L'Origine : J'ai passé plus de dix heures à tester dix compétences « anti-AI »
Tout d'abord, voici l'adresse open source de [Human Talk.skill] : https://github.com/Pluviobyte/rnskill
Récemment, diverses compétences et projets open source « anti-AI » sont devenus très populaires dans la communauté chinoise. Une simple recherche sur GitHub pour humanizer, shuorenhua, stop-slop, qu-ai-wei, De-AI-writing... et vous en trouverez plus d'une douzaine.
Mes besoins sont très spécifiques : lorsque j'écris des articles techniques liés à l'IA, je souhaite que le brouillon ressemble davantage à ce que j'aurais écrit moi-même, avec moins d'aspect « modèle » et de « saveur IA ». J'ai donc cloné tous les projets que j'ai pu trouver sur ma machine locale et j'ai effectué une série de tests comparatifs en utilisant le même court brouillon sur un thème AI Native.
Après avoir testé dix projets, ma première découverte a été : ce ne sont pas du tout le même type de compétence anti-AI. J'ai encore été induit en erreur par des blogueurs racoleurs.
Trois qui peuvent être utilisées directement pour des brouillons techniques en chinois
shuorenhua, Humanizer-zh et De-AI-writing.
shuorenhua a la perception la plus fine du contexte et du registre. Il détermine d'abord si votre texte est une revue technique, un article d'opinion ou une documentation avant de décider quoi modifier et quoi conserver. Après la révision, la terminologie et les jugements restent généralement, tandis que la coquille de modèle et les résumés vides sont supprimés.
Humanizer-zh a la couverture de règles la plus large, avec des traitements correspondants pour 24 types de traces d'écriture IA. Il convient pour un premier nettoyage, mais il transforme parfois le brouillon en quelque chose qui ressemble à un communiqué de presse générique poli par un éditeur, affaiblissant la voix personnelle.
De-AI-writing apporte les modifications les plus légères. Il privilégie la préservation de la structure originale, ne supprimant que les mots de signalisation, les tons magistraux et les résumés de fin de paragraphe. Il convient lorsque vous êtes relativement satisfait du brouillon original et que vous craignez que des modifications importantes ne fassent dérailler le texte.
Deux adaptées à l'extraction de règles
stop-slop et la version originale anglaise de humanizer.
stop-slop a des règles courtes, dures et directes. Par exemple, il cible les phrases de contraste binaire (« XX n'est pas A, mais B »), le triple parallélisme, les fins de paragraphe sous forme d'aphorismes et la surexplication pour suppression. L'appliquer directement au chinois est un peu rigide, mais il est excellent lorsqu'il est décomposé en une « liste d'interdictions ».
La version originale anglaise de humanizer est la plus systématique, catégorisant les traces d'IA en quatre grands types : modèles de contenu, grammaire, style et modèles de communication. L'adaptation au chinois doit être faite manuellement, mais elle est très précieuse en tant que référence en amont.
Deux pour la stabilité d'écriture à long terme
writing-agent est un pipeline d'écriture complet. Il couvre tout le processus, de la sélection du sujet, la collecte de preuves et la confirmation de la position à la relecture, la déflaveur et l'exportation. J'ai effectué des validations de workflow et 15 tests unitaires localement, et ils ont tous réussi. Le processus complet nécessite la configuration de modèles et d'API, ce qui le rend adapté à la recherche future sur l'écriture à long terme pour les comptes officiels.
nuwa-skill se concentre sur la distillation de style. Il nécessite de fournir 5 à 7 de vos articles réels pour lui permettre d'extraire vos caractéristiques d'écriture et de générer une compétence personnalisée. Le tester avec un seul paragraphe n'a pas beaucoup de sens.
Trois qui sont loin d'être « anti-AI pour articles techniques chinois »
chatgpt-comparison-detection est un dépôt pour l'ensemble de données HC3 et la recherche de détection. J'ai exécuté un texte d'exemple en utilisant sa liste d'instructions chinoises intégrée, et il a touché un mot ChatGPT haute fréquence : « donc ». C'est pour la recherche de détection, pas un outil de révision.
ai-flavor-remover est une invite autonome sans structure de compétence, adaptée pour être directement injectée dans des modèles de raisonnement pour essai.
taste-skill est une compétence esthétique frontale qui gère la conception de l'interface et n'a rien à voir avec le texte.
Ce que j'ai découvert plus tard
Le résultat le plus utile n'est pas le brouillon final d'une compétence spécifique, mais les règles spécifiques extraites de différentes compétences.
shuorenhua m'a fait remarquer le problème du changement de contexte. Écrire une critique de Fable-5 et écrire un article d'opinion AI Native nécessite de garder des choses différentes. Dans une critique, les données concrètes comme le prix, la vitesse et les comparaisons de modèles ne peuvent pas être touchées ; dans un article d'opinion, les jugements personnels et les détails d'expérience ne doivent pas être lissés.
stop-slop m'a fait réaliser à quelle fréquence la structure de phrase « XX n'est pas A, mais B » apparaissait dans mes propres brouillons. Une fois remarquée, elle devient difficile à tolérer. Des problèmes similaires incluent les fins de résumé vides, le parallélisme en trois parties et les transitions de remplissage comme « en d'autres termes ».
La détection de contraste binaire de Humanizer-zh et la stratégie de fidélité de De-AI-writing peuvent également être extraites pour une utilisation individuelle. La première m'aide à identifier les problèmes de structure de phrase, tandis que la seconde empêche la surédition de disperser la terminologie et les jugements.
Comment je l'utilise finalement
Je n'ai pas choisi une compétence « la plus forte » à installer ; j'ai plutôt compilé ma propre liste de contrôle à partir de ces projets. Après avoir écrit un article technique, je le passe en revue :
Le brouillon contient-il des expériences de test réelles et mes propres jugements ? Sans cela, l'article devient un manuel générique que n'importe qui pourrait écrire, et les lecteurs ne sauront pas qu'il provient d'un test spécifique.
Y a-t-il des coquilles de contraste binaire, des résumés vides, un parallélisme en trois parties ou des fins d'aphorismes ? Supprimez-les immédiatement.
La terminologie et les noms de modèles ont-ils été dispersés ? Si Fable-5 est changé en « ce modèle » ou Claude Opus en « ce produit », c'est de la surédition.
Les longueurs de phrases sont-elles trop uniformes ? Si chaque phrase a à peu près la même longueur, la lecture est très plate, comme si elle avait été uniformément polie.
Ces règles sont plus efficaces que n'importe quelle compétence unique. Le style d'écriture de chacun est différent, et la source de la « saveur IA » varie. Décomposer les règles et les combiner soi-même fonctionne mieux que d'appliquer directement une compétence générique.
Enfin, le meilleur modèle correspondant — Opus 4.6
Lors de mes tests, la série GPT a été la moins performante, surtout lorsqu'elle est utilisée dans Codex, car elle manquait souvent les règles de compétence. DeepSeek V4 Pro a mieux performé. Opus 4.8 a probablement distillé le style de GPT et a également mal performé. Le modèle le plus performant était Opus 4.6.
L'article ci-dessus a été produit à l'aide de Human Talk Skill et est open source : https://github.com/Pluviobyte/rnskill
Bienvenue pour me suivre @Pluvio9yte. Dans le prochain numéro, j'expliquerai l'utilisation détaillée de cette compétence.
Aperçu du prochain numéro : « 1 000 abonnés en 7 jours : j'ai décomposé la production vidéo en une chaîne de production IA »
