К основному содержанию
скилл CX Codex

li-human — скилл для Claude Code: что делает и как установить

Скилл li-human убирает из черновика длинные тире, штампы и невидимые юникод-символы, потом оценивает текст по пяти проверкам. Пригодится перед публикацией поста или ответа.

MIT ★ 3 812 обновлён 2026-09-17

Установить в Claude Code · Через маркетплейс плагинов Все способы и платформы ↓
/plugin marketplace add Jakeschincariol/linkedin-agent-skill
/plugin install linkedin-agent@linkedin-agent-skill
Открыть на GitHub

Что делает li-human

Скилл гоняет черновик через два скрипта на Python: humanize.py чистит текст, detect.py оценивает его по пяти проверкам. Чистка убирает невидимые символы (zero-width пробелы, мягкие переносы, BOM, юникод-теги), правит типографику и подставляет простые слова вместо штампов.

Лексикон лежит в slop.json: больше 100 стоковых слов и фраз с заменами, 17 классов невидимых символов, 11 типографических подстановок, 11 структурных маркеров. Файл рассчитан на правку. Если лексикон режет слово, которое вы используете постоянно, уберите его из файла сами, иначе оно будет исчезать из каждого текста.

Структурные маркеры скрипт только помечает: триады, «это не просто X, это Y», односложные вопросы вроде «The result?», эмодзи, стены хештегов. Такие строки переписывают руками и запускают detect.py снова. Итог складывается на 60% из среднего и на 40% из самой слабой проверки, PASS требует 70+ и ни одной шкалы ниже 55. Проверки считаются локально, ничего не отправляется, но это не GPTZero и не Turnitin, и их вердикт скилл не обещает.

Какие задачи решает

  • вычистить невидимые юникод-символы из текста, скопированного из чата
  • заменить длинные тире и кривые кавычки обычной типографикой
  • найти в черновике delve и прочие штампы и подобрать замену попроще
  • сравнить черновик и очищенную версию по пяти проверкам
  • получить список строк, которые скрипт пометил, но не стал переписывать

Примеры запросов агенту

  • Прогони draft.txt через humanize.py и покажи, что изменилось
  • Убери длинные тире и штампы из этого поста, а помеченные строки перепиши сам
  • Сравни before.txt и after.txt через detect.py и назови самую слабую проверку

Как установить li-human

1Через маркетплейс плагинов

/plugin marketplace add Jakeschincariol/linkedin-agent-skill
/plugin install linkedin-agent@linkedin-agent-skill

Команда ставит плагин linkedin-agent целиком, со всеми его скиллами

2Через Skills CLI (Vercel)

npx skills add Jakeschincariol/linkedin-agent-skill --skill li-human -a claude-code

3Вручную: положить файлы

~/.claude/skills/li-human/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/li-human/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о li-human

Как установить li-human в Claude Code?

Добавьте маркетплейс командой /plugin marketplace add Jakeschincariol/linkedin-agent-skill, затем поставьте плагин: /plugin install linkedin-agent@linkedin-agent-skill.

Что делает li-human?

Чистит черновик от невидимых символов, машинной типографики и стоковых фраз, а затем ставит оценку по пяти проверкам: длина предложений, конкретика, плотность штампов, отпечаток символов и голос.

Оценка PASS гарантирует, что текст не задетектят?

Нет. Это пять локальных эвристик, они не обращаются к GPTZero, Originality, Copyleaks, Winston или Turnitin и их вердикт не повторяют.

Исходный текст

SKILL.md · MIT
---
name: li-human
description: >-
  Strip the machine fingerprint out of any draft - em dashes, AI slop words,
  invisible watermark characters - and score it against a five-check detection
  panel before it goes out. Use whenever text needs to sound human, when the
  user says humanize, "does this sound like AI", "remove the em dashes", "de-slop
  this", "will this get flagged", or before any LinkedIn post, comment, reply
  or DM is shown to the user.
---

# li-human

Two tools live in this folder and they both actually run. Use them. Do not
eyeball this.

```bash
python3 humanize.py draft.txt --report        # clean it, show what changed
python3 detect.py draft.txt                    # score it, five checks
python3 detect.py before.txt after.txt         # prove the delta
```

Both read `slop.json`, which is the lexicon: 100+ stock words and phrases with
plain-English replacements, 17 invisible character classes, 11 typographic
substitutions, and 11 structural tells. It is meant to be edited. If the user
has a word they always use that the lexicon strips, remove it from the file.

## What gets fixed automatically

**1. Invisible characters.** Zero-width spaces and joiners, word joiners,
soft hyphens, byte-order marks, Unicode tag characters, non-breaking and
narrow spaces. A keyboard does not produce these. They survive copy-paste,
they are invisible in every editor, and they are the single most mechanical
thing in generated text. `humanize.py` deletes every one, including any
remaining Unicode format character it does not have a name for.

**2. Typography.** Em dash to comma, en dash to hyphen, curly quotes to
straight, ellipsis to three dots, bullet character to hyphen. The em dash pass
is the one that matters: it collapses ` — ` to `, ` and then cleans up the
double punctuation that leaves behind.

**3. The slop lexicon.** delve, leverage, robust, seamless, crucial, tapestry,
testament to, moreover, "in today's fast-paced world", "let that sink in" and
the rest, each swapped for a plain word, with capitalisation preserved and
URLs left untouched.

