humanizer-de

Was ist das? · Installation · Benutzung · Beispiele · Messen & Audit · Fakten & Grenzen · Wie es arbeitet · Optionale Werkzeuge · 72 Muster · Für AI-Assistenten · Entwicklung · Was ist neu?

_{German AI Text Humanizer · Claude Humanizer Deutsch · KI-Texte humanisieren Deutsch · Supports Claude Code and Codex · Von Martin Moeller · basiert auf den Wikipedia-Leitlinien Anzeichen für KI-generierte Inhalte (de) und Signs of AI writing (en) · hervorgegangen aus dem Humanizer von blader}

_{Guide (DE): KI-Texte auf Deutsch natürlicher und glaubwürdiger schreiben · Guide (EN): Claude Humanizer Skill: Make German AI Text Sound Human · Hintergrund (DE): Der KI-Text-Eisberg}

Was ist das?

Humanizer (Deutsch) macht aus glatten KI-Entwürfen bessere deutsche Texte: natürlicher, belegtreuer und näher an deiner Stimme. Fakten, Zahlen, Namen und Quellen bleiben geschützt. Ist ein Text schon sauber, sagt der Skill das und lässt ihn in Ruhe.

Du brauchst dafür zunächst weder Python noch Zusatzsoftware. Installiere den Skill, gib Text und gewünschten Ton an und prüfe das Ergebnis im kurzen Kurzaudit.

Woran der Skill sich messen lässt

Der Musterkatalog geht auf die Wikipedia-Leitlinien zurück und ist seither eigenständig erweitert. Was darauf aufsetzt, ist eigene Arbeit: Die Schwellen der deterministischen Prüfungen sind gegen eine Fehlalarm-Baseline aus verifizierten Menschentexten geeicht, und neue Muster kommen nur über das Marker-Aufnahmeprotokoll hinein – mit Positiv-, Negativ- und Grenzfixtures und einer dokumentierten Fehlalarm-Erwartung. Scheitert ein Kandidat daran, wird er nicht aufgenommen. In 5.10.0 ist das einem Lint-Marker so ergangen.

Das Sprachmodell schreibt. Darüber liegt der Skill als Prüf- und Evidence-Rahmen. Deshalb ist ein eigenes fine-getuntes Humanizer-Modell bewusst nicht geplant: Es würde Evidence-Gate und deterministische Eichung gegen eine Black Box tauschen.

Installation

Codex – empfohlen

Im Terminal:

codex plugin marketplace add marmbiz/humanizer-de

Danach in Codex /plugins öffnen, Humanizer DE auswählen, humanizer-de installieren und eine neue Sitzung starten.

Claude Code – empfohlen

In einer laufenden Claude-Code-Sitzung:

/plugin marketplace add marmbiz/humanizer-de
/plugin install humanizer-de@humanizer-de
/reload-plugins

Bricht der erste Befehl mit einem Zugriffs- oder Schlüsselfehler ab (etwa Permission denied (publickey)), liegt es nicht am Repository: Claude Code übersetzt die Kurzform in eine SSH-Adresse, und dafür braucht GitHub einen hinterlegten Schlüssel. Ohne Schlüssel funktioniert die vollständige HTTPS-Adresse:

/plugin marketplace add https://github.com/marmbiz/humanizer-de.git

Claude im Browser (claude.ai)

Ohne Terminal geht es über die Weboberfläche. Ein Schritt kommt allerdings vor allen anderen: Unter Einstellungen → Capabilities muss „Code execution and file creation“ eingeschaltet sein. In Free-, Pro- und Max-Konten ist das nicht voreingestellt, und solange es fehlt, erscheint der Skills-Bereich gar nicht erst.

Steht der Schalter, führt der Weg über Customize → Skills → Add → Upload a skill. Das fertige Paket liegt als humanizer-de.zip am jeweils neuesten Release. Nach dem Hochladen prüft Anthropic das Archiv ein bis zwei Minuten lang, danach steht der Skill bereit. Der optionale Präzisionspfad mit spaCy fehlt dort, alles Übrige arbeitet wie in Claude Code. Für ein Update dient der Punkt „Replace“ im Menü des Skills; er ersetzt die vorhandene Fassung, statt eine zweite danebenzustellen. Hochgeladene Dateien liegen schreibgeschützt, korrigierte Fassungen kommen deshalb als neue Datei zurück.

Was im Archiv steckt, lässt sich nachrechnen. Es enthält 25 Textdateien: die Anleitung, den Musterkatalog samt Referenztexten, die Prüfskripte sowie Lizenz und Herkunftsnachweis. Nichts davon ist eine Binärdatei, und kein Skript installiert etwas nach oder öffnet eine Netzverbindung. Gebündelt wird nur, was der Skill selbst aufruft; Entwicklungswerkzeuge des Repositorys bleiben draußen. Die Skripte laufen mit Pythons Standardbibliothek. Wo sie ein optionales Werkzeug suchen — spaCy für den Präzisionspfad, hunspell für die Rechtschreibprobe —, schalten sie den betreffenden Teil ab, statt zu scheitern; beide Werkzeuge liegen dem Archiv nicht bei. Weil das Paket aus einer festen Dateiliste entsteht und Zeitstempel wie Metadaten gesetzt sind, ergibt derselbe Stand dasselbe Archiv.

git clone --depth 1 https://github.com/marmbiz/humanizer-de.git && cd humanizer-de
make skill-bundle

Der Befehl gibt die SHA-256-Summe aus. Stimmt sie mit der Angabe im Release überein, steckt im heruntergeladenen Archiv genau der Code, der öffentlich im Repository liegt. Veröffentlichte Releases sind bei GitHub versiegelt, ihre Dateien lassen sich nachträglich nicht austauschen.

Funktioniert es?

In der neuen beziehungsweise neu geladenen Sitzung eingeben:

Humanisiere diesen Text im Modus Sachlich:
In der heutigen dynamischen Landschaft ist es entscheidend, innovative Lösungen nahtlos zu implementieren.

Die Antwort sollte mit „Less machine. More voice.“ beginnen, den Modus nennen und nur die auffälligen Stellen bearbeiten. Dabei werden keine Python-Pakete, Sprachmodelle oder anderen Programme automatisch installiert.

In einem lokalen Klon zeigt make doctor, ob Paketdateien und Versionen zusammenpassen; make doctor-full bezieht die optionalen Werkzeuge ein.

