humanizer-ru

humanizer-ru: редактура русского текста для AI-агентов

Убирает канцелярит и шаблонные обороты из русского текста. Скилл даёт агенту процедуру локальной редактуры: найти лишнее, исправить конкретные места, сверить смысл и голос с исходником. В комплекте сканер, CLI, MCP и расширение Chrome. 67 признаков в каталоге, 21 жёсткий запрет с жанровыми исключениями.

English version · 中文

[License: MIT] [Версия] [Звёзды] [skills.sh] [npm] [HOL]

[humanizer-ru: меньше штампов, больше смысла. Редакторская мастерская AI Frontier]

Было: «Стоит отметить, что данный инструмент помогает редактору находить канцелярит. Результат нужно перечитать». Стало: «Этот инструмент помогает редактору находить канцелярит. Результат нужно перечитать».

Снята подводка и заменено одно слово. Новых фактов нет. Подробнее о процедуре.

Проверка в браузере и редактура разделены. Сайт подсвечивает обороты и считает балл; переписывание выполняет ваш агент со скиллом. Балл не определяет авторство и не подтверждает сохранение смысла. Факт-замок сравнивает извлечённые элементы, а связи между утверждениями требуют отдельной вычитки.

🧪 Живое демо: humanizer-ru.aifrontier.tech. Вставьте свой текст, получите оценку чистоты 0-100 и подсветку найденных оборотов. В браузере работают экспортированные правила сканера. Морфология не измеряется: балл может быть до 8 выше Python-версии.

Быстрый старт, одна команда для любого агента (Claude Code, Cursor, Codex, Copilot, Cline и ещё десятки):

npx skills add ilyautov/humanizer-ru

CLI найдёт установленных агентов и спросит, куда ставить. В Claude Code можно и плагином, тогда обновления приходят через /plugin:

/plugin marketplace add ilyautov/humanizer-ru/plugin install humanizer-ru@ilyautov-plugins

Claude.ai, DeepSeek Harness и раскатка на команду в разделе «Установка».

📖 Документация и разборы: humanizer-ru.aifrontier.tech: работают ли AI-детекторы на русском, каталог признаков AI-текста, антиплагиат и нейросеть.

🧰 Остальные инструменты: MCP-серверы к кабинетам Wildberries, Ozon, Яндекс Маркета и Авито, пять серверов к hh.ru, VK, Диадоку, СБИС и Честному знаку, 34 скилла для малого бизнеса, совет мыслителей с дословной проверкой цитат. Все одним списком: ilyautov.github.io.

Зачем это нужно

Русский текст требует внимания к канцеляриту, формальному регистру и оговоркам. В каталоге есть русские примеры, жанровые исключения и правила сохранения смысла. Часть стилистических признаков общая с англоязычным humanizer.

Сканер находит воспроизводимые совпадения с правилами. Агент оценивает контекст и правит текст. Автор перечитывает результат: ни список маркеров, ни высокий балл не гарантируют удачную редактуру.

Что внутри

67 паттернов AI-генерации в 16 категориях:

• A. Контентные: пустые открытия, размытые авторитеты, формульные выводы
• B. Языковые: канцелярит, кальки, «является», нагромождение причастий
• C. Стилистические: длинные тире, навязчивые списки, болд
• D. Коммуникативные: артефакты чатбота, заискивание, водянистость
• E. Морфологические: падежные ошибки, деепричастия не к подлежащему
• F. Тональные: эмоциональная стерильность (4 подтипа), нет иронии, нет метафор
• G. Структурные: разорванные абзацы, narrative drift, галлюцинации
• H. Человеческие мелочи: идеальная грамотность, вылизанная типографика
• I. Паттерны убеждения: негативные параллелизмы, авторитетные трюизмы
• J. Информационный ритм: равномерная плотность, гладкие переходы, macro-burstiness
• K. Хеджирование и специфика: модальная неопределённость, translationese, нет идиом
• L. Стилистические фингерпринты 2025-2026: рваная медитативность, контр-вопросы, эмодзи-декор, псевдо-терапия, пустой образ, самомаркировка честности
• M. Формулы и артефакты 2026: неодушевлённый субъект, Title Case в заголовках, обрыв на полуслове, триада-отрицание
• N. Дискурсный слой: явная мораль в финале, портретный ввод героя, эмоция только через тело, бесшовная причинность, линейная хронология, нет обращения к читателю. Признаки, которые переживают стилевую правку (StoryScope, COLM 2026)