## What does NOT get fixed automatically

Structural tells get **flagged, not rewritten**, because changing the shape of
a sentence needs judgement:

- "It's not just X, it's Y" and "not only X but also Y"
- Rule-of-three triads
- Rhetorical one-word question lines: "The result?"
- Rocket, fire, bulb, sparkle and dart emoji
- Hashtag walls
- Reflex engagement bait: "Thoughts?", "Agree?", "Who else?"
- Uniform sentence length and uniform bullet length

That list is your job. Rewrite each flagged line by hand, keeping the meaning,
then re-run `detect.py`. This is the part that moves the score from REVIEW to
PASS, and it is the part a script cannot do.

## The five checks

`detect.py` scores five signals 0-100, higher is more human:

| check | what it measures | machine looks like |
| --- | --- | --- |
| BURSTINESS | sentence-length variation | every sentence the same length |
| SPECIFICITY | numbers, names, concrete markers per 100 words | abstract nouns, no figures |
| SLOP DENSITY | lexicon hits per 100 words | stock vocabulary |
| FINGERPRINT | invisible chars, em dashes, curly quotes per 1k chars | typographically perfect |
| VOICE | contractions, person, structural tells | no contractions, staged reveals |

The verdict weights the mean at 60% and the **weakest single check** at 40%,
because a detector only needs one signal to fire. PASS needs an overall of 70+
with no check below 55.

## Say this honestly

These are five local heuristics modelled on the signals public detectors key
on. They run entirely on the user's machine and nothing is uploaded. They are
**not** GPTZero, Originality, Copyleaks, Winston or Turnitin, they do not call
those APIs, and they cannot promise those verdicts. Fixing what they measure
does tend to move those numbers, because they are measuring the same
underlying things. That is the claim. Do not make a bigger one on the user's
behalf, and do not tell a user their text is undetectable.

## Order of operations

1. `humanize.py draft.txt -o clean.txt --report`
2. Read the structural flags. Rewrite those lines yourself.
3. `detect.py draft.txt clean.txt` to show the before and after.
4. If the verdict is not PASS, fix the weakest check named in the output and
   go again. Two rounds is normal. Five means the draft was written by
   formula, and the fix is a different draft, not more passes.
5. Show the user the cleaned text and the score. Never the score alone.

© Jake Schincariol · MIT · Jakeschincariol/linkedin-agent-skill

Похожие скиллы

Все скиллы по теме «Тексты и документация» →
linkedin-content Alireza Rezvani Скилл linkedin-content пишет, редактирует и проверяет посты в LinkedIn: выбирает формат под материал, ловит механические ошибки и разбивает длинный источник на отдельные единицы. CX Codex +1 26установок writing-linkedin-posts jamesgray007 Скилл writing-linkedin-posts для Claude Code помогает писать посты для LinkedIn: структурирует хук, тело и концовку. Агент разбирает текст на части и держит честный тон вместо мотивационных плакатов. CX Codex +1 652установок linkedin-humanizer sergebulaev Скилл linkedin-humanizer для Claude Code убирает маркеры ИИ-текста из постов и комментариев в LinkedIn. Запускается перед публикацией черновика или во время проверки стиля. CX Codex +1 182установок linkedin-post az9713 Скилл linkedin-post для Claude Code создаёт посты для LinkedIn: выбирает структуру, подбирает крючок и следит, чтобы текст не стал общей фразой или самопиаром. CX Codex +1 1установок content-studio techwolf-ai Плагин content-studio для Claude Code пишет посты в вашем голосе, предлагает идеи и разбирает отклик аудитории. Включает визуальный редактор и скрипты. ★ 147звёзд репо linkedin-post-optimizer OneWave-AI Скилл linkedin-post-optimizer для ИИ-агента, который пишет посты в LinkedIn: хук в первых двух строках, разбивка на строки, стратегия хештегов. CX Codex +1 426установок

Из того же набора12

Весь набор →
li-reply Скилл li-reply разбирает комментарии под вашими постами в LinkedIn, сортирует их по ценности и готовит ответы. Публикация остаётся за вами. CX Codex +1 ★ 3 812звёзд репо li-dm Скилл li-dm пишет заметку к заявке в LinkedIn, первое сообщение после принятия и два фоллоу-апа. Сначала спрашивает, за что зацепиться. CX Codex +1 ★ 3 812звёзд репо li-profile Скилл li-profile оценивает профиль LinkedIn по шкале из 100 баллов и переписывает слабые блоки: заголовок, раздел «О себе», опыт и баннер. CX Codex +1 ★ 3 812звёзд репо li-audit Скилл li-audit для Claude Code разбирает опубликованные посты и аналитику LinkedIn, чтобы найти темы и форматы, которые вызывают отклик. Определяет, что повторять, а от чего отказаться. CX Codex +1 ★ 3 812звёзд репо li-plan Скилл li-plan собирает неделю в LinkedIn: четыре поста с углами из того, что реально случилось, время под часовой пояс аудитории и список из десяти человек для комментариев. CX Codex +1 ★ 3 812звёзд репо li-comment Скилл li-comment для Claude Code пишет комментарии к постам в LinkedIn от лица живого человека с личной позицией, без автоматической публикации. CX Codex +1 ★ 3 812звёзд репо li-post Скилл li-post превращает сырую идею в пост для LinkedIn: предлагает три хука, пишет черновик и готовит текст к копированию. CX Codex +1 ★ 3 812звёзд репо linkedin-agent Готовит публикации, карусели и личные сообщения для LinkedIn, а встроенный скрипт убирает следы нейросетей из текста. Помогает вести профиль без прямого доступа бота к соцсети. ★ 3 812звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой