Humanizer (Chinese) (Claude Skill) — Installieren & Live-Demo

Warum nutzen

Hauptfunktionen

Zielt auf chinesische KI-Erkennungsmerkmale ab, kein generischer englischer Humanizer
Mehrere Stimmprofile: WeChat-Öffentlichkeitskonto / Xiaohongshu / Blog / Twitter / Akademisch
Erkennt und entfernt übernutzte Phrasen (其实, 总的来说, 综上所述...)
Satzrhythmus-Variation — bricht die vorhersehbare Kadenz
Bewahrt technische Genauigkeit (weicht keine Eigennamen, Code oder Zahlen auf)
Reiner Markdown-Skill — keine externen Abhängigkeiten

Live-Demo

In der Praxis

bereit

Installieren

Wählen Sie Ihren Client

~/Library/Application Support/Claude/claude_desktop_config.json · Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "humanizer-zh-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/op7418/Humanizer-zh",
        "~/.claude/skills/humanizer-zh"
      ],
      "_inferred": true
    }
  }
}

Öffne Claude Desktop → Settings → Developer → Edit Config. Nach dem Speichern neu starten.

~/.cursor/mcp.json · .cursor/mcp.json

{
  "mcpServers": {
    "humanizer-zh-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/op7418/Humanizer-zh",
        "~/.claude/skills/humanizer-zh"
      ],
      "_inferred": true
    }
  }
}

Cursor nutzt das gleiche mcpServers-Schema wie Claude Desktop. Projektkonfiguration schlägt die globale.

VS Code → Cline → MCP Servers → Edit

{
  "mcpServers": {
    "humanizer-zh-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/op7418/Humanizer-zh",
        "~/.claude/skills/humanizer-zh"
      ],
      "_inferred": true
    }
  }
}

Klicken Sie auf das MCP-Servers-Symbol in der Cline-Seitenleiste, dann "Edit Configuration".

~/.codeium/windsurf/mcp_config.json

{
  "mcpServers": {
    "humanizer-zh-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/op7418/Humanizer-zh",
        "~/.claude/skills/humanizer-zh"
      ],
      "_inferred": true
    }
  }
}

Gleiche Struktur wie Claude Desktop. Windsurf neu starten zum Übernehmen.

~/.continue/config.json

{
  "mcpServers": [
    {
      "name": "humanizer-zh-skill",
      "command": "git",
      "args": [
        "clone",
        "https://github.com/op7418/Humanizer-zh",
        "~/.claude/skills/humanizer-zh"
      ]
    }
  ]
}

Continue nutzt ein Array von Serverobjekten statt einer Map.

~/.config/zed/settings.json

{
  "context_servers": {
    "humanizer-zh-skill": {
      "command": {
        "path": "git",
        "args": [
          "clone",
          "https://github.com/op7418/Humanizer-zh",
          "~/.claude/skills/humanizer-zh"
        ]
      }
    }
  }
}

In context_servers hinzufügen. Zed lädt beim Speichern neu.

claude mcp add humanizer-zh-skill -- git clone https://github.com/op7418/Humanizer-zh ~/.claude/skills/humanizer-zh

Einzeiler. Prüfen mit claude mcp list. Entfernen mit claude mcp remove.

Anwendungsfälle

Praxisnahe Nutzung: Humanizer (Chinese)

Einen KI-generierten Blog-Beitrag im WeChat-Öffentlichkeitskonto-Stil umschreiben

👤 Chinesische Content-Creator ⏱ ~25 min beginner

Wann einsetzen: Claude hat einen Tech-Beitrag geschrieben, der wie ein übersetztes Whitepaper klingt.

Voraussetzungen

Skill installiert — git clone https://github.com/op7418/Humanizer-zh ~/.claude/skills/humanizer-zh
Quellentwurf — Markdown-Datei mit dem KI-generierten Beitrag

Ablauf

KI-Erkennungsmerkmale identifizieren

humanizer-zh verwenden. Durchgang 1: /drafts/post.md scannen. Die Top-10-Sätze auflisten, die nach KI schreien — zitieren.✓ Kopiert

→ Konkrete Diagnosen auf Satzebene, keine allgemeinen Rückmeldungen
Umschreiben

Den gesamten Beitrag im WeChat-Öffentlichkeitskonto-Stil umschreiben. Technische Genauigkeit bewahren; Rhythmus und Register ändern.✓ Kopiert

→ Ausgabe klingt, als hätte eine Person geschrieben; keine 众所周知/总而言之-Muster
Diff-Review

Den Diff Abschnitt für Abschnitt zeigen. Übersetzungs-Fehler werden markiert.✓ Kopiert

→ Klares Vorher/Nachher für jeden Absatz

Ergebnis: Beitrag klingt natürlich; besteht den Bullshit-Detektor eines Lesers.

