epoko77-ai/im-not-ai

解決的問題

本專案解決由 LLM（例如 ChatGPT、Claude 和 Gemini）生成的韓語文字所具有的「AI 風格」問題。特別針對翻譯腔（translationese）、機械式結構（例如「首先、其次、最後」）、過度使用的 AI 慣用語、過多的被動語態以及重複的句式節奏，這些都會讓韓語母語者覺得 AI 生成的韓語不自然。

工作原理

此工具作為 Claude Code 與 OpenAI Codex CLI 的技能運作，使用一個包含 10 個類別、70 多個子模式的複雜分類體系，檢測並重寫 AI 特有的表達。它採用名為 route_hint 的動態路由系統，根據文字品質決定處理路徑：

• 輕量級（1 次 LLM 呼叫）： 適用於 AI 標記極少的優質文字；執行保守性重寫。
• 標準級（2 次 LLM 呼叫）： 適用於典型的 AI 草稿；包含診斷階段與針對性重寫。
• 重型（3 次及以上 LLM 呼叫）： 適用於嚴重「AI 混亂」、超長文件（超過 15,000 字元）或需要嚴格驗證的情況；包含診斷、重寫（必要時並行分塊處理）與最終確認階段。

為確保準確性，系統遵循四項嚴格規則：保留原意（事實、數據、專有名詞）、僅修改檢測到的片段、保持原文體裁、防止過度編輯（變更率超過 30% 時警告，超過 50% 時停止）。

適用對象

• 希望在不改變核心含義的前提下，去除韓語稿件中「AI 味」的作家與編輯。
• 使用 Claude Code 或 Codex CLI 並需要專業、自然韓語輸出的使用者。
• 需要處理由以英語為中心的 AI 模型導致的翻譯風格韓語的使用者。

主要亮點

• 韓語專用分類體系： 基於學術翻譯研究，針對特定模式，如過度使用「를 통해」或特定雙助詞等。
• 高效路由機制： 對高品質文字僅使用一次呼叫，而非重型流水線，從而降低 token 成本與處理時間。
• 多代理架構： 使用專用代理進行診斷（humanize-diagnostician）、整體重寫（humanize-monolith）與最終驗證（humanize-finalizer）。
• 定量指標： 集成基於 z 分數的指標（例如逗號使用模式），客觀衡量並驗證文字的「類人」品質。