. Ниже итоговые версии без правок. Два прогона на одном тексте и одной модели это пример, а не исследование, и на другой модели результат может отличаться.

Оба раза текст стал короче, 148 и 152 слова вместо 187, и заметно чище. Но кое-что осталось, а в нескольких фразах сдвинулся смысл. Дальше по порядку.

Что скилл исправил

Вот начало первого абзаца у ChatGPT и то, как его переписал скилл в первом прогоне:

Рост сметы уже после начала ремонта — одна из самых неприятных ситуаций для владельца квартиры. В среднем итоговая стоимость ремонта может оказаться на 15–20% выше первоначального расчёта. Это не всегда означает, что подрядчик намеренно занизил цену на старте.

Итоговая стоимость ремонта в среднем может оказаться на 15-20% выше первоначальной сметы. Подрядчик при этом не обязательно занизил цену на старте.

Фраза «Это не всегда означает, что подрядчик намеренно занизил цену» это признак номер один, «не X, а Y», только разбитый на два предложения. Скилл сказал то же самое прямо: «Подрядчик при этом не обязательно занизил цену».

Из первой фразы ушло длинное тире «—», как и все остальные тире в тексте. Скилл убирает их всегда, если вы не дали образец, где они есть, и ставит вместо них точку, запятую, двоеточие или скобки, а иногда перестраивает фразу. Вместе с тире ушла и оценка «одна из самых неприятных ситуаций», и текст теперь начинается прямо с цифры. Во втором прогоне эта оценка осталась, только «ситуации» стали «вещами».

Третий абзац скилл переписал сильнее. Сначала вариант ChatGPT, потом первый прогон:

Полностью исключить непредвиденные расходы сложно, но их можно существенно сократить. Перед ремонтом стоит провести подробное обследование квартиры, заранее согласовать проект, материалы и перечень работ, а также предусмотреть резерв бюджета на возможные скрытые дефекты. Хорошая смета должна быть максимально детальной: с понятными объёмами, расценками и правилами согласования дополнительных работ. Чем тщательнее подготовка до начала ремонта, тем меньше финансовых сюрпризов возникает в процессе.

Совсем без непредвиденных расходов обойтись сложно, но их можно сильно уменьшить. Перед ремонтом стоит подробно обследовать квартиру и заранее согласовать проект, материалы и перечень работ. На скрытые дефекты лучше заложить резерв в бюджете. В хорошей смете расписаны объёмы и расценки, а также сказано, как согласуют дополнительные работы.

«Провести подробное обследование» стало «подробно обследовать», а «предусмотреть резерв бюджета» стало «заложить резерв». Канцелярита в списке скилла нет, но модель знает русский и сама увидела, что действие спрятано за существительным.

Мораль в конце абзаца, «Чем тщательнее подготовка до начала ремонта, тем меньше финансовых сюрпризов…», скилл вычеркнул. Это признак номер два, концовка, которая повторяет уже сказанное. Во втором прогоне её тоже нет.

Вместо пожелания, чтобы смета была «максимально детальной», появилось описание того, что в ней есть: «В хорошей смете расписаны объёмы и расценки». Пустой усилитель ушёл, и фраза стала конкретнее.

Что осталось после скилла

Во втором прогоне тот же третий абзац получился таким:

Совсем без непредвиденных расходов обойтись трудно, но их можно сильно сократить. До ремонта стоит подробно обследовать квартиру, заранее согласовать проект, материалы и перечень работ и отложить часть бюджета на скрытые дефекты. В хорошей смете расписаны объёмы и расценки, а ещё сказано, как согласовываются дополнительные работы.

Абзац открывается той же схемой, что и у ChatGPT: «трудно, но их можно сильно сократить». Сначала признать трудность, потом пообещать, что всё решаемо, это привычный заход нейросети. Отдельного признака для неё в списке скилла нет, и оба прогона её не тронули, поменялись только слова.

Тройку «проект, материалы и перечень работ» оба прогона сами отметили в списке оставшихся признаков, но в итоге оставили. Скилл это разрешает, если пунктов по смыслу действительно три. Но у ChatGPT в тексте четыре перечисления из трёх пунктов, и в обоих прогонах все четыре на месте, так что ритм перечислений не изменился.

Связка «а ещё сказано» во втором прогоне и «а также сказано» в первом появились там, где у ChatGPT её не было. Скилл убрал «а также» из одной фразы и поставил в соседнюю.

Ещё остался ритм, который виден только на всём тексте. Скилл просит чередовать короткие и длинные предложения, но разброс почти не изменился. У ChatGPT предложения длиной от 8 до 24 слов, после скилла от 7 до 22, и фраз в три-четыре слова не появилось. Вот длина каждого предложения в словах:

Похожее заметил и автор слепой проверки скилла в issue #229 на GitHub. Тексты там оценивали языковые модели, и после скилла они реже находили слова-маркеры и тире, но чаще ровный ритм и афористичные концовки. В самом скилле сказано, что убрать признаки это половина работы, а результат ещё должен звучать как текст человека. Для блогов он даже разрешает модели добавить реакцию автора, но в обоих прогонах её не было.

Где сдвинулся смысл

Самое важное нашлось при сверке с исходником. Скилл велит проверять факты, цифры и даты, и цифры действительно остались на месте. Но смысл держится не только на цифрах. Вот три фразы ChatGPT и то, какими они стали во втором прогоне:

В среднем итоговая стоимость ремонта может оказаться на 15–20% выше первоначального расчёта. […] Чаще всего расходы увеличиваются именно из-за скрытых работ. […] Каждое небольшое решение может повлиять не только на стоимость материалов, но и на объём работ.

В среднем итог выходит на 15-20% дороже первого расчёта. […] Больше всего денег уходит на скрытые работы. […] Даже мелкое решение меняет и цену материалов, и объём работ.

«Чаще всего расходы увеличиваются» говорит о том, как часто это случается, а «Больше всего денег уходит» о том, на что уходит больше денег. Это разные утверждения, и второго в исходнике нет. Причём сравнения вроде «чаще всего» скилл прямо называет среди того, что нужно проверить.

Из двух фраз пропало «может». У ChatGPT стоимость «может оказаться» выше и решение «может повлиять» на объём работ, а после скилла итог «выходит» дороже и решение «меняет» работы. Осторожное утверждение стало уверенным, хотя цифра 15-20% осталась той же. Возможно, модель сочла «может» лишней оговоркой рядом с «в среднем», но скилл как раз велит сохранять оговорки, которые есть в исходнике.

В первом прогоне сдвинулась другая фраза:

К этому добавляются изменения со стороны заказчика: дополнительные розетки, другая раскладка плитки, перенос сантехники или замена выбранных материалов.

Ещё часть расходов добавляет сам заказчик, когда просит лишние розетки, другую раскладку плитки, перенос сантехники или меняет выбранные материалы.

«Дополнительные розетки» значит розетки сверх проекта, а «лишние розетки» легко прочитать как ненужные. В тексте появилась оценка, которой у ChatGPT не было, и в посте ремонтной компании она звучит как упрёк клиентам.

Такие сдвиги легко пропустить, потому что текст после них читается гладко. Скилл просит модель проверить собственный черновик, но проверяет его та же модель, которая выбрала замену, и в обоих прогонах она этих замен не заметила.

Почему правил в промпте мало

По сути скилл это хороший промпт. Он короче и точнее большинства промптов из интернета, в нём есть порядок работы, самопроверка и запрет выдумывать. Но у любого промпта есть пределы, и проверка показала три.

• Модель исправляет то, что сама узнаёт. Список признаков написан для английского, поэтому русские привычки нейросети, вроде схемы «сложно, но можно» или «а также» на новом месте, остаются, если модель их не заметила.
• Модель проверяет сама себя. Черновик пишет и сверяет с исходником одна и та же модель в одном разговоре, поэтому сдвиги вроде пропавшего «может» могут пройти проверку, как в обоих прогонах.
• Убрать признаки нейросети ещё не значит дать тексту подачу. После скилла текст становится короче и чище, но звучит ровно. Обороты, ритм и словарь опытного автора списком правил не описать.

Поэтому Redraft устроен по-другому. Текст переписывает отдельная модель, которая училась на текстах живых авторов и переняла их манеру подачи. Потом другая модель сравнивает каждый абзац с исходником и ищет добавленные утверждения, потерянные детали и сдвиги вроде пропавшего «может». Варианты со сдвигом отбрасываются, а места, которые стоит проверить, помечаются. На это уходит несколько минут, и сервис платный, а скилл бесплатный и работает сразу, так что выбор зависит от задачи. Как это устроено, рассказано на странице «Убрать ИИ из текста».

Промпт для очеловечивания текста в ChatGPT, DeepSeek и Claude

Один пост из ChatGPT переписали в трёх моделях двумя промптами: обычной просьбой и списком запретов.

Как подключить Redraft к агенту

Выбирать между скиллом и Redraft не обязательно, агент в Claude Code или Codex может пользоваться обоими. Redraft подключается к агенту по MCP. Это открытый протокол, по которому агент вызывает внешние инструменты так же, как свои собственные команды.

Агент сам доводит смысл и структуру текста и при желании чистит его скиллом. Потом отправляет текст в Redraft, выбирает стиль, например разговорный или экспертный, и получает переписанную версию с пометками. Абзац, который не удался, агент может отправить ещё раз отдельно, а весь текст прогнать в двух стилях и взять лучшие обороты из обеих версий. За смысл отвечает агент, за подачу Redraft.

Как агент собирает статью для этого сайта из нескольких версий Redraft и что из них выбрасывает, показано в разборе «Текст Redraft это сырьё для агента, а не чистовик».

Частые вопросы

Источники

• blader/humanizer. Репозиторий скилла, README и SKILL.md 3.1.0
• blader/humanizer. История версий (CHANGELOG)
• blader/humanizer, issue #229. Слепая проверка скилла
• Wikipedia: Signs of AI writing
• Wikipedia: WikiProject AI Cleanup
• Anthropic. Agent Skills, документация Claude
• Anthropic. Use skills in Claude, справка Claude
• OpenAI. Build skills, документация Codex
• OpenAI. Skills in ChatGPT, справка ChatGPT
• Model Context Protocol
• Хабр. Claude Code научили писать человечнее, использовав гайд Википедии, 22 января 2026
• Agentpedia. Навык Humanizer: полное руководство, 2026
• AI-Uchi. Humanizer: скилл для агентов, 6 августа 2026