avoid-ai-writing: ein Skill, der KI-Schreibmuster in Texten findet und ersetzt

Welches Problem der Skill adressiert und für wen er gedacht ist

Sprachmodelle hinterlassen Spuren. Bestimmte Wörter, bestimmte Satzmuster, ein gleichmäßiger Rhythmus, der in längeren Texten auffällt. Das Repository beschreibt diese Spuren als AI-isms und liefert eine Skill, die sie in vorhandenem Text aufspürt und ersetzt. Adressiert sind Menschen, die Modellausgaben nicht roh weiterverwenden: Redaktionen, technische Autoren, Entwickler, die Dokumentation oder Release Notes mit einem Agenten schreiben und danach von Hand nachschleifen.

Der Anspruch ist ausdrücklich nicht, Texte unkenntlich zu machen. Die Skill arbeitet auf Prosa, nicht auf Quellcode. Die README nennt für den Edit-Modus eine harte Grenze: Sourcecode, Konfiguration und generierte Daten werden abgelehnt, weil Umschreibungen strukturierte Inhalte beschädigen können. Das ist eine der wenigen Stellen, an denen das Projekt eine Zielgruppe aktiv ausschließt, und die Entscheidung ist nachvollziehbar.

Ein zweiter Adressat sind Agenten selbst. Die Skill ist als Verzeichnis organisiert und folgt damit einem Format, das mehrere Agenten laden können. Die README nennt Claude Code, OpenClaw, Hermes und Cowork, dazu Cursor über eine portierte Regel. Wer seinen Schreib-Workflow bereits in einem dieser Werkzeuge hat, muss nichts umbauen.

Drei Modi und ein zweiter Durchlauf, der die erste Korrektur prüft

Der Rewrite-Modus ist der Standard. Er markiert Muster und schreibt den Text um. Danach läuft ein zweiter Durchgang über die Fassung und sucht nach Mustern, die den ersten Edit überlebt haben. Die README nennt konkret recycelte Übergänge, verbliebene Bedeutungsaufblähung und Kopula-Verschiebungen, die durchgerutscht sind. Der zweite Durchlauf ist der eigentliche Unterschied zu einem Einmal-Prompt, denn ein Modell korrigiert beim Umschreiben gern mit denselben Gewohnheiten, die es produziert hat.

Der Detect-Modus schreibt nicht, sondern markiert. Die Ausgabe trennt nach Angabe der README echte Probleme von Ermessensfragen. Das ist dann sinnvoll, wenn Muster beabsichtigt sein könnten, wenn ein Text nur geprüft und nicht verändert werden soll, oder wenn ein schneller Scan reicht. Wer fremde Texte redigiert, sollte mit diesem Modus anfangen, weil er die Entscheidung beim Menschen lässt.

Der Edit-Modus arbeitet in einer Prosadatei direkt, über das Edit-Werkzeug, mit möglichst kleinen Eingriffen. Passagen, die schon menschlich klingen, bleiben stehen. Zurück kommt kein Volltext, sondern ein Bericht über die vorgenommenen Änderungen plus eine Verifikation. Das ist für größere Dateien praktischer als ein kompletter Neuausdruck, weil die Diff-Menge klein bleibt. Die Ablehnung von Code und Konfiguration gilt in diesem Modus.

Ein optionales Voice-Profil, casual, professional, technical, warm oder blunt, steuert den Klang der Prosa. Die README trennt das ausdrücklich vom Zielgruppen-Kontextprofil. Zwei getrennte Achsen also: für wen geschrieben wird und wie es klingen soll.

Wie die Erkennung aufgebaut ist: Wortliste, Stufen und Musterkatalog

Die Erkennung ist nicht stimmungsbasiert, sondern tabellenbasiert. Die README spricht von einer Ersetzungstabelle mit 112 Einträgen über drei Stufen, plus 10 Phrasen der Stufe 3. Jedes markierte Wort hat eine konkrete einfachere Alternative. Die Beispiele aus der README: leverage wird zu use, commence wird zu start.

