sepia: De-AI-Schreibskill, der bei der Erzählarchitektur ansetzt

Warum ein weiterer Humanizer, wenn Wortwahl nicht das Problem ist

Die meisten Humanizer-Werkzeuge setzen auf der Oberfläche an: Klischees, Satzbau, Vokabular. sepia argumentiert, dass diese Ebene zu spät kommt. Die Begründung stützt sich auf StoryScope (Russell et al., 2026), eine Studie mit 61.608 Geschichten von Menschen und fünf Frontier-Modellen. Ein Klassifikator, der ausschließlich narrative Strukturmerkmale nutzt, erreicht dort 93,2 % Macro-F1. Im LAMP-Setting der Studie, in dem menschliche Redakteure die Oberflächensprache umgeschrieben hatten, sank die Erkennungsrate nur von 95,5 % auf 93,9 %. Die verräterischen Muster sitzen also tiefer: vom Erzähler erklärte Themen, geradlinig kausale Handlung, Emotion nur als Körperempfindung, keine realen Bezüge, keine Leseradresse, lineare Zeit, Auflösung durch persönliches Wachstum.

Genau hier setzt das Projekt an. Es richtet sich an Autorinnen und Autoren, die mit einem Agenten arbeiten, der das Agent-Skill-Format versteht, sowie an Teams, die wiederkehrende technische Textsorten schreiben. Der Anspruch ist nicht, KI-Text unkenntlich zu machen, sondern ihn auf die menschliche Verteilung zu kalibrieren. Das ist ein Unterschied: Ein Text, auf den alle Regeln gleichzeitig angewendet werden, erzeugt laut README einen neuen Fingerabdruck. Deshalb wählt sepia pro Geschichte nur drei bis fünf Eingriffe aus und lässt bewusst Spielraum.

Drei Pässe, ein Diagnose-Rubrik und modellspezifische Fingerabdrücke

Das Protokoll für Fiktion läuft in drei Pässen. Pass 1 bearbeitet die Erzählarchitektur: Thema nicht erklären, Kausalkette lockern, Enthüllungen nach hinten verlagern, Emotionsmodi mischen, dünn besetzte Figurennetzwerke, reale Dinge benennen. Pass 2 betrifft den Diskursfluss, also die Abfolge von Absatz und Frage, das Durchhängen in der Mitte, Rhythmus und Positionen. Pass 3 ist die klassische Oberfläche: Klischees, Syntaxschablonen, Wortschatz, Register.

Dazu kommt eine Diagnose-Rubrik mit 30 Merkmalen. Die Fingerabdrücke liegen in zwei Schichten vor: narrative Merkmale, die StoryScope für Claude, GPT, Gemini, DeepSeek und Kimi gemessen hat, und satzbezogene Merkmale aus den Prompting-Leitfäden der Anbieter selbst (Claude Fable 5.1 und Mythos 5.1, Fable 5 und Mythos 5, Opus 5, Opus 4.8; GPT-5.6, GPT-6 Astra; Gemini-3-Reihe). Diese zweite Schicht greift nur, wenn das schreibende oder ausführende Modell bekannt ist. Anbieter ohne veröffentlichte Leitlinien werden als konsultiert vermerkt, nicht geraten. Diese Trennung ist sauber und in der Praxis selten.

Fachprosa scheitert anders. Hier nennt das README Füllmaterial ohne Informationsgehalt, Hedging an Stellen, an denen ein Urteil nötig wäre, Chatbot-Reste, Register, das den Anlass ignoriert, und Formatierung, die gestanzt wirkt. Jede Textsorte bekommt eine dünne Regeldatei über einer gemeinsamen Checkliste.

Vier Operationen und ein Router über mehrere Agenten

sepia definiert vier Operationen: write für neuen Text, review nur zur Diagnose, refactor für minimale Eingriffe, recreate für eine vollständige Neufassung aus Quellfakten und Absicht. Dazu kommt hemingway als fünfter Einstieg, der beim Schreiben oder Überarbeiten von Fiktion eine eingebaute Hemingway-Stimme anwendet.

Das Plugin-Paket liefert für Claude Code, Codex, Grok Build und Antigravity einen allgemeinen Router plus die direkten Einstiege. Die Aufrufe unterscheiden sich nach Plattform: In Claude Code, Grok Build und Antigravity heißen sie /sepia-write, /sepia-review, /sepia-refactor, /sepia-recreate und /sepia-hemingway, in Codex entsprechend $sepia-write und so weiter. Der Router bleibt als /sepia beziehungsweise $sepia verfügbar.