21 жёсткий запрет: конструкции с абсолютным запретом. От «В современном мире...» и «Стоит отметить, что...» до маркетинговых клише «Раскрыть потенциал», «Комплексный подход», «Открывает новые горизонты».

Локальная редактура, не переписывание. Скилл размечает конкретные места (цитата, что мешает читателю, действие: оставить, срезать оболочку, сказать яснее, убрать дубль), снимает жёсткие запреты и маркеры по приоритету A-D и сверяет результат с исходником по утверждениям: кто что сделал, степень уверенности, условия, числа с единицами. Живость не дописывается: эмоции, частицы, образы и факты, которых нет в исходнике, в текст не идут. Парный прогон на 195 слепых оценках (сентябрь 2026, eval/LOCAL_EDIT_CHECK.md) показал, что квоты на «голос» дают чужую интонацию и постановочную риторику, а у локальной правки в этом прогоне было меньше смысловых замечаний. Это малая выборка и оценка агентами, не гарантия качества на любом тексте.

Калибровка под голос автора. Если дать образцы своего письма, скилл выписывает ритм, лексику, пунктуацию и тон и держит замены в этих рамках. Это ограничение, а не разрешение дописывать в вашей манере.

Четыре режима работы:

• Редактура (по умолчанию): диагностика сканером, разметка, правка, сверка, отчёт «было N, стало M»
• Аудит: только диагностика, текст не трогает
• Точечная правка: работа с одной категорией
• Свой черновик (молча, без просьбы): пока скилл установлен, агент прогоняет по таблице жёстких банов то, что пишет по-русски сам, до того как вы это увидите. Чужой текст молча не правится никогда: ваше сообщение, файл, цитата и чужой код идут только через режимы выше, и правку вы видите. «Не правь» выключает режим до конца разговора

Что ловят детекторы: секция с числами из исследований 2025-2026. DivEye: вторые производные surprisal дают 39.4% вклада в детекцию. Perplexity gap 29.5 vs 15.2 (человек vs LLM). AINL-Eval 2025: лучший результат на тесте около 86% (бенчмарк из 52 305 текстов, 12 доменов; в нашей калибровке использованы 35 158 научных аннотаций из него). Все ссылки и цифры верифицированы по первоисточникам, см. SOURCES.md.

Проверить текст без установки

На главной странице сайта работает тот же сканер на JavaScript: вставьте текст, получите оценку чистоты от 0 до 100, подсветку найденных оборотов и команду установки для своей среды. Считается в браузере, текст никуда не отправляется. Правила экспортируются из markers.py скриптом scripts/export_web_rules.py, а паритет с Python проверяет scripts/test_web_parity.py в CI.

Тот же сканер есть как расширение Chrome: выделили текст на любой странице, в контекстном меню «Проверить на шаблонные обороты», и попап показывает балл и подсветку. Разрешений у него два, контекстное меню и локальное хранилище, доступа к сайтам и сети нет. Папка extension/, сборка scripts/build_extension.py.

Установка

Скилл разворачивается тремя путями: загрузкой в веб-интерфейс Claude.ai, централизованной раскаткой на команду или установкой в локальные агенты (Claude Code, Cowork, API).

1. Claude.ai (веб-интерфейс)

1. Скачайте готовый архив скилла: humanizer-ru.zip
2. Откройте Claude.ai → Settings → Capabilities → Skills.
3. Нажмите Upload skill и выберите скачанный архив.

