im-not-ai：把韓文 AI 腔拆成 70 個可偵測模式，再用 LLM 呼叫次數省成本
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
- 它是什麼？
- im-not-ai 是一套以韓文為中心的 AI 文字去味工具，以 Claude Code 技能形式散佈。它不靠模型替換，而是靠「先量化打分、再決定要花幾次 LLM 呼叫」的路由機制來降低成本。
- 適合誰用？
- 這套技能適合頻繁以韓文撰寫長文、且在意 AI 腔的 Claude Code 使用者，尤其是那些願意把「改寫」拆成診斷與局部修正兩階段的人。不適合只想貼一段文字就得到通用潤飾的輕量使用者，因為它需要安裝 CLI 技能，且單一呼叫路徑（Copilot、Codex）拿不到完整的診斷與 finalize 流程。
- 可以商用嗎？
- 可以。MIT 是寬鬆授權：你可以使用、修改並販售以它為基礎的軟體，只需保留著作權與授權聲明。
- 還在維護嗎？
- 有在維護。儲存庫最近一次提交在 10 天前。
- 用什麼語言寫的？
- 主要是 Python（依據 GitHub 的語言統計）。
以上回答依據專案的 GitHub 資料（最近同步於 2026年9月15日）與我們的分析，不構成法律意見。
開源專案深度解析
韓文 AI 腔不是「不自然」那麼簡單
從架構上看，這個專案不是一個獨立的 Python 程式，而是依賴 LLM 代理的技能套件。Python 腳本只負責前處理與後驗證，真正的改寫是由 Claude 的代理（agent）執行。這表示它的行為會隨底層模型改變而改變，不像傳統 NLP 工具那樣有穩定的輸出。對想要可重現結果的團隊，這是個需要考慮的點。但對個人寫作者，這反而是優點，因為模型越強，改寫品質可能越好。
route_hint：用輸入品質決定要花幾次 LLM 呼叫
從工程角度看，這個路由的好處是讓成本與品質的取捨變得可預期。壞處是它依賴一個 Python 腳本對韓文文章品質的預判，而這個預判本身可能不準。如果一篇文章其實很糟，但評分誤判為 light，使用者可能得到一次不充分的潤飾。文件沒有提到這種誤判的處理機制，只有提到 finalize 階段會做「意義保留 15 項檢查」，但那是 heavy 路徑才有的。
安裝與使用：從 plugin marketplace 到 clone 腳本
安裝過程有一個相容性警告：Copilot CLI 版本 1.0.79-5 雖然支援直接安裝儲存庫，但 CLI 會顯示「即將棄用」的警告，所以不建議新安裝使用。這類細節顯示專案對不同 CLI 版本的差異有追蹤，但也代表使用者需要留意自己工具的版本。
改寫後的驗證：變更率閘門與品質分級
變更率閘門是這個專案少數用「決定性程式碼」處理的環節，其他部分都依賴 LLM 的判斷。這是一個合理的分工：偵測與改寫交給模型，但「改了多少」由程式精確計算。文件沒有說明變更率是怎麼計算的，是字元層級還是詞彙層級，這會影響 30% 與 50% 門檻的實際意義。對韓文這種黏著語，字元變更可能不等於語意變更，所以這個閘門可能會有誤報。但至少它提供了一個硬性停止機制，避免代理失控。
韓文特化的代價：分類是資產也是負債
另一個值得注意的是，這個專案有大量的「學術」參考，例如 scholarship.md 以及 agents/ 裡那些開發工具，像是 korean-translation-scholar 或 post-editese-metric-engineer。這些是 v2.0 學術吸收工作的產物，與實際潤飾執行無關。這表示專案的開發流程本身就依賴 LLM 代理來研究翻譯學文獻，然後把結果整合進分類表。這種做法可以加速分類更新，但也可能引入未經驗證的學術概念。文件沒有提供這些學術來源的具體清單，所以使用者無法驗證其正確性。
與其他 humanizer 的差異：不是重寫，而是診斷後手術
另一個差異是變更率閘門。英文工具通常沒有「最多改 30%」這種限制，它們預設你就是要大改。im-not-ai 則把「不過度改寫」當成核心原則，甚至用程式強制執行。這對保留作者語氣很重要，但也可能讓某些需要大幅重組的文章無法被妥善處理。如果一篇文章的 AI 腔分散在每個句子，變更率很容易超過 50%，這時候工具會直接停止，使用者必須自己手動處理。文件沒有說明這種情況下是否有替代方案，例如分段處理或降低嚴格度。
專案成熟度與維護成本
最後，這是一個依賴 Anthropic Claude 模型的技能，不是一個獨立運作的開源軟體。如果你沒有 Claude Code 的訂閱，或你的團隊不允許使用外部 LLM API，那這個專案對你來說只是參考文件。它也不是一個可以離線執行的偵測器，因為偵測與改寫都發生在 LLM 呼叫中，Python 腳本只做前處理與後驗證。
編輯結論
這套技能適合頻繁以韓文撰寫長文、且在意 AI 腔的 Claude Code 使用者，尤其是那些願意把「改寫」拆成診斷與局部修正兩階段的人。不適合只想貼一段文字就得到通用潤飾的輕量使用者，因為它需要安裝 CLI 技能，且單一呼叫路徑（Copilot、Codex）拿不到完整的診斷與 finalize 流程。採用前應先確認你的 CLI 版本支援 plugin marketplace，並實際用一篇你認為「寫得很好」的韓文稿跑一次 light 路徑，觀察它是否真的只做最小改動。若你的主力語言是英文或簡體中文，這套韓文模式分類的價值會大幅下降，因為它的翻譯腔偵測是針對韓文與英文的接觸面設計的。
社群筆記