im-not-ai：专治韩文 AI 腔的 Claude 技能，值得中文写作者借鉴
AI가 쓴 한글을 사람 글처럼 윤문하는 Claude 스킬 — Korean AI-text humanizer: detects and rewrites translationese, mechanical parallelism, and 71 other AI tells
秒懂
- 它是什么？
- 这是一个针对韩文 AI 生成文本的检测与改写工具，以 Claude Code 技能形式分发。它用 70 个韩文特有模式做手术式修改，并用路由机制控制调用成本，其思路对中文世界有参考价值。
- 适合谁用？
- 韩文内容生产者、翻译编辑和需要批量处理 AI 草稿的团队值得尝试 im-not-ai，尤其是那些已经使用 Claude Code 的用户。不适合需要处理中文或英文文本的人，也不适合希望一键生成完美文章、不愿检查输出的人。
- 能商用吗？
- 可以。MIT 是宽松许可证：你可以使用、修改并销售基于它的软件，只需保留版权和许可证声明。
- 还在维护吗？
- 在维护。仓库最近一次提交在 9 天前。
- 用什么语言写的？
- 主要是 Python（依据 GitHub 的语言统计）。
以上回答依据项目的 GitHub 数据（最近同步于 2026年9月15日）和我们的分析，不构成法律意见。
开源项目深度解析
它解决的是韩文 AI 文本的翻译腔问题
英文的 humanizer 工具面对韩文时效果很差，原因是韩文 AI 文本的毛病大多来自英文翻译腔。im-not-ai 的出发点就是这一点。它把 AI 生成的韩文里常见的表达方式，比如「~를 통해」（通过）「~에 있어서」（在于）「~에 의해」（被）这类直译自英文的结构，以及「결론적으로」（总之）「시사하는 바가 크다」（具有重大意义）这类 AI 惯用语，整理成一套分类法。这套分类法包含 10 个大类、70 个子模式，外加 1 个待验证的模式。每个模式按严重程度分为 S1（出现一次就确定是 AI 写的）、S2（重复三次以上才需要处理）、S3（只有和其他模式叠加时才成问题）。它面向的是韩文内容创作者、翻译编辑，以及任何需要把 AI 草稿改得像人写的用户。中文读者可能更关心它的方法论，而不是直接使用它。
从检测到改写的三路径架构
im-not-ai 的架构核心是一个叫做 route_hint 的机制。输入文本先经过 prepare_monolith_input.py 这个脚本做定量预评分，评分依据是 KatFish 和 post-editese 指标，然后根据分数决定走三条路径中的哪一条。light 路径只调用一次 LLM，适合写得已经很好的文本，几乎不需要改动时会提前结束。standard 路径调用两次，第一次是诊断，第二次是定向改写。heavy 路径调用三次以上，适合超过 15000 字的超长文本或严重 AI 味的文本。这个设计的意图很明确：好文章花小代价处理，差文章才动用重管线。文档给出的实测数据是，一篇 1 万字的文章如果用分块并行处理需要 7 次调用、610K token，而单次调用只需 134K token，质量相当，成本差 4.5 倍。原因是每个分块都要重新加载规则库和诊断上下文，这个开销吃掉了并行带来的收益。所以它默认不推荐分块，除非文本超过 15000 字。
四条铁律与修改率门槛
项目声称有四条不可违背的原则。第一是意义不变，事实、主张、数字、专有名词和直接引用必须 100% 保留。第二是只修改检测到的 span，没有检测到问题的段落不碰。第三是保持文体，不会把专栏改成小说。第四是禁止过度改写，如果修改率超过 30% 会警告，超过 50% 会强制停止。这个修改率由 verify_change_rate.py 用确定性代码判断，不是模型自己说了算。这个设计值得注意，因为很多 AI 改写工具的问题恰恰是改得面目全非。它把「改多少算太多」变成可执行的阈值，并且用独立脚本把关，而不是依赖 LLM 的自我评估。文档没有说明修改率是如何计算的，是按字符数还是按句子数，这需要查看代码才能确认。
安装方式与客户端支持范围