Не берите archive/refs/heads/main.zip: загрузчик ожидает папку скилла в корне архива, а в архиве репозитория она лежит внутри humanizer-ru-main/skills/humanizer-ru/. Если нужно собрать архив самому, архивируйте именно папку скилла:

bash

git clone https://github.com/ilyautov/humanizer-ru.gitcd humanizer-ru/skillszip -r ../../humanizer-ru.zip humanizer-ru -x '*/__pycache__/*'

2. Организации (Enterprise и Team)

Администраторы Claude for Work раскатывают скилл централизованно через workspace skill library, и он становится доступен всей команде без индивидуальной загрузки. Загрузите ZIP в Admin Console → Workspace Skills → Add skill.

3. Claude Code, Cowork и API (локальные агенты)

Через плагин-маркетплейс (рекомендуется):

/plugin marketplace add ilyautov/humanizer-ru/plugin install humanizer-ru@ilyautov-plugins

После установки плагин подгружает скилл автоматически при триггерах вроде «очеловечь», «убери канцелярит», «перепиши как человек».

Через skills.sh CLI (универсальный путь для любого Claude-агента):

npx skills add https://github.com/ilyautov/humanizer-ru/tree/main/skills/humanizer-ru

CLI кладёт SKILL.md в ~/.claude/skills/humanizer-ru/ и регистрирует скилл в индексе skills.sh. Короткая форма тоже работает: npx skills add ilyautov/humanizer-ru находит скилл в репозитории и предлагает его к установке, а с флагом --skill humanizer-ru ставит без вопросов.

Через API (/v1/messages и аналоги): передайте скилл параметром container.skills. Детали в документации вашего клиента.

Вручную (если ничего из выше не подошло):

git clone --depth 1 https://github.com/ilyautov/humanizer-ru /tmp/humanizer-rumkdir -p ~/.claude/skillscp -r /tmp/humanizer-ru/skills/humanizer-ru ~/.claude/skills/

Копируйте папку целиком, а не один SKILL.md: вместе со скиллом едет детерминированный сканер scripts/scan.py (машинная половина режима «Аудит»). Ему нужны пакеты razdel и pymorphy3. Без них скилл проводит аудит вручную и обязан сказать об этом; балла «Чистота: N/100» вы не увидите.

Как поставить зависимости. На macOS с Python из Homebrew и на Debian/Ubuntu голый pip install падает с externally-managed-environment (PEP 668), поэтому любой из трёх способов:

uvx ru-humanizer файл.txt                       # без установки, нужен uvpipx install ru-humanizer                       # команда ru-humanizer в PATHpython3 -m venv ~/.humanizer-ru && ~/.humanizer-ru/bin/pip install razdel pymorphy3~/.humanizer-ru/bin/python ~/.claude/skills/humanizer-ru/scripts/scan.py файл.txt

Проверка, что сканер живой: python3 ~/.claude/skills/humanizer-ru/scripts/scan.py --help без строки [ошибка].

4. Codex CLI (OpenAI)

Codex использует тот же формат Agent Skills, отдельная версия не нужна:

git clone --depth 1 https://github.com/ilyautov/humanizer-rumkdir -p ~/.codex/skillscp -r humanizer-ru/skills/humanizer-ru ~/.codex/skills/

Либо изнутри Codex через skill-installer: укажите путь ilyautov/humanizer-ru/skills/humanizer-ru. После установки перезапустите Codex; вызов: $humanizer-ru или автоматически по триггер-фразам («очеловечь», «убери канцелярит»). Проектная установка: та же папка в .codex/skills/ внутри репозитория.

5. Gemini CLI и Cursor

Gemini CLI. В корне репозитория лежит манифест расширения gemini-extension.json, а скилл в папке skills/, так что расширение ставится прямо из репозитория:

gemini extensions install https://github.com/ilyautov/humanizer-ru

Cursor. Манифест плагина описан в .cursor-plugin/plugin.json. Команда npx skills add находит установленные агенты, включая Cursor, и спрашивает, куда положить скилл:

npx skills add ilyautov/humanizer-ru

Если расширение или плагин поставить не удалось, скопируйте папку skills/humanizer-ru в каталог скиллов агента, как в разделе «Другие агенты».