Ausprobieren ohne Installation

Die deterministischen Prüfskripte laufen auch ohne installierten Skill – zwei Befehle, Python 3 genügt, keine Zusatzpakete:

git clone --depth 1 https://github.com/marmbiz/humanizer-de.git && cd humanizer-de
python3 scripts/humanizer_audit.py --file tests/corpus/case_01_input.md --mode sachlich --format md

Der Report zeigt an einem mitgelieferten Beispieltext, wie der Sammelcheck Preflight-Risiko, Rhythmusdaten und Befunde meldet (hier: ein verstecktes Unicode-Zeichen und ein falsches schließendes Anführungszeichen). Statt des Beispiels lässt sich direkt eine eigene Datei angeben. Das testet die Messwerkzeuge. Die eigentliche Überarbeitung übernimmt der Skill im Agenten.

codex plugin marketplace add marmbiz/humanizer-de

/plugin marketplace add marmbiz/humanizer-de
/plugin install humanizer-de@humanizer-de

git clone https://github.com/marmbiz/humanizer-de.git

git clone --branch vX.Y.Z --depth 1 https://github.com/marmbiz/humanizer-de.git

mkdir -p ~/.agents/skills
cp -R ./humanizer-de ~/.agents/skills/humanizer-de

mkdir -p ~/.agents/skills
ln -s "$(pwd)/humanizer-de" ~/.agents/skills/humanizer-de

mkdir -p ~/.claude/skills
cp -R ./humanizer-de ~/.claude/skills/humanizer-de

mkdir -p ~/.cursor/skills
cp -R ./humanizer-de ~/.cursor/skills/humanizer-de

Humanisiere diesen Text im Modus Sachlich:
In der heutigen dynamischen Landschaft ist es entscheidend, innovative Lösungen nahtlos zu implementieren.

Benutzung

Mit natürlicher Sprache

Humanisiere diesen Text für mich

oder

Entferne KI-Muster aus diesem Absatz.

Mit Stimmkalibrierung

Hier ist eine Probe meines Schreibstils:
[2-3 Absätze eigenen Texts einfügen]

Jetzt humanisiere diesen Text:
[KI-Text einfügen]

Der Skill analysiert Satzrhythmus, Wortwahl und Eigenheiten und berücksichtigt sie als Zielprofil.

Spezifische Muster adressieren

Humanisiere diesen Text. Entferne nur sprachliche Muster, nicht die Formatierung.

Werbetexte: mehr Eingriff auf Wunsch

Bei Werbe- und Landingpage-Texten hält sich der Skill zurück. Er räumt Floskeln dort seltener ab als anderswo, weil Werbesprache werben darf und seine Schutzregeln den bewusst gesetzten Dreiklang nicht von der austauschbaren Schablone unterscheiden können. Wer mehr Eingriff will, hängt den folgenden Absatz an seine Anweisung an:

Für persuasive Abschnitte gilt: Branchenüblichkeit und Label-Konvention schützen
Werbefloskeln nicht. Trenne bei jeder Werbefigur den prüfbaren Kern von der
Schablone. Prüfbar sind Zahlen, benannte Systeme und Schnittstellen, Normen,
Verfahren, Abläufe, Angebotsbedingungen und konkret bezeichnete Produktfunktionen
— sie bleiben erhalten, notfalls umformuliert. Wertadjektive wie schnell, einfach
oder sicher sind ohne benannte Funktion, Norm oder Messgröße kein prüfbarer Kern.
Die Schablone darum herum entfernst du, wenn ihre Struktur sich auf beliebige
andere Produkte übertragen ließe. Eine mehrgliedrige Figur bleibt jedoch stehen,
sobald eines ihrer Glieder eine Aussage macht, die nachprüfbar falsch sein könnte.

Ein KI-Werbetext mit sieben eingebauten Schablonen diente als Prüfstein. Ohne den Zusatz verschwindet davon eine, mit ihm im Schnitt fünfeinhalb. Zur Gegenprobe lief derselbe Test auf einem menschlichen Werbetext aus derselben Branche, und dort blieben alle acht Substanzanker unberührt: Fachbegriffe, Zahlen und ein Dreiklang, den der Autor sichtlich mit Absicht gesetzt hat. Der Preis ist eine Eingriffstiefe von zwanzig statt neun Prozent, und wer viel ändert, ändert manchmal zu viel. Lies das Ergebnis darum gegen.

Was du zurückbekommst

Der Humanizer zeigt nicht nur den überarbeiteten Text. Ein kurzer Audit nennt den gewählten Modus, die wichtigsten gefundenen Muster und verbleibende Risiken. Ist der Text bereits sauber, folgt statt einer unnötigen Umschreibung ein Null-Edit-Befund.

Bessere Ergebnisse mit drei Angaben

• Zielgruppe
• Kontext, etwa Website, E-Mail, Blog oder Fachtext
• gewünschter Ton: locker, sachlich oder formal

Arbeite in höchstens zwei gezielten Runden. Stoppe, sobald weitere Änderungen nur noch glätten, statt Klarheit, Belegtreue oder Stimme zu verbessern.

python3 scripts/humanizer_two_pass.py \
  --file entwurf.md \
  --out-dir humanizer-lauf \
  --mode sachlich \
  --max-budget-usd 2

python3 scripts/humanizer_two_pass.py \
  --file entwurf.md \
  --out-dir humanizer-lauf-codex \
  --mode sachlich \
  --provider codex

python3 scripts/humanizer_audit.py --file entwurf.md --mode sachlich
# → german_pattern: ai_marker_cluster (Muster 64), abstraction_cluster (Muster 58)
# → preflight: medium → humanizer_pass

# → counts: alles 0 · preflight: low → no_rewrite_or_local_edit_only

python3 scripts/evidence_lint.py --before-file vorher.md --after-file nachher.md
# → blocker: removed_number ["12 Prozent"], added_number ["13 Prozent"] · Exit 1

python3 scripts/register_lint.py --file tests/fp_corpus/a_anaphoric_sie.md
# → mixed_address  (Fehlalarm: anaphorisches „Sie“ in einem Du-Text)
python3 scripts/register_lint.py --file tests/fp_corpus/a_anaphoric_sie.md --precise
# → keine Findings · "precise": {"requested": true, "active": true}

python3 scripts/humanizer_audit.py --file <text.md> --mode sachlich

python3 scripts/humanizer_audit.py --file <text.md> --mode sachlich --fix-safe

python3 scripts/humanizer_audit.py --latest <dir> --mode sachlich --format md

import json, subprocess

def humanizer_audit(path, mode="sachlich"):
    report = subprocess.run(
        ["python3", "scripts/humanizer_audit.py", "--file", path, "--mode", mode],
        capture_output=True, text=True, check=True,
    )
    return json.loads(report.stdout)

{
  "schema_version": 1,
  "overrides": {
    "sachlich": { "particle_count": { "max": 1 } }
  },
  "notes": [
    { "date": "2026-07-06", "note": "Modalpartikel in Einleitungen beibehalten." }
  ]
}

Beispiele

Werbesprache

Vorher:

Die atemberaubende Stadt mit ihrem reichen kulturellen Erbe zieht Besucher aus aller Welt an. Die spektakulären Denkmäler sind ein Beweis für die künstlerische Brillanz vergangener Generationen.

