avoid-ai-writing : un skill d'agent pour traquer les tics de rédaction générés par les LLM
Skill that audits and rewrites content to remove AI writing patterns. Use it with your favorite agents including Claude Code, OpenClaw, Codex, and Hermes.
En bref
- De quoi s’agit-il ?
- Ce skill MIT s'installe dans Claude Code, OpenClaw, Hermes ou tout agent compatible agentskills.io et applique un catalogue de 74 catégories de motifs et une table de 112 remplacements lexicaux. Utile si vous produisez du texte avec un modèle et devez le nettoyer avant publication. Inadapté si vous cherchez un détecteur d'origine du texte.
- À qui s’adresse-t-il ?
- Adoptez avoid-ai-writing si vous publiez régulièrement des textes rédigés avec un LLM et que vous voulez un audit structuré plutôt qu'un prompt unique. Ne l'utilisez pas pour décider si un texte a été produit par une machine : ce n'est pas un détecteur d'origine, et les tiers 1B et 3 sont explicitement pondérés pour éviter ce glissement.
- Puis-je l’utiliser commercialement ?
- Oui. MIT est une licence permissive : vous pouvez utiliser, modifier et vendre un logiciel qui en dépend, à condition de conserver les mentions de droit d’auteur et de licence.
- Est-il encore maintenu ?
- Oui. Le dépôt a reçu de nouveaux commits au cours des dernières 24 heures.
- En quel langage est-il écrit ?
- Principalement JavaScript, d’après les statistiques de langage de GitHub.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 15 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
Le problème : un texte correct que personne ne veut lire
Un modèle de langage produit rarement une phrase fausse. Il produit des phrases qui se ressemblent toutes : ouvertures de chatbot, inflation d'importance, attributions vagues, transitions recyclées. Le README du projet donne un exemple concret. Un paragraphe d'annonce de levée de fonds qui commence par « Certainly! » et se termine par « the future looks bright! » est réécrit en deux phrases factuelles sur le montant, l'investisseur et la latence de la plateforme.
Le projet s'adresse donc à deux publics. D'abord les rédacteurs et éditeurs qui travaillent avec un agent et veulent une passe de nettoyage reproductible avant publication. Ensuite les équipes qui doivent auditer un texte sans le modifier, par exemple pour documenter pourquoi un brouillon a été rejeté. Le README insiste sur ce point : le mode detect sert quand les motifs peuvent être intentionnels, ou quand on ne veut pas altérer le contenu examiné.
Ce que le skill examine vraiment : trois niveaux de preuve
La mécanique centrale est une table de remplacement lexical de 112 entrées réparties en trois niveaux, plus 10 phrases de niveau 3. Le niveau 1 se scinde en 1A, marqueurs de fréquence comme delve ou tapestry, et 1B, corrections de clarté comme in order to ou utilize. La distinction n'est pas cosmétique. Le README précise que seul le 1A constitue un indice sur la façon dont un passage a été produit, et que le 1B est pondéré plus bas pour qu'une correction de lourdeur ne puisse pas faire basculer un document vers une classification IA.
Le niveau 2 ne déclenche pas sur un mot isolé mais sur un groupement. Le niveau 3, lui, fonctionne par répétition de phrase ou quand trois phrases distinctes s'empilent dans un même texte, ce que le README décrit comme la forme typique d'un LLM qui varie son propre remplissage. À côté de cette table, 74 catégories de motifs couvrent des cas structurels (listes à puces sans verbe, empilement de hashtags, prédictions empilées de réserves), des empreintes d'outils IA (marqueurs de citation, paramètres UTM, textes de remplacement), des contrôles de rythme et d'uniformité, et des tests côté rédacteur. Le catalogue complet vit dans references/patterns.md, et le README indique que le décompte de 74 est vérifié en intégration continue contre ce fichier.
Deux passes, quatre sections de sortie
Le mode rewrite, qui est le mode par défaut, signale les motifs puis réécrit. Une seconde passe relit la réécriture et cherche ce qui a survécu à la première : transitions recyclées, inflation persistante, substitutions de copule passées entre les mailles. Le résultat est structuré en quatre sections distinctes, avec le texte cité, la réécriture, un résumé des changements et l'audit de seconde passe. C'est la différence revendiquée avec un prompt unique de type « fais sonner ça plus humain » : on voit ce qui a changé et pourquoi.
Le mode edit fonctionne autrement. Il modifie un fichier de prose sur place via l'outil Edit, avec des changements ciblés, et préserve les passages déjà humains. Il refuse le code source, la configuration et les données générées, au motif qu'une réécriture de prose peut corrompre du contenu structuré. Il renvoie un rapport des modifications effectuées et une vérification, pas le fichier complet. Cette retenue est le point le plus intéressant du projet : un outil de réécriture qui sait refuser un fichier est plus facile à mettre dans une chaîne automatisée qu'un outil qui réécrit tout.
Installation : le piège du fichier unique
L'installation recommandée est un clone du répertoire dans le dossier de skills de l'agent :
git clone https://github.com/conorbronsdon/avoid-ai-writing ~/.claude/skills/avoid-ai-writing
Le README est explicite sur un point qui casse beaucoup de déploiements : il faut garder SKILL.md avec references/patterns.md, parce que le fichier d'entrée charge le catalogue avant l'audit. Les anciens installateurs qui ne récupèrent que le SKILL.md à la racine omettent cette référence obligatoire. Si vous avez besoin d'un fichier unique, dist/avoid-ai-writing.md contient toutes les règles et tous les profils, avec des solutions de repli manuelles pour les commandes indisponibles hors du bundle.