im-not-ai 支持四种 CLI 客户端：Claude Code、GitHub Copilot CLI、OpenAI Codex CLI 和 Gemini CLI。安装有两种主要方式。第一种是通过插件市场，不需要克隆仓库。以 Claude Code 为例，在会话中执行 /plugin marketplace add epoko77-ai/im-not-ai，然后 /plugin install humanize-korean@im-not-ai，新会话里就能用 /humanize-korean 命令。GitHub Copilot CLI 用 copilot plugin marketplace add 和 copilot plugin install 命令，更新和卸载也有对应命令。第二种方式是 git clone 后运行 install.sh，它会自动检测已安装的 claude 或 codex 并创建全局符号链接。这个脚本支持 --claude-only 和 --codex-only 参数，卸载用 uninstall.sh，更新用 update.sh。值得注意的是，Copilot CLI 和 Codex CLI 只提供单次调用路径，不会执行 Claude Code 专属的诊断和 finalize 多调用路径。这意味着同样的输入在不同客户端上得到的处理深度可能不同。
一个真实的局限：依赖模型行为而非代码保证
文档宣称意义不变是铁律，但这条规则的实际执行依赖 LLM 是否遵守提示词，而不是任何代码层面的强制。项目用 verify_change_rate.py 来检查修改率，但无法验证事实是否被扭曲，也无法验证数字是否被改动。finalizer 代理在 heavy 路径中会做 15 项意义保留检查，但这是事后校验，不是事前约束。另一个局限是它只处理韩文。虽然 README 里提到英文版文档，但工具本身针对韩文翻译腔设计，对中文或英文文本没有意义。还有一点，它的模式库是静态分类法，需要定期更新以应对新出现的 AI 表达方式。项目通过 korean-ai-tell-taxonomist 代理管理分类体系，但更新频率和社区贡献机制在文档中没有详细说明。对于需要处理大量专业术语或特定行业文本的用户，这套通用模式可能不够用。
替代方案与本质差异
英文世界的同类工具包括 QuillBot、Hix 和 Undetectable AI，但项目明确指出这些工具对韩文效果不佳。这些工具通常采用通用改写策略，不针对韩文的翻译腔模式做专门检测，因此会把韩文里自然的表达也改掉，或者漏掉真正的 AI 痕迹。im-not-ai 的差异在于它把韩文特有的 AI 模式做成 SSOT（单一事实来源），即 ai-tell-taxonomy.md 文件，并基于学术引用维护 scholarship.md。这相当于把「什么是 AI 味」这个问题从模型脑中抽出来，变成可审查、可更新的分类学。另一种替代方案是直接让通用 LLM 改写，比如在 ChatGPT 里说「帮我改得更像人写的」，但这种方式没有检测环节，也没有修改率控制，结果不可预测。im-not-ai 的路线是检测先行、按模式修改，而不是整体重写。
维护成本与许可证考量
项目采用 MIT 许可证，这意味着可以自由使用、修改和分发，包括商业用途，只要保留版权声明。维护方面，它提供 update.sh 脚本用于自动更新，插件市场安装的用户可以用 /plugin update 命令。仓库的最近推送日期是 2026 年 9 月，最新版本 v2.3.2 发布于 2026 年 8 月，说明项目处于活跃维护状态。但是，它的核心是一组 Claude 技能文件，这些文件需要跟着模型能力变化而调整。如果 Anthropic 更新了 Claude Code 的 API 或技能加载机制，项目可能需要跟进。另外，它的分类法引用了学术研究，这意味着维护者需要持续跟踪翻译腔研究领域的新成果。对于只想临时用一次的用户，克隆仓库后手动运行即可，不需要长期维护。对于打算集成到工作流中的团队，需要评估模式库更新的频率是否跟得上 AI 文本风格的变化。
编辑结论
韩文内容生产者、翻译编辑和需要批量处理 AI 草稿的团队值得尝试 im-not-ai，尤其是那些已经使用 Claude Code 的用户。不适合需要处理中文或英文文本的人，也不适合希望一键生成完美文章、不愿检查输出的人。在采用前，应先验证三件事：其一，确认你的 CLI 客户端支持技能市场安装，或者你愿意用 git clone 方式手动管理；其二，用你自己的典型文本跑一遍，观察它是否真的不改变事实和数字，因为文档声称 100% 保真，但这依赖模型行为，不是代码保证；其三，检查它输出的韩文是否符合你的目标读者习惯，因为它的模式库建立在韩文翻译腔研究上，可能不适合口语化或高度专业的文体。最终判断：这是一个设计严谨、针对单一语言深度优化的工具，它的价值在于把检测模式做成可维护的分类学，而不是通用改写器。
社区笔记