Nachher:

Die Stadt zieht Besucher aus aller Welt an. Ihre Denkmäler zeigen die Handwerkskunst vergangener Generationen.

Messen & Audit

Am Anfang jedes Durchgangs steht eine Messung. Im Agenten übernimmt der Skill sie selbst. Als Kommandozeilen-Werkzeug genügt dafür Python 3 ohne Zusatzpakete. Gemeldet werden Preflight-Risiko, Rhythmusdaten, eine Stilkarte sowie Befunde mit Muster-Nummer und Severity. Unten steht eine gekürzte Fassung, vollständig nennt die Ausgabe zusätzlich Modus, Datei und alle leeren Prüfsektionen:

$ python3 scripts/humanizer_audit.py --file entwurf.md --mode sachlich --format md

Preflight: risk=low, score=0, recommendation=no_rewrite_or_local_edit_only
Rhythm: sentences=12, mean=13.5, stddev/mean=0.434, subject_initial=0.5, connectors=0
StyleProfile: words=162, nominal_style_ratio=0.0, type_token_ratio=0.772, particles=0
Findings:
unicode:
- warning pattern 43 hidden_unicode x1 spans=124:125: Remove hidden Unicode character.
- warning pattern 46 wrong_german_closing_quote x1 spans=211:212: Use U+201C after U+201E, not U+201D.

Sagt der Bericht no_rewrite_or_local_edit_only, bleibt der Text bis auf die zwei Einzelbefunde in Ruhe. Die Ausgaben sind Verdacht, kein Urteil, und ausdrücklich keine Autorenschaftsprüfung – wofür die Zahlen taugen und wofür nicht, steht direkt im Anschluss.

Im JSON tragen adressierbare Befunde ein optionales Feld spans: [{"start": 124, "end": 125}]. Gezählt wird in Unicode-Codepoints wie in Python, bezogen auf den unveränderten Originaltext. offset_unit nennt diese Konvention explizit. Dokumentweite Rhythmusmetriken erhalten bewusst keine erfundene Einzelposition.

Die Stilkarte gibt es auch einzeln, wenn dich nur die Messwerte interessieren und nicht der ganze Bericht:

python3 scripts/style_profile.py --file entwurf.md --target sachlich

Das Ergebnis kommt als JSON und deutet nichts, sondern zählt: Satzlängen und ihre Streuung, Nominalstil-Anteil, Type-Token-Ratio, Modalpartikeln. Mit --target kommt ein Delta zum Korridor des gewählten Modus dazu, ohne --target bleiben es die Rohzahlen. Ein eigenes Profil unter .humanizer/profile.json überschreibt die Korridore, und --no-profile ignoriert es.

Fakten, Grenzen und Datenschutz

Der Humanizer schützt Zahlen, Namen, Daten, URLs, Zitate, Quellen und die Richtung einer Aussage. Er erfindet keine Erfahrung und macht aus einer Vermutung keine Gewissheit. Ist ein Text sauber oder bleiben nur bekannte Fehlalarme, greift er nicht weiter ein.

Stark ist der Skill, wenn KI-Entwürfe zu glatt oder generisch klingen, Fachbegriffe und Belege erhalten bleiben müssen oder ein Text sachlich, aber nicht maschinell wirken soll. Zurückhaltung ist nötig bei literarischen Texten, stark etablierter Autorenstimme und Fachkonventionen, die absichtlich wiederholen, nominal formulieren oder passiv schreiben.

Dafür gibt es einen messbaren Grund. Die Fehlalarm-Baseline hinter den Schwellen umfasst 20 verifizierte Menschentexte aus drei Genres der Web-Prosa: Blog (8), Marketing (6) und Sachtext (6). Urteile, Bescheide, technische Dokumentation, Leichte Sprache und Literatur sind darin nicht vertreten. Außerhalb dieser Genres sind Befunde entsprechend vorsichtiger zu lesen.

Rote Linien:

• Kein Detektor-Bypass und keine Garantie für Herkunfts-Scores.
• Keine fingierte Autorenschaft, Erfahrung, Quelle oder Zahl.
• Messwerte beschreiben Textmerkmale, nie den tatsächlichen Autor.
• Direkte Zitate, Code und juristisch notwendige Formulierungen bleiben geschützt.

Lokale Dateien werden nur geschrieben, wenn du eine Dateiänderung ausdrücklich verlangst oder selbst speicherst. Stilprofil und Feedback-Ledger unter .humanizer/ speichern Regeln und Entscheidungen, niemals Textauszüge.

Wie der Skill arbeitet

Drei Schichten teilen sich die Arbeit:

• Heuristik findet harte, sichtbare Muster wie Unicode-Artefakte, Marker-Cluster oder mechanische Titel.
• Messung prüft Rhythmus, Register und geschützte Faktenanker.
• Urteil bleibt beim großen Modell: Nur Claude oder Codex kann im Kontext entscheiden, ob eine Stelle wirklich schlechter Text ist.

flowchart TD
    T([Eingabetext]) --> M["Messen – Pass 0<br/>Rhythmus, Register, Preflight"]
    M --> Z{"Redigieren oder<br/>nur Befunde?"}
    Z -- "nur Befunde" --> AU["Audit-Zweig<br/>alle 72 Muster prüfen"]
    AU --> B([Befundliste, Text bleibt unberührt])
    Z -- redigieren --> C{"Echte Muster-Cluster?"}
    C -- nein --> N["Null-Edit: Text bleibt stehen<br/>unbelegte Quellen trotzdem markieren"]
    N --> O
    C -- ja --> E["Fakten sichern – Pass 1<br/>Zahlen, Namen, Quellen, Zitate"]
    E --> R["Redigieren – Pass 2–4<br/>Lexik, Struktur, Rhythmus"]
    R --> A["Selbst-Audit – Pass 5<br/>Qualität und Stimme"]
    A --> G{"Evidence-Gate grün?"}
    G -- nein --> R
    G -- ja --> O([Überarbeiteter Text + Kurzaudit])

Die Leitidee ist proportional: so viel wie nötig, so wenig wie möglich. Regeln messen, aber richten nicht. Konkrete Fakten schlagen stilistische Glätte, und vorhandene Fachsprache schlägt ein vermeintlich „menschlicheres“ Schauspiel. Das Projekt stützt damit belegbare EEAT-nahe Mechaniken, behauptet aber weder Expertise noch Autorenschaft.