Проверка установочного пакета

Перед релизом соберите ZIP тем же скриптом, который использует CI, затем прогоните install-smoke по готовому архиву. Проверка копирует skills/humanizer-ru в чистую временную папку скиллов, запускает сканер из установленной копии и проверяет, что в ZIP нет .DS_Store, __pycache__ и *.pyc:

python3 scripts/build_release_zip.py --output dist/humanizer-ru.zip .python3 scripts/install_smoke.py . --zip dist/humanizer-ru.zip

Ожидаемый результат:

RESULT: PASS build-release-zipRESULT: PASS install-smoke

6. Другие агенты (общий стандарт SKILL.md)

Формат Agent Skills стал кросс-платформенным, поэтому humanizer-ru работает и за пределами упакованных стеков. Официально упакованы и проверены: Claude Code, Codex CLI, Cursor, Gemini CLI, DeepSeek Harness. Остальные агенты читают тот же SKILL.md, отдельная версия не нужна.

Универсальный путь для нативных: положите папку скилла в каталог, который агент сканирует (обычно <корень проекта>/.agents/skills/ или ~/.config/agents/skills/), и перезапустите агент. Триггеры активации те же, что в Claude.

У части этих агентов (OpenClaw, Kimi, Hermes) есть публичные каналы дистрибуции скиллов (реестр ClawHub, tap-репозитории). Листинг там даёт охват без отдельного кода: формат общий.

7. DeepSeek Harness (dsh)

DeepSeek Harness читает тот же формат Agent Skills, и скилл ставится двумя способами.

Бандлом из npm, одной командой в нужный профиль (web, tui или headless):

dsh plugin --profile web add humanizer-ru

Тот же бандл прямо из GitHub, если нужна конкретная ветка или свежий main: dsh plugin --profile web add github:ilyautov/humanizer-ru.

Бандл текстовый: package.json с полем dsh.bundle и cordis.patch.yml, который монтирует штатный провайдер dsh-skill-filesystem на папку skills/ пакета. Исполняемого кода в бандле нет, сборка при установке не нужна. Проверить без запуска модели: dsh --profile web --dump-config покажет слой # == humanizer-ru. Удаление: dsh plugin --profile web remove humanizer-ru.

Копией в пользовательский корень скиллов:

cp -r humanizer-ru/skills/humanizer-ru ~/.agents/skills/

dsh сканирует ~/.agents/skills и ~/.dsh/skills сам, перезапуск не нужен. Ключ allowed-tools из фронтматтера dsh не читает, а references/ разрешает относительно папки скилла, так что каталог и журнал правок открываются как в Claude Code.

8. Сканер отдельно: pip, MCP-сервер и GitHub Action

Сканер живёт и без скилла, пакетом ru-humanizer на PyPI (имя humanizer-ru на PyPI занято). Это тот же scan.py, только командой:

pipx install ru-humanizer   # или без установки: uvx ru-humanizer статья.mdru-humanizer статья.md --genre academicru-humanizer чистовик.md --before исходник.md

Голый pip install ru-humanizer на macOS с Homebrew и на Debian/Ubuntu падает с externally-managed-environment (PEP 668): берите uvx, pipx или виртуальное окружение (python3 -m venv .venv && .venv/bin/pip install ru-humanizer).

Тот же пакет поднимает MCP-сервер с двумя инструментами: scan_text даёт балл, штрафы, запреты и маркеры с позициями, compare_texts считает «было и стало» и факт-замок между исходником и правкой. Подключается к Claude Desktop, Cursor и любому клиенту MCP; в Claude Code одной командой:

claude mcp add humanizer-ru -- uvx ru-humanizer mcp

В CI сканер работает как GitHub Action: гейт на балл чистоты по Markdown и текстовым файлам, шаг падает ниже порога.