Wichtig ist eine Einschränkung aus dem README: Die Operations-Wrapper hängen von ihrem kanonischen Geschwister-Skill ab. Eine Installation nur der Wrapper wird nicht unterstützt. Man muss das vollständige Plugin-Paket installieren. Wer die Wrapper einzeln einbindet und sich wundert, dass nichts passiert, hat genau diesen Fall. Für Agenten ohne natives Plugin-Paket läuft die Installation über die Skills CLI, die laut Projektangabe 77 oder mehr Agenten unterstützt. Es gibt ein kanonisches SKILL.md, keine plattformspezifischen Forks.

Kalibrieren statt invertieren: die eigentliche Designentscheidung

Der Leitsatz des Projekts lautet, auf die menschliche Verteilung zu kalibrieren statt die KI-Verteilung zu invertieren. Das klingt nach einem Satz aus einer Design-Präsentation, hat aber konkrete Folgen. Ein Text, der jede Regel gleichzeitig befolgt, wird selbst wieder erkennbar, weil Menschen eben nicht durchgehend unerklärte Themen, gelockerte Kausalität und gemischte Emotionsmodi produzieren. Menschen liegen im Mittelfeld. Deshalb begrenzt sepia die Eingriffe auf drei bis fünf Eingriffe pro Geschichte und lässt Slack übrig.

Das ist eine Einschränkung, die man als Nutzer akzeptieren muss. Wer maximale Umformung erwartet, bekommt sie nicht. Der Ansatz verweigert sich auch der einfachen Prüflogik: Man kann nicht nachzählen, ob alle Regeln angewendet wurden, weil die Auswahl selbst Teil des Verfahrens ist. Ob die Auswahl gut getroffen wurde, lässt sich nur am Ergebnis beurteilen. Das macht den Skill schwerer zu evaluieren als einen Ersetzungsfilter mit fester Wortliste.

Stimmen stapeln: ein Interface, das auf einem Experiment beruht

Seit v0.4.0 definiert sepia eine Schnittstelle, um einen Stil- oder Stimmen-Skill darüberzulegen: eine Minimalismus-Methode, eine Markenstimme, ein Persona-Leitfaden. Das ist ausdrücklich opt-in. Man muss sepia sagen, dass ein Stimmen-Skill im Spiel ist, dann lädt es references/voice-skills.md auf dem normalen Weg. Ohne diesen Hinweis wird keine externe Stimme geladen.

Der Vertrag sieht vor, dass sepia's Architekturentscheidungen zuerst kommen. Die Eingriffe der Stimme werden selektiv angewendet, drei bis fünf Signaturbewegungen pro Stück, Formelenden bewusst manchmal gebrochen. Ein Review meldet die bekannten Kosten der Stimme, statt sie wegzukorrigieren, während Uniformitätsbefunde voll erhalten bleiben: Eine Stimme entschuldigt kein Metronom. Auf professionellen Routen bestimmt weiterhin der Anlass das Register. Direkte Konflikte gehen an den Nutzer zurück.

Hier ist Transparenz angebracht: Das README bezeichnet die Schnittstelle als begründet in einem blinden Review-Experiment an einem streng minimalistischen Exemplar, ausdrücklich als ausgearbeitetes Beispiel, nicht als gemessene Evidenz. Ein eingebautes Profil liegt unter references/voices/ (Hemingway: Eisberg-Auslassung für Fiktion, die Kansas City Star-Regeln für Fachprosa, jede Bewegung auf ihre Quelle zurückgeführt). Ein Review meldet nur dann, wenn die aufgezeichneten Befunde zum Hemingway-Profil passen, und lädt nichts. Wer starkes De-AI für eine Geschichte verlangt, gilt als opt-in, und sepia nennt dann das angewendete Profil und den Weg, es abzulehnen.

Was das README offen lässt

Die Materialbasis hat klare Lücken. Es gibt keine Homepage, und der Repository-Ausschnitt endet mitten im Satz über Satzrhythmus und chinesische Kalibrierung, sodass dieser Teil nicht bewertbar ist. Die Installationsbefehle selbst sind im vorliegenden Text nicht enthalten; das README verweist für die verifizierten Plattformdetails auf den Abschnitt Install, ohne ihn hier zu zeigen. Wer sepia einsetzen will, muss diese Befehle aus dem vollständigen README holen, statt sie aus einer Zusammenfassung zu rekonstruieren.

Auch die Wirkung ist nicht unabhängig belegt. Die 93,2 % Macro-F1 stammen aus StoryScope und messen die Erkennbarkeit von KI-Fiktion, nicht die Wirksamkeit von sepia. Der LAMP-Vergleich zeigt, dass Oberflächenbearbeitung die Erkennung kaum senkt, was das Design plausibel macht. Ein Beleg, dass sepia die Erkennungsrate tatsächlich senkt, steht im vorliegenden Material nicht. Es gibt eine GitHub Action namens behavioral eval, die auf einen solchen Test hindeutet, aber ihr Inhalt ist nicht Teil des Ausschnitts. Wer den Skill produktiv einsetzt, sollte sich die Ergebnisse dieses Workflows selbst ansehen.