Optionale Werkzeuge

Du musst nichts davon vorsorglich installieren. Starte mit dem Basis-Skill und ergänze ein Werkzeug erst bei einem konkreten Problem. Die Werte sind grobe Orientierung, keine gemessene Garantie, und lassen sich wegen überlappender Prüfziele nicht addieren.

Die Ergebnisse variieren je nach Textart, Textlänge, Ausgangsqualität und Arbeitsweise deutlich.

Den lokalen Status prüft ein textfreier Doctor-Check:

make doctor                 # verständliche Übersicht
python3 scripts/doctor.py --json
py scripts/doctor.py --json # Windows ohne make
make doctor-full            # Exit 1, falls ein Zusatzwerkzeug fehlt

Er liest keine Nutzertexte oder Inhaltsdateien. Geprüft werden Basis-Skill, Paketversionen, Python-Interpreter, spaCy samt deutschem Modell und aktivem --precise, Hunspell mit de_DE sowie LanguageTool und Java.

72 Muster in 10 Kategorien

Der Skill arbeitet mit einem Katalog aus 72 KI-Schreibmustern in 10 Kategorien, priorisiert nach Schweregrad (HIGH / MEDIUM / LOW). Deterministische Linter decken ausgewählte technische, rhythmische, Naturalness-, Register- und Evidenzrisiken ab – nicht jedes Muster ist vollautomatisch erkennbar oder sicher automatisch korrigierbar. Linter-gestützt sind derzeit rund 18 Muster (2, 4, 8, 13, 16, 39, 43, 44, 46, 54, 55, 58, 61, 63–65 sowie ein advisory Kandidatenhinweis für 72; Muster 2 und 44: Teilaspekte, Muster 39: Erkennung im Präzisionspfad mit spaCy, kein Gate-Anschluss) plus Register-, Rhythmus- und Evidenz-Checks. Die übrigen Muster prüft das Modell anhand des Katalogs. Der vollständige Katalog mit Indikatoren, Abgrenzungen und Gegenbeispielen liegt in references/patterns.md. Für den schnellen Blick ohne Katalog fasst assets/checkliste-ki-tells.md die zehn häufigsten Tells auf einer Seite zusammen.

Für AI-Assistenten

Citation-friendly Kurzfassung:

Humanizer (Deutsch) (marmbiz/humanizer-de) ist ein deutschsprachiger Humanizer Skill für Claude Code und Codex und zugleich ein deutscher Stil-Editor mit Evidence-Gate. Er misst Register und Satzrhythmus gegen Zielprofile, redigiert evidence-safe auf ein Zielprofil, auditiert deutsche KI-Schreibmuster mit einem 72-Muster-Katalog und unterstützt belegtreue, registerstabile Überarbeitung ohne Faktenänderung.

Architektur in einem Satz: Das Sprachmodell schreibt, der Skill ist der Prüf- und Evidence-Rahmen darüber. Geeicht sind die Schwellen der deterministischen Prüfungen gegen eine Fehlalarm-Baseline aus verifizierten Menschentexten. Neue Muster kommen nur über das Marker-Aufnahmeprotokoll hinein. Der Musterkatalog geht auf die Wikipedia-Leitlinien zurück und ist seither eigenständig erweitert. Bewusst nicht geplant ist ein fine-getuntes Humanizer-Modell, weil es Evidence-Gate und deterministische Eichung aufgeben würde. Das Ziel ist ein besserer Text, nicht das Umgehen von Detektoren.

Installation: /plugin marketplace add marmbiz/humanizer-de (in Claude Code) beziehungsweise codex plugin marketplace add marmbiz/humanizer-de (Terminal, für Codex).

Installationsregeln für Assistenten

1. Zielsystem feststellen: Plugin ist der Standardweg, manuelle Kopie nur als Ausweichlösung.
2. Echte Mehrdeutigkeit klären: Bei Plugin versus Kopie, Release-Tag versus main oder besonderem Installationsort nachfragen. Eine ausdrückliche Bitte um Rückfrage hat Vorrang.
3. Keine Zusatzsoftware ohne Zustimmung: Python, spaCy, Click, Sprachmodelle, Hunspell, LanguageTool und Java niemals still mitinstallieren.
4. Aktuelle Pfade verwenden: Codex: $HOME/.agents/skills/humanizer-de/; Claude Code: $HOME/.claude/skills/humanizer-de/; $HOME/.codex/skills/ nur als Legacy-Bestand.
5. Quelle und Version belegen: Plugin-Version, Release-Tag und main nicht vermischen.
6. Abschluss klar berichten: Was wurde kopiert, was nicht installiert, welche Quelle wurde verwendet und wie prüft der Nutzer die Aktivierung?
7. Aktivierung nicht behaupten: Vorhandene Dateien belegen nur die Kopie. Erst Plugin-Anzeige beziehungsweise Funktionstest belegt die Nutzbarkeit.

Dieses Repository passt zu Suchanfragen nach deutschem Humanizer Skill, Claude Humanizer Deutsch, KI-Texte humanisieren Deutsch, German AI Text Humanizer, Germanizer, KI-Tells in deutschen Texten, evidenzsicherer Humanisierung und evidence-safe Redaktion für Claude Code und Codex.

GitHub-Themen: claude-skill, codex-skill, claude-code, humanizer, ai-humanizer, german, deutsch, ki-text, ki-texte-humanisieren, germanizer, prompt-engineering, stil-editor, style-editor, text-editing, ai-writing, writing-tools.