Pour Claude Code, deux autres chemins existent. Référencer le fichier dans CLAUDE.md avec une ligne du type « Editing for AI patterns → read path/to/avoid-ai-writing.md », ou créer une commande slash dans ~/.claude/commands/clean-ai-writing.md qui contient $ARGUMENTS puis l'instruction de lire SKILL.md. Le skill s'utilise alors sous la forme /clean-ai-writing suivi du texte.
Un détail compte pour les autres agents : Cowork ne charge les skills que depuis des plugins installés et ne scanne pas ~/.claude/skills/. Un simple clone ne sera donc pas découvert dans cet environnement. Le projet fournit par ailleurs un profil de voix optionnel (casual, professional, technical, warm, blunt) qui règle le ton indépendamment du profil de contexte d'audience.
La limite qui compte : ce n'est pas un détecteur d'origine
Le projet est parfois rangé du côté des détecteurs de texte IA. Sa propre documentation dit l'inverse, et de façon assez précise. La séparation entre 1A et 1B, avec une pondération plus faible pour les corrections de clarté, a précisément pour but qu'une correction de lourdeur ne pousse pas un document vers une classification IA. Le niveau 3 déclenche sur la répétition, pas sur la présence d'un mot. Autrement dit, l'outil mesure la densité de tics, pas la provenance.
La conséquence pratique est double. Un texte humain bourré de jargon d'entreprise déclenchera des signalements de niveau 2. Et un texte généré puis lourdement retravaillé à la main peut passer sans bruit. Si votre besoin est de trancher une question d'attribution, cet outil ne le fera pas, et son propre README vous le dit.
Deuxième limite, moins visible : l'installation en fichier unique. Le mode d'échec documenté est un skill installé sans son catalogue, qui audite alors avec des règles incomplètes sans que rien ne signale l'absence. C'est le genre de panne silencieuse qui produit des rapports d'audit crédibles et faux.
Face à un prompt de réécriture ou à un linter de prose
L'alternative la plus évidente est le prompt unique. Vous demandez à votre agent de rendre le texte plus naturel, il le fait, vous relisez. La différence n'est pas la qualité d'une passe donnée, c'est la traçabilité. Le prompt unique ne produit ni liste des motifs détectés, ni résumé des changements, ni seconde passe, et il ne sait pas refuser un fichier de données structurées. Si vous corrigez un paragraphe une fois par mois, le prompt suffit. Si vous devez justifier une réécriture auprès d'un auteur, la sortie en quatre sections est ce qui rend la conversation possible.
L'autre famille d'alternatives, ce sont les linters de prose et les guides de style codifiés, qui appliquent des règles lexicales et syntaxiques déterministes. La différence d'approche est nette : un linter ne réécrit pas, il souligne. avoid-ai-writing occupe une position intermédiaire, avec un moteur de détection embarqué qui sert de vérification mécanique optionnelle, mais dont le cœur reste un skill piloté par un agent. Le compromis est là : vous gagnez la réécriture et la détection de motifs structurels, vous perdez le déterminisme d'un linter, puisque le résultat dépend du modèle qui exécute le skill.
Maintenance, licence et coût de mise à jour
Le rythme de publication est élevé : trois versions en deux jours selon les releases fournies (v3.31.0, v3.32.0 et v3.33.0, toutes datées du 5 septembre 2026), et un dernier push au 6 septembre 2026. Une cadence de ce type signifie que le catalogue de motifs bouge souvent. Si vous épinglez une version, vous devrez la mettre à jour régulièrement pour suivre l'évolution des tics, qui changent avec les modèles. Si vous suivez la branche par défaut, vous absorbez des changements de règles sans revue.
La licence MIT est permissive : usage commercial, modification et redistribution sont autorisés, avec conservation du fichier de licence et de la mention de copyright. Le projet ne donne pas d'avis juridique et je n'en donnerai pas non plus. Un point mérite cependant l'attention : les textes que vous faites auditer transitent par votre agent, et la licence du skill ne dit rien de la politique de traitement des données de cet agent. C'est à vérifier de votre côté, pas dans le dépôt.
Le coût réel d'adoption n'est pas l'installation, qui tient en une commande. C'est la revue du catalogue. Avec 74 catégories et 112 entrées lexicales, il faut lire references/patterns.md pour savoir si les règles recoupent celles que vous imposez déjà, ou si elles les contredisent.
Conclusion éditoriale
Adoptez avoid-ai-writing si vous publiez régulièrement des textes rédigés avec un LLM et que vous voulez un audit structuré plutôt qu'un prompt unique. Ne l'utilisez pas pour décider si un texte a été produit par une machine : ce n'est pas un détecteur d'origine, et les tiers 1B et 3 sont explicitement pondérés pour éviter ce glissement. Avant de vous engager, vérifiez que votre agent découvre bien les skills par répertoire, que SKILL.md et references/patterns.md sont présents ensemble, et lisez le catalogue pour juger si ses règles recoupent celles que vous imposez déjà à vos rédacteurs.
Notes de la communauté