- uses: ilyautov/humanizer-ru@main  with:    files: "docs/**/*.md"    genre: marketing    min-score: 60

Порядок разовой настройки публикации на PyPI и в реестре MCP описан в PUBLISHING.md.

Использование

Попросите Claude по-русски:

Очеловечь этот текст: [вставьте текст]Перепиши, звучит как робот: [вставьте текст]

Триггеры срабатывания: «очеловечь», «убери следы нейросети», «сделай живым», «звучит искусственно», «перепиши как человек», «убери канцелярит», «слишком формально».

Режим аудита (только диагностика, без переписывания):

Проверь этот текст на AI-маркеры: [вставьте текст]

Точечная правка одной категории:

Убери канцелярит из текста: [вставьте текст]

При установке плагином в Claude Code доступны slash-команды:

/humanize <текст или путь к файлу>   # локальная редактура/audit <текст или путь к файлу>      # аудит без правки (сканер + разбор)

Сканер знает про жанр. По умолчанию он строгий, под маркетинг и блоги, а для других регистров снимает маркеры, которые там законны:

python skills/humanizer-ru/scripts/scan.py статья.txt --genre academic  # ещё legal, fiction, newspython skills/humanizer-ru/scripts/scan.py стало.txt --before было.txt  # чистота до/после + факт-замок

Зачем это нужно, показал прогон по внешнему размеченному корпусу AINL-Eval 2025 (35 158 русских научных аннотаций): в строгом режиме баны оставались в 35,9% человеческих текстов против 26,1-35,8% машинных, то есть на научном тексте каталог не различал автора вовсе. С жанровой поправкой ложные срабатывания на людях падают до 4,2%. Цифры и метод: eval/AINL-CALIBRATION.md. Третий корпус, LLMTrace (14 763 русских текста, 30 генераторов, впервые GigaChat и YandexGPT), подтвердил границы: на отзывах и историях длинное тире ставят 2-8% людей против 28-33% машин, а в энциклопедических статьях наоборот. Разбор: eval/LLMTRACE-CALIBRATION.md.

До и после

Полное редактирование:

До:

В современном мире искусственный интеллект играет всё более важную роль в различных сферах деятельности. Стоит отметить, что данная технология является мощным инструментом для оптимизации рабочих процессов.

После (факты автора):

За последний год я внедрил AI-инструменты в три проекта. Два ускорились вдвое. Третий развалился, потому что команда перестала проверять то, что выдаёт модель. AI работает, когда понимаешь его ограничения.

Сработали 3 бана из 21 в двух предложениях. Типичная картина.

Режим аудита на том же тексте выдаст (вывод scan.py, сокращён до главного):

ЧИСТОТА: 48/100  [рерайт]  -36  хард-баны (фразы): 3  -16  маркеры: 4 (15.4/100 слов)
HARD BANS:  ⛔ В современном мире ×1 (стр. 1)  ⛔ Стоит отметить, что ×1 (стр. 1)  ⛔ Данный/Данная/Данное ×1 (стр. 1)
Маркеры (быстрый сканер): 4  • [Канцелярит] «оптимизаци» ×1 (стр. 1)  • [Кальки] «является» ×1 (стр. 1)  • [Кальки] «стоит отметить» ×1 (стр. 1)  • [Вводные-открытия] «в современном мире» ×1 (стр. 1)

Этот блок сверяется со сканером в CI (scripts/check_examples.py): если баны в README разойдутся с реальным выводом, сборка упадёт.

Работают ли AI-детекторы на русском языке?

Коротко: плохо, и это придётся учитывать.

GPTZero, Originality.ai, ZeroGPT и другие популярные детекторы AI-текста обучены в основном на английском. На русском они ненадёжны и ошибаются в обе стороны:

• Ложные срабатывания (false positives): текст, написанный живым человеком, регулярно помечается как «сгенерировано нейросетью». Английские пороги perplexity для русского не откалиброваны, а богатая русская морфология сама задирает «непредсказуемость».
• Пропуски (false negatives): аккуратный AI-текст проходит как человеческий.

Даже лучший специализированный русский детектор (RuRoBERTa на бенчмарке AINL-Eval 2025) даёт около 86% точности: каждый седьмой вердикт мимо. И детекторы не обобщаются между доменами: обученный на научных текстах ошибается на блогах (verified, см. SOURCES.md).

Что это значит для редактуры. Цель скилла: убрать канцелярит и штампы, сохранив содержание и голос. Он не предписывает заменять предсказуемые слова или искусственно чередовать длину предложений. Качество проверяется сравнением версий и отдельной вычиткой; балл сканера служит дополнительным сигналом.

Мы прогоняем детекторы прямо в eval-харнесе по контролю «заведомо человек» (дословные отрывки статей Википедии, написанные людьми задолго до ChatGPT). В последнем прогоне локальный LLM-детектор пометил как ИИ 3 из 3 человеческих текстов (false positive rate 100%), поставив им ту же вероятность «это AI», что и настоящим AI-текстам. Различающая способность близка к нулю. Методика, корпус и сырые прогоны: eval/RESULTS.md, секция «FP-аудит детекторов».

Часто ищут

Поможет ли скилл пройти AI-детектор? Такой гарантии нет. Детекторы и их пороги меняются, а результат отдельного исследования не доказывает результат этого скилла на вашем тексте. humanizer-ru предназначен для редактуры, а не для подтверждения авторства.

Как убрать шаблонные обороты из текста ChatGPT? Найдите места, которые мешают читателю, выберите жанр и примените локальную правку. Каталог описывает 67 признаков; автоматический сканер покрывает измеряемую часть, остальные требуют чтения в контексте.

Как сделать текст ChatGPT человеческим на русском? Три шага: снять 21 жёсткий запрет и маркеры по приоритету, срезать оболочку вокруг утверждений вместо переписывания, сверить результат с исходником по фактам и степени уверенности. Живость не дописывается: то, чего нет в исходнике, в текст не идёт.

Что такое канцелярит и как его убрать? Канцелярит: превращение глаголов в отглагольные существительные («осуществление внедрения» вместо «внедрили»). Главный маркер русских AI-текстов. Соотношение существительных к глаголам у AI 3:1, у людей 2:1. Скилл разворачивает номинализации обратно в глаголы.

Работает ли GPTZero на русском языке? Ненадёжно. GPTZero обучен на английском и на русском даёт много ложных срабатываний: помечает живые человеческие тексты как ИИ, а аккуратный AI-текст пропускает. Подробнее в разделе «Работают ли AI-детекторы на русском».

Почему мой текст помечают как ИИ, хотя я писал его сам? Частая беда на русском: детекторы, обученные на английском, принимают за «машинность» нормальные свойства русского текста (морфология, длинные слова, формальный регистр). Если текст реально ваш, это ложное срабатывание детектора, а не приговор. Скилл помогает убрать конкретные машинные маркеры (канцелярит, кальки, штампы), от которых текст звучит «нейросетево».

Какой AI-детектор лучший для русского? Идеального нет. Из специализированных лучше показывают себя fine-tuned модели на базе RuRoBERTa (бенчмарк AINL-Eval 2025, ~86%), но и они проседают между доменами. Универсальные англоязычные (GPTZero, Originality, ZeroGPT) на русском особенно ненадёжны. Практический вывод: ориентируйтесь на реальное качество текста, а не на вердикт одного детектора.

Работает ли это с Claude Sonnet / Opus 4? Да. Это инструкция-каталог для любой модели Claude. Чем больше контекст модели, тем глубже она применяет правила. На Opus результат заметно сильнее на длинных текстах.

Можно ли использовать без плагина? Да. Скачайте SKILL.md и используйте как чек-лист для ручной правки или вставляйте в системный промпт любой LLM (ChatGPT, Gemini, YandexGPT, GigaChat).

А если мне нужно длинное тире (я редактор / формальная типографика)? По умолчанию скилл вычищает все длинные тире: это главный типографический маркер AI, и живой неформальный русский его почти не ставит (с телефона печатают дефис). Но если вам нужна правильная издательская типографика, прямо скажите об этом: «я профессиональный редактор, длинное тире оставляй». Скилл снимет запрет. Сам он это исключение не включает. Решаете вы.

Чем отличается от английского humanizer

Английский humanizer ловит универсальные AI-маркеры. Русские требуют отдельной модели: канцелярит, кальки с английского синтаксиса, частицы «же/ведь/вот», падежные согласования RuBERT-детекторов, морфологические ошибки длинных цепочек, плюс свежие фингерпринты Claude и GPT 2025-2026 («рваная медитативность», эмодзи-декор, псевдо-терапия), которые в англоязычных каталогах ещё не оформлены.

Режим аудита (skills/humanizer-ru/references/audit.md) работает так: сканер даёт число и находки, затем идёт редакторская разметка фрагментов (оставить, срезать, заменить, склеить) без выдачи переписанного текста, и каждое предложение сверяется с фактами исходника. Вердикта об авторстве аудит не выносит.

Источники

Скилл собран из трёх источников:

• Wikipedia: WikiProject AI Cleanup: базовый каталог признаков AI-текста на русском
• Русскоязычные корпуса и соревнования: Dialog Conference (RuATD-2022 и AINL-Eval 2025), собственные замеры на трёх открытых корпусах (35 158 + 5 759 + 14 763 = 55 680 текстов, отчёты в eval/). Список проверенных первоисточников: SOURCES.md
• Верифицированные публикации (2024-2026): DivEye, PIFE, MASH, Antislop, AINL-Eval, RuATD, NeurIPS 2025 и др. Каждая ссылка и цифра проверена по arxiv и первоисточникам; неподтверждённые удалены. Полная таблица провенанса: SOURCES.md.

Changelog: CHANGELOG.md. Метрики и eval-харнес: каталоги scripts/ и eval/.

Автор

Илья Утов. Пишу про AI и работу с текстом в Telegram: Under the Hood.

Контрибьюторы

• Филипп Зарубин: категория N «Дискурсный слой», паттерны 59-64 по StoryScope (COLM 2026). Признаки, которые переживают стилевую правку. Плюс согласование падежа при счётчике в релизном гейте.
• iKonushok (@ikonushok): install-smoke установочной поверхности и сборка релизного ZIP. Проверяется не папка в репозитории, а то, что реально доезжает до пользователя.

Полный список, включая баг-репорты, которые изменили код: CONTRIBUTORS.md. Как попасть в него: CONTRIBUTING.md.

Лицензия

MIT: используйте свободно, форкайте, дорабатывайте. Pull request с новыми паттернами приветствуются.

humanizer-ru помогает очеловечить русский AI-текст: убрать следы нейросети, канцелярит и штампы, вернуть живой голос и сделать текст человечным. Это бесплатный open-source скилл для Claude (Claude Code, Cowork, API), а не онлайн-сервис «в один клик». Почему детекторы AI и проверка текста на нейросеть на русском ненадёжны (и при чём тут антиплагиат): в разделах выше, с реальными данными из нашего eval-харнеса, а не из обещаний.

Кто это сделал

Илья Утов, лаборатория AI Frontier. Как эти инструменты устроены внутри, пишу в Telegram и LinkedIn.

Рядом стоят:

• marketplaces-mcp-ru: Wildberries, Ozon, Яндекс Маркет и Авито прямо из агента
• small-business-ru: 34 скилла для малого бизнеса, считают налоги и проверяют контрагента по ИНН
• consilium-principis: совет мыслителей, где каждая цитата сверяется дословно
• hefest: химическая безопасность завода, целиком офлайн
• cordon: детерминированный слой между недоверенным контентом и действиями агента

Все проекты одним списком, разобранные по назначению: ilyautov.github.io. Исходники: github.com/ilyautov. Пригодилось, поставьте звезду: по ней это находят другие.