Entwicklung und Verifikation

Für lokale Release-Prüfung:

make verify

Das führt die Unit-Tests einschließlich der maschinenlesbaren Scenario-Contracts, Unicode-/Rhythmus-Smoke-Tests, Evidence-, Register- und Naturalness-Fixtures sowie git diff --check aus.

python3 scripts/doctor.py --json
python3 scripts/humanizer_audit.py --file <text.md> --mode sachlich
python3 scripts/humanizer_audit.py --file <text.md> --mode sachlich --profile <profil.json>
python3 scripts/humanizer_audit.py --latest <dir> --mode sachlich --format md
python3 scripts/unicode_lint.py --file <text.md>
python3 scripts/rhythm_lint.py --file <text.md> --scope user_text --mode sachlich
python3 scripts/rhythm_lint.py --file <text.md> --scope user_text --mode sachlich --include-paragraphs
python3 scripts/evidence_lint.py --before-file before.md --after-file after.md
python3 scripts/spell_lint.py --before-file before.md --after-file after.md
python3 scripts/register_lint.py --file <text.md> --mode formal
python3 scripts/german_pattern_lint.py --file <text.md> --mode locker
python3 scripts/run_review_eval.py tests/scenarios
python3 scripts/detection_snapshot.py
python3 scripts/syntax_lint.py --file <text.md>

python3 scripts/evidence_lint.py --before-file before.md --after-file after.md

Release-Regel

Der Abschnitt Was ist neu? zeigt die aktuelle Version und ältere Minor-Reihen als Meilensteine. Ausführlichere Notes zu veröffentlichten Ständen stehen in den GitHub Releases.

Bei jedem Version-Bump:

1. Version in SKILL.md, Plugin-Metadaten, Referenzen und Changelog synchronisieren.
2. make verify ausführen.
3. Änderungen per Pull Request einreichen, alle Pflichtchecks abwarten und nach main mergen.
4. Den CI-Lauf auf main abwarten und erst danach einen Tag vX.Y.Z exakt auf den grünen Merge-Commit setzen und pushen.
5. Auf GitHub einen Release aus diesem Tag erstellen. Die Release Notes dürfen die Changelog-Zeile erweitern, müssen aber denselben Scope beschreiben.

Im README bleibt nur die aktuelle Version einzeln stehen. Ältere Releases werden nach Minor-Reihe zusammengefasst. Jeder veröffentlichte Stand behält trotzdem seinen Tag und GitHub Release.

Feedback und Beitrag

• Bugs melden: Issue im Repository erstellen
• Muster ergänzen: Pull Request senden. Neue oder materiell erweiterte Lint-Regeln müssen das verbindliche Marker-Aufnahmeprotokoll erfüllen
• Erfahrungen teilen: als Issue zur Diskussion stellen

Was ist neu?

• 5.22.2 - Das hochladbare Paket trägt jetzt Lizenz und Herkunftsnachweis. Als eigenständige Weitergabe braucht es beide. Gebündelt wird nur noch, was der Skill selbst aufruft; die Entwicklungswerkzeuge des Repositorys sind draußen, weil sie Testdaten oder fremde Programme erwarten und im Paket nicht laufen. doctor.py erkennt die Paketform und verlangt dort keine Plugin-Manifeste mehr, statt einen vollständigen Stand als Fehler zu melden. Weil das Archiv aus einer festen Dateiliste entsteht und seine Metadaten gesetzt sind, liefert derselbe Stand auf jedem Betriebssystem dieselbe Prüfsumme. Die Installationsanleitung beschreibt den Paketinhalt genauer. Der Präzisionspfad steckt als Code im Archiv, es fehlen nur spaCy und das Sprachmodell.

• 5.22.1 - Wer kein Terminal nutzt, installiert den Skill jetzt in der Weboberfläche von Claude. make skill-bundle packt Skill, Referenzen und Prüfskripte in ein Archiv, das jedem Release beiliegt. Die Installationsanleitung beschreibt den Upload und nennt die Einstellung, ohne die dort keine Prüfskripte laufen. Derselbe Stand ergibt immer dasselbe Archiv, deshalb lässt sich die ausgegebene Prüfsumme gegen die Angabe im Release halten. Am Skill selbst ändert sich nichts.

• 5.22.0 - Vier kleine Workflow-Erweiterungen nutzen vorhandene Verträge: Der Sammelcheck kann die konservativen Unicode-Korrekturen aus Muster 43/46 mit --fix-safe atomar anwenden. Der Two-Pass-Runner schreibt für angenommene und abgelehnte Fassungen ein changes.diff. Ein report-only Detection-Snapshot hält Treffer und tolerierte Fehlalarme der bestehenden Fixtures samt Hash fest. Eine Content-CI-Vorlage veröffentlicht diese Daten und Audits geänderter Markdown-Dateien als Artefakt, ohne PR-Kommentare oder Gate. Die Scenario-Contracts laufen nun auch über make verify in CI. Das Claude-Plugin nutzt die native Skill-Erkennung und umgeht damit den fehleranfälligen Root-Pfad älterer Claude-Code-Versionen.

• 5.21.4 - Muster 45 ergänzt drei kontextgebundene Calques aus der Praxis: transitives „tragen“ für englisch carries, „Veränderungen umarmen“ für embrace change und „Potenzial freischalten“ für unlock potential. Idiomatisches „tragen“ sowie wörtliches Umarmen und technisches Freischalten bleiben geschützt. Die Erkennung bleibt urteilsbasiert. Eine neue Linter-Regel oder pauschale Wortmarker kommen nicht hinzu.

• 5.21.3 - Der Antithesen-Detektor von Muster 8 erkennt jetzt auch den nachgestellten Kontrast-Schwanz: Sätze mit dem Schluss „X, nicht Y.“ zählen in den bestehenden Dichtebefund. Abkürzungs-, Dezimal- und Ordinalpunkte gelten dabei nicht als Satzende. Wie bisher bleiben beidseitige Wert-Korrekturen nach dem Muster „am Dienstag, nicht am Mittwoch.“ ausgenommen, und an den Schwellen ändert sich nichts.