Die Stufen unterscheiden sich in der Auslöseschwelle. Stufe 1 markiert, sofern keine gelistete Ausnahme greift. Stufe 2 markiert erst, wenn Wörter sich häufen. Stufe 3 markiert nur bei hoher Dichte. Stufe 1 zerfällt wiederum in zwei Teile: 1A sind Frequenzmarker wie delve oder tapestry, 1B sind Klarheitskorrekturen wie in order to oder utilize. Beide werden gleich umgeschrieben, aber nur 1A gilt als Hinweis darauf, wie eine Passage entstanden ist. 1B wird niedriger gewichtet, damit eine Wortschatz-Korrektur einen Text nicht in Richtung KI-Klassifikation schiebt. Diese Trennung ist der durchdachteste Teil des Designs, weil sie zwei Dinge auseinanderhält, die in einfacheren Werkzeugen in einen Topf fallen.

Die Phrasen der Stufe 3 sind mehrwortige Floskeln wie the integration of oder decentralized compute. Sie schlagen an, wenn sich eine einzelne Phrase wiederholt oder wenn drei oder mehr verschiedene Phrasen in einem Textstück auftauchen. Die README nennt das die Form, in der ein Modell Boilerplate selbst variiert. Das ist ein anderes Signal als Wortwiederholung, nämlich Abwechslung ohne Substanz.

Dazu kommen 74 Musterkategorien. Die README nennt als Beispiele strukturelle Erkennung wie Hashtag-Stapelung, Aufzählungen aus nackten Nominalphrasen und vorhersagen mit gestapelten Hedges, außerdem Fingerabdrücke von KI-Werkzeugen wie Platzhalter, Zitationsmarkup und UTM-Parameter, dazu Rhythmus- und Uniformitätsprüfungen und Tests für die Schreiberseite. Der vollständige Katalog liegt laut README in references/patterns.md, und die Zahl 74 wird in CI gegen diese Datei geprüft. Diese CI-Prüfung ist ein nützliches Detail: sie verhindert, dass die Dokumentation und der Katalog auseinanderlaufen.

Installation: warum ein einzelnes SKILL.md nicht genügt

Die README ist an dieser Stelle ungewöhnlich deutlich. Die Einstiegsdatei lädt den Katalog, bevor sie prüft. Wer nur die schlanke Einstiegsdatei kopiert, lässt die erforderliche Referenz weg. Ältere Installer, die nur das SKILL.md aus dem Wurzelverzeichnis holen, erzeugen genau diesen Zustand. Die Empfehlung lautet deshalb, das Verzeichnis zu installieren.

Für Claude Code nennt die README drei Wege. Erstens klonen:

git clone https://github.com/conorbronsdon/avoid-ai-writing ~/.claude/skills/avoid-ai-writing

Zweitens eine selbstständige Datei verwenden. Dafür gibt es dist/avoid-ai-writing.md, die alle Regeln und Profile enthält, mit manuellen Ersatzwegen für Befehle, die außerhalb des Bündels nicht verfügbar sind. Diese Datei kann in ein beliebiges lesbares Verzeichnis gelegt und in CLAUDE.md referenziert werden, etwa als Zeile der Form: Editing for AI patterns, dann der Pfad zur Datei.

Drittens ein Slash-Kommando. Dazu legt man eine Kommandodatei an, im Beispiel ~/.claude/commands/clean-ai-writing.md, mit einem description-Feld und der Anweisung, die Instruktionen in ~/.claude/skills/avoid-ai-writing/SKILL.md zu lesen und zu befolgen. Aufgerufen wird das Ganze dann als /clean-ai-writing mit dem Text als Argument.

Für Cowork gilt eine Besonderheit, die man leicht übersieht. Cowork lädt Skills nur aus installierten Plugins und durchsucht ~/.claude/skills/ nicht. Der Klon-Weg, der in Claude Code funktioniert, wird dort also nicht gefunden. Wer Cowork nutzt, muss den Plugin-Weg gehen. Das steht so in der README und ist der praktischste Stolperstein der ganzen Anleitung.

Die mitgelieferten Verzeichnisse scripts/, detector/ und examples/ bieten laut README eine optionale mechanische Verifikation. Sie sind nicht Voraussetzung für den Betrieb.