Fallstricke

Skill weicht technische Aussagen auf (z. B. "ist" wird zu "könnte sein") — Zum Prompt hinzufügen: technische Schlussfolgerungen nicht abschwächen, nur Register ändern

Kombinieren mit: filesystem

Einen langen Artikel in das Xiaohongshu-Notiz-Format konvertieren

👤 Xiaohongshu-Creator ⏱ ~10 min beginner

Wann einsetzen: Ein 1500-Wort-Artikel soll zu einem Xiaohongshu-Post werden, der den Plattform-Konventionen folgt.

Ablauf

Xiaohongshu-Profil anwenden

Humanizer-zh: Xiaohongshu-Modus. Auf 600 Zeichen kürzen, Emojis natürlich einfügen, in kurze Absätze aufteilen, einen Haken-Titel hinzufügen.✓ Kopiert

→ Ausgabe entspricht dem Plattform-Ton; kein offensichtliches KI-Emoji-Stopfen

Ergebnis: Druckfertiger Xiaohongshu-Beitrag.

Fallstricke

Zu viele Emojis — Maximal 1 Emoji pro ca. 80 Zeichen

Ein Tutorial humanisieren ohne Code zu beschädigen

👤 Tech-Autoren ⏱ ~15 min intermediate

Wann einsetzen: Tutorials sind sensibel — Stimmungsänderung ist gewünscht, aber keine beschädigten Code-Blöcke.

Ablauf

Code-Blöcke markieren

Humanizer-zh: /tutorials/python.md umschreiben. Alle ```-Blöcke als unantastbar behandeln. Nur Prosa umschreiben.✓ Kopiert

→ Code unberührt; Prosa umgeschrieben

Ergebnis: Tutorial klingt natürlich, während Code korrekt bleibt.

Fallstricke

Inline-Code mit ... wird ebenfalls umgeschrieben — Explizit im Prompt: auch Inline-Code schützen

Kombinationen

Mit anderen MCPs für 10-fache Wirkung

humanizer-zh-skill + filesystem

Alle Entwürfe in einem Ordner in Batch verarbeiten

Humanizer-zh auf alle .md unter /drafts/. Als /drafts-final/ speichern.✓ Kopiert

humanizer-zh-skill + x-article-publisher-skill

Humanisieren und dann veröffentlichen

Beitrag humanisieren, dann via x-article-publisher auf X veröffentlichen.✓ Kopiert

Werkzeuge

Was dieses MCP bereitstellt

Werkzeug	Eingaben	Wann aufrufen
diagnose	text	Durchgang 1 — verstehen, was zu korrigieren ist
rewrite	text, voice_profile?	Durchgang 2 — Änderung anwenden
diff_review	before, after	Durchgang 3 — prüfen, ob nichts übermäßig geändert wurde

Kosten & Limits

Was der Betrieb kostet

API-Kontingent: N/A
Tokens pro Aufruf: Ca. 2x Quelllänge (Lesen + Umschreiben)
Kosten in €: Kostenlos (der Skill selbst); eigene Modell-Tokens werden berechnet
Tipp: Zuerst das gesamte Dokument diagnostizieren, aber abschnittsweise umschreiben, um den Kontext eng zu halten

Sicherheit

Rechte, Secrets, Reichweite

Minimale Scopes: filesystem-read filesystem-write

Credential-Speicherung: Keine

Datenabfluss: Keine (Skill ist lokal)

Originalentwürfe immer aufbewahren; die Skill-Umschreibungen können Nuancen verschieben

Fehlerbehebung

Häufige Fehler und Lösungen

Ausgabe klingt genauso roboterhaft

Stimmungsprofil angeben; Standardmodus ist konservativ

Code-Blöcke beschädigt

Explizit im Prompt: ```-Blöcke schützen

Längendrift (Ausgabe viel kürzer)

Ziellänge explizit angeben

Alternativen

Humanizer (Chinese) vs. andere

Alternative	Wann stattdessen	Kompromiss
Original-Humanizer (Englisch)	Quelle auf Englisch ist	Generisch; weniger auf chinesische KI-Erkennungsmerkmale zugeschnitten
Manuelles Lektorat	Stakes sehr hoch sind (z. B. veröffentlichtes Whitepaper)	Langsam; skaliert nicht

Mehr

Ressourcen

📖 Offizielle README auf GitHub lesen

🐙 Offene Issues ansehen

🔍 Alle 400+ MCP-Server und Skills durchsuchen