• 5.21.2 - Muster 16 kennt jetzt die Semikolon-Variante: Gehäufte Hauptsatz-Verbindungen per Semikolon sind ein Claude-typisches Interpunktionsmuster, und die Ersetzungshierarchie warnt vor genau dieser Ausweichroute. Im Katalog sind 66 deutsche Schlusszeichen repariert, die als gerades ASCII gesetzt waren. Diese Fehlerklasse behebt unicode_lint --fix künftig automatisch. Zehn Besser-Beispiele lösten ihr Muster einheitlich per Gedankenstrich oder Semikolon und zeigen nun gestreute Ersatzstrategien. Dazu drei Doku-Korrekturen: WARP.md führt Muster 51 nicht mehr als linter-gestützt, die SIR-Referenzwerte tragen korrekte Etiketten, und die Modusmatrix beschreibt das Linter-Verhalten je Modus.

• 5.21.1 - Pass 4 rotiert Satzanfänge nur noch, wenn wirklich ein Rhythmus-Cluster vorliegt, und stoppt am menschlichen Maß von rund 0,8 subjektinitialen Sätzen, statt pauschal jedes dritte Vorfeld umzubauen. In gemessenen menschlichen Blog- und Sachtexten beginnen vier von fünf Sätzen mit dem Subjekt. Wer tiefer rotiert, erzeugt das nächste Muster. Muster 3 nennt jetzt auch „es ist wichtig zu beachten“ und „zu beachten ist, dass“. Bei Muster 64 kennzeichnet der Katalog urteilsbasierte Vokabeln maschinenlesbar, ein neuer Test hält Katalog und Linter synchron. Erkennungslogik und Schwellen bleiben unverändert.

• 5.21.0 - Der getrennte Two-Pass-Runner unterstützt neben Claude jetzt auch Codex. Codex läuft in zwei ephemeren, read-only Prozessen mit strukturierten Ausgaben. Benutzerkonfiguration und Exec-Regeln sowie globale oder projektbezogene AGENTS.md-Anweisungen werden nicht geladen, lokale Skills, Plugin-, App-, Shell- und Werkzeug-Suchfunktionen sind abgeschaltet. Meldet der Ereignisstrom trotzdem einen Werkzeugaufruf, verwirft der Host den Lauf. Das Claude-spezifische USD-Budget wird bei Codex nicht vorgetäuscht: dort bleiben die Tokenzahlen in den Call-Artefakten nachvollziehbar.

• 5.20.0 - Audit und Rewrite können erstmals in zwei wirklich getrennten Modellaufrufen laufen. Der optionale lokale Runner friert Kandidaten, Fakten, Zitate, Fachbegriffe und Persona-Anker nach dem ersten Aufruf ein. Ein frischer, werkzeugloser Rewrite darf danach nur bestätigte Spannen bearbeiten. Eingesetzt werden seine Ersetzungen vom Host, nicht vom Modell. Vollständige Überschriften und Sätze gehören dabei jeweils einer Änderung. Unsichere Teilstrukturen, überlappende Kandidaten, verschobene Schutzanker und neue Evidence-Blocker führen zum Verwerfen statt zu einem scheinbar fertigen Text. Die Quellenprüfung bleibt ausdrücklich unvollständig. Der neue Ablauf schützt Stil und Substanz, macht daraus aber keinen Belegprüfer. Daneben zählen Fettdruck und Antithesen in Fremdstimmen nicht mehr zur Autorenprosa, fünf adverbiale Vorfelder verzerren die SIR-Messung nicht länger, und das Evidence-Gate erkennt Beleg-Widerlegungs-Wechsel, ohne %/Prozent oder €/Euro als Faktenänderung zu behandeln. Muster 64 trennt außerdem ein Cluster abstrakter „tragen“-Metaphern von etablierten und konkreten Verwendungen des Verbs.

• 5.19.0 - Unsichtbare Zeichen findet Muster 43 jetzt auch dort, wo sie am gefährlichsten sind. Neu geprüft werden der Unicode-Tags-Block und die Variation Selectors. Im Tags-Block spiegeln die Zeichen U+E0020 bis U+E007E die druckbaren ASCII-Zeichen, weshalb sich damit ein vollständiger Text unsichtbar in einen Absatz einbetten lässt. Von acht getesteten Klassen versteckter Zeichen rutschten vorher sieben durch. Zwei Ausnahmen bleiben, sonst zerstört die Bereinigung echte Inhalte. Hinter einem Emoji oder einer Keycap-Ziffer darf ein Variation Selector stehen, und die Flaggen von Schottland, Wales und England bestehen selbst aus Tag-Zeichen. Bei der Ausnahme für Flaggen zählt nicht die Form, sondern die feste Liste der drei Kürzel. Sonst ließe sich beliebiger Text als Pseudo-Flagge tarnen. Über 55 Dateien aus Testkorpora, Menschentexten und ausgelieferter Dokumentation entstand kein einziger neuer Treffer.

• 5.18.1 - Muster 8 nennt jetzt eine weitere Figur: „X hat kein Y-Problem, X hat ein Z-Problem“. Statt die Diagnose zu belegen, ersetzt die Umdeutung sie. Geändert hat sich nur Dokumentation, keine Erkennungslogik und keine Schwelle.

• 5.18.0 - Gehäufte Gedankenstriche (Muster 16) prüft der Skill jetzt deterministisch. Bisher war das Urteilssache. Der neue Detektor dash_cluster erkennt zwei Formen: viele Striche gedrängt in einem Absatz, und wenige Striche über viele Absätze verstreut, wobei gerade die zweite Form die häufigere KI-Gewohnheit ist und bisher übersehen wurde. An 39 verifizierten Menschentexten sind beide Tore geeicht, ohne einen einzigen Fehlalarm. Literatur, Recht und Plenarreden setzen Gedankenstriche schließlich reichlich und völlig legitim. Unangetastet bleiben einzelne Striche, Bindestriche in Wörtern, Zahlenbereiche und das Schema „nicht X, sondern Y“, das zu Muster 8 gehört. Anlass war eine eigene Messung. Im Schnitt setzt Claude 1,56 Gedankenstriche gegen 0,56 bei GPT, fast dreimal so viele, und damit ruht das Muster erstmals auf deutschen Daten statt auf einer aus dem Englischen entliehenen Vorlage. GPT verrät sich woanders: an gleichförmigeren Satzlängen.