Ein Beispiel aus der README und was daran auffällt

Die README zeigt einen Vorher-Nachher-Vergleich. Der Eingabetext beginnt mit Certainly! und beschreibt ein fiktives Unternehmen Acme Analytics, das eine Series B über 40 Millionen Dollar eingesammelt hat. Danach folgen vibrant, nestled, thriving, ein watershed moment, serves as, featuring, boasting, ein seamless integration layer, ein Moreover, ein vague attribution experts believe und ein Schluss mit the future looks bright.

Die Ausgabe lautet, laut README: Acme Analytics raised a $40M Series B led by Sequoia. The Boulder-based startup makes an observability platform that runs queries in under a second and plugs into existing monitoring stacks without custom integration work.

Bemerkenswert ist, was die Umschreibung hinzufügt. Der Investor Sequoia und die Boulder-Verortung stehen im Ausgangstext, werden in der Ausgabe aber als Fakten festgehalten, während die schmückenden Adjektive verschwinden. Die README listet auf, was der Lauf erkannt hat: Chatbot-Eröffnung, werbliche Sprache, Bedeutungsaufblähung, Kopula-Vermeidung, vier Wortersetzungen, vage Attribution, Füllwort, generischer Schluss und zu gleichmäßige Politur. Nach eigener Zählung über 15 Merkmale in einem Absatz.

Das Beispiel ist ein Demonstrationsfall, kein Messergebnis. Es zeigt die Richtung der Umschreibung und die Kategorien, die das Werkzeug unterscheidet. Es belegt nicht, wie sich der Skill auf einem längeren Fachtext verhält, in dem copula avoidance oder dichtere Nominalphrasen fachlich begründet sein können. Genau dort liegt die offene Frage.

Grenzen: was der Skill nicht leisten kann und wann er das falsche Werkzeug ist

Die wichtigste Einschränkung steht schon im Installationsabschnitt. Ohne references/patterns.md neben SKILL.md arbeitet der Audit ohne den Katalog, auf den die Einstiegsdatei verweist. Wer ältere Installer oder Einzeldatei-Kopien verwendet, bekommt möglicherweise weniger Prüfungen als die Dokumentation verspricht, ohne dass ein Fehler sichtbar wird.

Die zweite Grenze ist die Natur der Erkennung. Stufe 2 markiert bei Häufung, Stufe 3 nur bei hoher Dichte, und der Detect-Modus unterscheidet nach eigener Beschreibung echte Probleme von Ermessensfragen. Das heißt: es gibt eine Grauzone, und die Entscheidung darüber bleibt beim Menschen. Ein Text, der viele Wörter der Stufe 1B enthält, wird korrigiert, aber ausdrücklich nicht als KI-Hinweis gewertet. Wer aus der Ausgabe eine Ja-Nein-Antwort über die Herkunft eines Textes ableiten will, wird enttäuscht.

Drittens der Edit-Modus. Er lehnt Quellcode, Konfiguration und generierte Daten ab. Das ist richtig, schränkt den Einsatz aber stark ein. In einem Repository mit gemischten Dateien ist der nutzbare Teil kleiner als es zunächst scheint. Und selbst in Prosadateien arbeitet der Modus mit minimalen, gezielten Änderungen. Wer eine vollständige Neufassung erwartet, ist im Rewrite-Modus besser aufgehoben.

Schließlich die Frage der Absicht. Die README nennt Detect als den Modus für Fälle, in denen Muster beabsichtigt sein könnten. Ein Stil, der bewusst mit kurzen, gleichmäßigen Sätzen arbeitet, oder eine Marketingseite, die werbliche Sprache sucht, wird von einem Werkzeug, das Uniformität und Werbesprache markiert, systematisch bearbeitet. Dort ist der Skill nicht falsch implementiert, sondern falsch gewählt.

Alternative: ein Einmal-Prompt und was ihn unterscheidet

Die README grenzt sich selbst gegen den naheliegenden Vergleich ab: einen einmaligen Prompt der Form make this sound human. Der Unterschied liegt nicht in der Qualität der Umschreibung, sondern in der Struktur. Ein Einmal-Prompt gibt Text zurück. Die Skill gibt nach eigener Beschreibung vier getrennte Abschnitte zurück: identifizierte Probleme mit zitiertem Text, die Umschreibung, eine Zusammenfassung der Änderungen und einen zweiten Audit. Man sieht also, was geändert wurde und warum.