Ein weiterer Punkt: Die per-Modell-Fingerabdrücke greifen nur, wenn das schreibende oder ausführende Modell bekannt ist. In einer Pipeline mit wechselnden Modellen oder unbekanntem Backend fällt diese Schicht weg, und es bleibt das allgemeine Protokoll.

Alternative: Wortwahl-Humanizer und Stilprüfer

Die nächstliegende Alternative ist ein klassischer Humanizer, der auf Wortwahl und Syntax arbeitet, oft als Ersetzungsliste oder als Prompt mit Verboten wie keine Gedankenstriche, keine Floskeln, kürzere Sätze. Der Unterschied liegt nicht im Umfang, sondern im Angriffspunkt. Ein solcher Humanizer bearbeitet genau Pass 3 von sepia und lässt Pass 1 und 2 unangetastet. Nach dem LAMP-Befund aus StoryScope ist das die Ebene, deren Bearbeitung die Erkennung kaum verändert. Wer also Fiktion schreibt und Erkennbarkeit senken will, erreicht mit einem Oberflächen-Humanizer wenig, auch wenn der Text danach glatter klingt.

Umgekehrt ist sepia für kurze Fachtexte der schwerere Weg. Eine PR-Antwort oder ein Ticket braucht keine narrative Architektur. Hier konkurriert sepia mit einfachen Stilregeln, die man direkt in den System-Prompt schreibt: Antwort zuerst, Datei und Zeile zitieren, Länge proportional zur Tragweite. sepia verpackt genau solche Regeln in Regeldateien pro Textsorte, was den Vorteil hat, dass sie versioniert und teilbar sind, und den Nachteil, dass man ein Plugin-Paket installieren und pflegen muss. Für ein einzelnes Dokument ist das Verhältnis von Aufwand zu Nutzen schlecht. Interessant wird es, wenn dieselben Textsorten regelmäßig anfallen und mehrere Personen denselben Maßstab brauchen.

Pflegeaufwand, Lizenz und der nächste konkrete Schritt

Das Projekt ist aktiv: Die letzten Releases v0.7.0, v0.8.0 und v0.9.0 liegen im September 2026 innerhalb weniger Tage, der letzte Push fällt mit v0.9.0 zusammen. Das bedeutet aber auch, dass sich die Regeln und Referenzdateien schnell ändern. Wer sepia in eine eigene Pipeline einbindet, sollte die Version pinnen, weil ein Update auf v0.9.0 die Regeldateien und die Stimmen-Schnittstelle verschieben kann. Zwei GitHub Actions, behavioral eval und version consistency, deuten darauf hin, dass das Projekt Verhalten und Versionsstände automatisiert prüft. Das senkt das Risiko stiller Änderungen, ersetzt aber keine eigene Sichtung.

Die Lizenz ist MIT. Das erlaubt kommerzielle Nutzung, Veränderung und Weitergabe, solange der Copyright-Hinweis und der Lizenztext erhalten bleiben. Das ist eine technische Einordnung, keine Rechtsberatung. Wer sepia in ein Produkt einbettet, sollte prüfen, ob die mitgelieferten Referenztexte aus den Anbieter-Leitfäden und aus research/ eigenen Lizenzbedingungen unterliegen, denn das README macht dazu im vorliegenden Ausschnitt keine Angabe.

Der erste Schritt vor einer Adoption ist nicht die Installation, sondern die Prüfung von zwei Dingen: ob der eigene Agent das Agent-Skill-Format unterstützt oder über die Skills CLI angebunden werden kann, und ob der behavioral-eval-Workflow tatsächlich misst, was der Name verspricht. Erst danach lohnt die Entscheidung zwischen dem vollständigen Plugin-Paket und einem selbstgeschriebenen Prompt für die eigene Textsorte.

Redaktionelles Fazit

Wer Fiktion oder Fachprosa mit einem Agent Skills-fähigen Agenten überarbeitet und die StoryScope-Befunde ernst nimmt, findet in sepia ein nachvollziehbar belegtes Werkzeug. Wer nur schnell ein paar Floskeln ersetzen will, ist mit einem reinen Wortwahl-Humanizer besser bedient, weil sepia bewusst nicht jede Regel anwendet. Vor dem Einsatz sollte man prüfen, ob der eigene Agent das Skill-Format unterstützt und ob das Plugin-Paket statt einzelner Wrapper installiert wird, denn die Wrapper allein funktionieren laut README nicht.

Offizielle Quellen

1. Issues
2. License: MIT
3. Nanako0129/sepia on GitHub
4. README
5. Releases