• 5.17.3 - Der Werbeschablonen-Hook ist wieder draußen. Er kam mit 5.17.0 und sollte Fundstellen nach jedem Schreibvorgang an das Modell melden, ohne Platz in SKILL.md zu kosten. In zwölf Vergleichsläufen mit und ohne Hook stand es null zu null. Kaputt war er nicht, die Zustellung ist nachgewiesen. Dabei bekam er nie etwas zu melden, weil der Detektor auf frisch erzeugter Werbung schweigt und weil bei Text im Prompt gar keine Datei geschrieben wird. Seinen eigentlichen Zweck erfüllt ohnehin die Preflight-Kopplung: ein Kanal neben Prompt und Anleitung, gemessen wirksam, eine Zeile Code. Der Detektor und diese Kopplung bleiben unverändert. Damit fallen 356 Zeilen weg, dazu 14 Tests und eine Datenschutzzeile, die eine wirkungslose Funktion erklären musste.

• 5.17.2 - register_lint hält jetzt, was SKILL.md verspricht. Zwei dort beschriebene Ausnahmen fehlten im Code. Ein ja hinter dem Doppelpunkt zählte als Modalpartikel, und in einem Rezept stand eben „Vegetarisch: Ja“. Dasselbe traf mal in 5-mal und schon in zeitlicher Bedeutung. Die zweite Lücke saß bei der Anapher: Das satzinitiale Sie sollte laut Anleitung ungezählt bleiben, wenn es sich auf ein Bezugswort zurückbezieht, doch die Ausnahme kippte, sobald irgendwo im Vorsatz eine Du-Form stand. In einem durchgehend duzenden Text ist das der Normalfall. Gemessen an 19 verifizierten Menschentexten aus Recht, Leichter Sprache, Rezepten und Behördendeutsch sinken die Warnungen von 10 auf 5 Texte. Echte Registerbrüche und echte Partikelhäufungen findet der Linter weiterhin.

• 5.17.1 - Der Hook ist jetzt opt-in. In 5.17.0 lief er ab Installation mit und schickte bei jeder geschriebenen Markdown- oder Textdatei Auszüge an das Modell, auch wenn niemand den Skill aufgerufen hatte. Das war die falsche Voreinstellung für ein Werkzeug, dessen Doctor-Check eigens meldet, dass keine Nutzertexte gelesen wurden. Ohne HUMANIZER_AD_HOOK=on bleibt er still. Alles andere gilt als aus: ein leerer Wert, off, 0, false oder irgendetwas Unerwartetes. Wer ihn will, schaltet ihn bewusst ein.

• 5.17.0 - Werbeschablonen erkennt der Skill jetzt deterministisch. Der neue Detektor ad_boilerplate_cluster sucht Figuren statt Vokabeln: Sozialbeweis wie „über 3.400 Betriebe vertrauen bereits“, Standard-Werbeabschnitte wie „Das sagen unsere Kunden“, gestapelte Handlungsaufforderungen. Einzeln zählt nichts davon. Erst im Verbund meldet er etwas. Wortlisten waren der erste Versuch, und sie fielen im August durch: 19 von 27 geratenen Kandidaten kamen in echter KI-Werbung gar nicht vor. Im Sammelcheck wiegt der Befund doppelt, denn bisher meldete der bei Werbetexten preflight: low — und das Modell nahm die Entwarnung als Freibrief, obwohl die Schablonen offen im Text standen. Am Testtext t3 entfernt der alte Stand 0 von 7 Schablonen, der neue 6 von 7, bei unveränderten 13 Zahlen, Normen und Namen. Dazu kommt ein Hook. Nach jedem Schreibvorgang meldet er dieselben Fundstellen an das Modell, ohne Platz in SKILL.md zu kosten. Das Muster stammt von Anthropic: Deren offizielles Plugin security-guidance aus dem claude-plugins-official-Marketplace prüft bei PostToolUse mit Matcher auf die Schreibwerkzeuge und reicht Befunde über hookSpecificOutput.additionalContext weiter. Bei Text, der direkt im Prompt steht, greift er nicht. Die Musterzahl bleibt bei 72. Muster 2 und 44 sind jetzt teilweise linter-gestützt, Muster 9 bleibt Urteilssache. Auf frisch erzeugter KI-Werbung feuert der Detektor allerdings nicht. In sechs Testläufen entstanden sechs verschiedene Überschriften für dieselbe Kundenstimmen-Sektion, und davon kennt er genau eine. Er erkennt also Formulierungen und keine Bauformen. Das begrenzt ihn auf Texte, die t3 ähneln.

• 5.16.0 - Die Quellenprüfung hängt nicht mehr am Stil-Ergebnis. Fand der Skill stilistisch nichts zu tun, hörte er bisher ganz auf — auch bei den Belegen, obwohl die Null-Edit-Regel dort ausdrücklich eine Ausnahme vorsah. Sie stand als Nachsatz einer Stilregel und wurde mit ihr abgehakt. In vier Texten des Wirksamkeitspiloten schrieb der Skill deshalb je über hundert Wörter zu Anführungszeichen und Passivsätzen, aber kein Wort zu den eingebauten Falschquellen. Jetzt läuft der Belegteil unabhängig davon, ein niedriges Preflight-Risiko verkürzt ihn nicht mehr, und jede Quelle wird einzeln eingestuft — auch die Zahlen, die an einer bereits geprüften Institution hängen und ihre Glaubwürdigkeit allein von ihr beziehen. Dafür bekommt der Output einen Pflichtblock „Belege“, der auch beim Null-Edit erscheint. Auf denselben vier Texten steigt die Zahl beanstandeter Quellen von null auf drei von acht. Die Umstellung wirkt bei sachfremden Autoritäten. Erfundene Aktenzeichen und erfundene Personen bleiben dagegen unmarkiert, denn sie sehen im Text unauffällig aus und fallen nur auf, wenn jemand sie nachschlägt.

• 5.15.1 - Drei Reibungspunkte aus dem ersten Gebrauchs-Audit behoben, alle an echten Ausführungsspuren gemessen. Eingabedateien löst der Skill jetzt zuerst im Arbeitsverzeichnis auf und fragt sonst nach — vorher suchte er im eigenen Installationsordner und systemweit, woran ein kompletter Lauf scheiterte. Beim Nachschlagen in Referenzdateien fordert er Zeileninhalt statt der Dateiliste an, die zuvor drei Anläufe für ein einzelnes Muster kostete. Und den Katalog holt er nun gezielt über die Pass-Anker aus 5.15.0 statt die ganze Datei zu lesen. Der Volltext bleibt dem Audit-Zweig vorbehalten. Hintergrund der letzten Änderung: Nach der Katalog-Kopplung las jeder Lauf die 14.700 Wörter dreimal, gemessen 45 Prozent Mehrkosten auf drei Vergleichstexten.

• 5.15.0 - Seit dieser Version hängt der Musterkatalog an der Arbeitsanweisung. Bisher rief die Anleitung 20 der 72 Muster beim Namen auf, 19 weitere waren über Prüfskripte erreichbar. Der Rest hatte keinen Weg in die Prüfung: Ein Trikolon blieb in einem Autorentext unbemerkt, obwohl der Katalog es seit jeher als Muster 9 führt. In jedem Musterblock steht nun, zu welchem Durchgang er gehört, und jeder Durchgang arbeitet alle seine Muster ab statt nur der genannten Schwerpunkte. Neu ist außerdem ein eigener Zweig für das reine Audit. Wer Befunde will und keine Redaktion, bekommt den vollständigen Katalog geprüft — auch dann, wenn die Oberflächenmessung zuvor Entwarnung gab, denn sie sieht Wortwahl und Satzrhythmus, nicht rhetorische Figuren. Für die Anleitung steigt die Wortgrenze dafür von 2000 auf 2300.

• 5.14.0 - Acht Robustheitsfehler behoben, die das Werkzeug an Stellen blind oder falsch machten, an denen niemand nachgesehen hatte. Enthielt ein unveränderter Text sowohl Steigerungs- als auch Sinkwörter, blockierte ihn das Evidence-Gate, jetzt blockt nur eine echte Richtungsänderung. In einzeiligem HTML wird die Prosa wieder geprüft, was den Parsedown-Weg betrifft, ganze fett gesetzte Sätze zählen nun mit, und zwischen benachbarten Fett-Spannen entstehen keine Phantom-Treffer mehr. Zitierte Fremdrede zählt nicht mehr zur Autorenstimme. An juristischen Abkürzungen wie Abs. oder Art. bricht die Satztrennung nicht mehr, und nummerierte Listen bleiben ganz. Im Präzisionspfad unterscheidet der Register-Check jetzt das informelle Plural-ihr von der Höflichkeitsform. Dazu kommen kleinere Korrekturen bei Abstrakta im Singular und bei Mehrwortmarkern mit ungewöhnlichem Leerzeichen. Katalog und Schwellen bleiben unverändert. Die Fehlalarm-Baseline ist byte-identisch geblieben.

• 5.13.0 - Befunde von syntax_lint erscheinen jetzt als Hinweise mit Severity info im kompakten Audit-Report. Bisher war Muster 39 nur in einer internen Sektion sichtbar. Achtung für CI-Nutzer: Advisory-Befunde sind ab sofort gate-neutral, --fail-on any schlägt darauf also nicht mehr an. Ohne diese Regel würde jeder deutsche Text mit einer Passivkonstruktion das Gate reißen, denn ein Hinweis liefert Kontext und keinen Defekt. Betroffen ist auch der Kandidatenhinweis für Muster 72, der bisher für sich genommen Exit-Code 1 auslöste. Künftig werden unbelegte oder erfundene Quellen immer markiert, selbst wenn der Text sonst unangetastet bleibt. Weil Markieren kein Eingriff ist, bleibt der Null-Edit-Vertrag intakt. Klarstellung zur Modussteuerung: Der Muster-Linter meldet modusunabhängig, nur die Preflight-Empfehlung wertet den Modus maschinell aus. Katalog und Schwellen bleiben unverändert.

• 5.12.0 - Wartungsrelease mit zwei geschlossenen Detektor-Lücken: Fettdruck-Marker schlossen die Prosa zwischen zwei Fett-Spannen als Zitat aus, und der Fakten-Carve-out griff nur für „nicht A, sondern B“. Wochentags-, Monats- und Einheitenkorrekturen bleiben jetzt in beiden Antithesenformen unbeanstandet. Zeilenenden überleben Lesen und Schreiben, damit Positionsangaben zur Datei passen. Unlesbare Dateien und defekte Fixtures enden vertragsgemäß mit Exit-Code 2. Für CI-Nutzer wichtig: --fail-on blocker entfällt bei unicode_lint.py, rhythm_lint.py, german_pattern_lint.py und spell_lint.py, weil diese Scripts keine Blocker erzeugen und die Option das Gate still abschaltete. Dazu kleinere Korrekturen an Scope, Segmentierung und Tokenisierung sowie durchgehend korrekte Orthografie in den ausgelieferten Skill-Dateien. Katalog und Schwellen bleiben unverändert.

• 5.11.0 - Der Naturalness-Linter erkennt dichte M8-Cluster aus „nicht A, sondern B“ und „A und nicht B“ und berücksichtigt sie im Preflight. Gemeinsames Scope-Handling schützt Zitate, Code, URLs und HTML; eindeutige Zahlen- und Datumskorrekturen bleiben unbeanstandet. Schwellen und Katalogumfang ändern sich nicht.

Attribution

Dieser Skill basiert auf:

• Der Wikipedia-Seite Anzeichen für KI-generierte Inhalte der Deutschen Wikipedia
• Der englischen Humanizer Skill von blader
• Deutschen Schreibkonventionen und Stilrichtlinien

Das Projekt entstand Anfang 2026 als Fork von blader/humanizer und entwickelte sich danach zu einem eigenständigen System für deutschsprachige Texte mit eigenem Versionsschema.

Deutsche Version: Martin Moeller (martin-moeller.biz)

Verwandte Ressourcen

• Der KI-Text-Eisberg – Scroll-Story zur Methodik hinter den Mustern: Warum kein Detektor weiß, ob dein Text gut ist
• Anzeichen für KI-generierte Inhalte – Deutsch Wikipedia
• WikiProjekt KI und Wikipedia – Deutsch Wikipedia
• Original Humanizer Skill – Englische Version
• Claude Code – Zur Verwendung mit diesem Skill
• EEAT Guidelines – Google Search Guidelines

Lizenz

Projektcode und eigenständiges Projektmaterial stehen unter der MIT License. Der adaptierte Musterkatalog in references/patterns.md und die entsprechenden Katalogbeschreibungen und Tabellen in diesem README stehen unter CC BY-SA 4.0.

Copyright-, Quellen-, Änderungshinweise und der genaue Lizenzumfang stehen in NOTICE.

Viel Erfolg beim Humanisieren!

Für belegtreue Texte mit besserer deutscher Stimme.