Der zweite Unterschied ist die Nachprüfung. Ein Einmal-Prompt hat keinen zweiten Durchgang. Der zweite Durchgang ist genau der Teil, der Muster findet, die das Modell beim Umschreiben selbst wieder eingebaut hat.

Der dritte Unterschied ist die Nachschlagetabelle. Ein Prompt entscheidet von Fall zu Fall, ob leverage ein Problem ist. Die Skill hat 112 Einträge mit festen Alternativen und Stufen, die bestimmen, wann ein Treffer zählt. Das macht die Ausgabe reproduzierbarer und erklärbarer, kostet aber Flexibilität: ein Wort, das im konkreten Fachkontext die richtige Wahl ist, wird trotzdem markiert, wenn keine gelistete Ausnahme greift.

Für wen lohnt sich welcher Weg? Wer einen einzelnen Absatz glätten will, ist mit einem Prompt schneller fertig und spart die Installation. Wer wiederkehrend prüft, mehrere Ausgabedateien bearbeitet oder die Änderungen nachvollziehbar dokumentieren muss, gewinnt durch die vier Abschnitte und den zweiten Durchlauf. Der Aufwand liegt dann in der Einrichtung, nicht im Einzelfall.

Pflege, Versionierung und Lizenz

Das Repository steht unter MIT. Diese Lizenz erlaubt Nutzung, Veränderung und Weitergabe, auch in proprietären Zusammenhängen, verlangt aber die Beibehaltung des Urheberrechtshinweises und des Lizenztextes. Wer die Skill forkt und intern verteilt, muss die Lizenzangabe also mitführen. Das ist eine allgemeine Beobachtung zur Lizenz, keine Rechtsberatung.

Der Wartungsstand lässt sich an der Veröffentlichungsfolge ablesen. Der letzte Push liegt laut Repository-Angaben auf dem 6. September 2026. Die drei jüngsten Releases v3.33.0, v3.32.0 und v3.31.0 stammen vom 5. September 2026, zwei davon mit identischem Zeitstempel. Die Versionierung läuft also in kleinen Schritten und in kurzer Folge. Für Nutzer heißt das: die Skill verändert sich häufig, und ein Update kann Wortlisten, Schwellen oder Musterkategorien verschieben. Wer die Ausgabe in einem festen Prozess verwendet, sollte die Version festhalten, gegen die geprüft wurde.

Ein Teil der Pflege ist automatisiert. Die README schreibt, dass die Zahl der Musterkategorien in CI gegen references/patterns.md geprüft wird. Das schützt davor, dass Dokumentation und Katalog auseinanderdriften, ersetzt aber keine inhaltliche Prüfung der Muster selbst. Ob eine Kategorie sinnvoll anschlägt, prüft CI nicht.

Ein Upgrade besteht im Kern darin, das Verzeichnis neu zu klonen oder das Plugin zu aktualisieren. Danach ist zu kontrollieren, dass SKILL.md und references/patterns.md wieder zusammenpassen. Wer die Einzeldatei dist/avoid-ai-writing.md verwendet, muss sie neu beziehen, weil sie Regeln und Profile gebündelt enthält und nicht automatisch nachzieht.

Redaktionelles Fazit

Wer regelmäßig Prosa von Modellen nachbearbeitet und Claude Code oder einen anderen verzeichnis-fähigen Agenten nutzt, kann das Verzeichnis klonen und mit dem Detect-Modus beginnen, bevor er den Edit-Modus auf echte Dateien loslässt. Wer nur gelegentlich einen Absatz glätten will, fährt mit einem Einmal-Prompt billiger. Wer den Skill in Cowork einsetzen will, muss den Plugin-Weg gehen, weil Cowork ~/.claude/skills/ nicht scannt. Vor dem ersten Lauf auf einem Repository ist zu prüfen, ob references/patterns.md neben SKILL.md liegt, sonst arbeitet der Audit ohne Katalog.

Offizielle Quellen

1. conorbronsdon/avoid-ai-writing on GitHub
2. License: MIT
3. Project website
4. README
5. Releases