Was ist das? · Installation · Benutzung · Beispiele · Fakten & Grenzen · Wie es arbeitet · Optionale Werkzeuge · 66 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.

Vorher	Nachher
„Darüber hinaus ist es von entscheidender Bedeutung, innovative Lösungen nahtlos zu implementieren.“	„Außerdem müssen wir neue Lösungen reibungslos einführen.“

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

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

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.

Voraussetzungen

Claude Code oder Codex (CLI, App oder IDE-Integration); Cursor und andere Tools mit Agent-Skills-Unterstützung funktionieren über die manuelle Installation
Für den Basis-Skill ist kein Python nötig. Python 3 wird erst gebraucht, wenn die deterministischen Prüfskripte ausgeführt werden sollen.

Schnellwahl

Plugin und manuelle Skill-Kopie enthalten denselben Humanizer. Sie sind keine verschiedenen Produktversionen, sondern unterschiedliche Installationswege.

Ziel	Empfohlener Weg	Warum
Codex	Codex-Plugin	Einfach installieren, verwalten und aktualisieren
Claude Code	Claude-Code-Plugin	Aktivierung und Updates laufen über Claude Code
Plugins sind nicht verfügbar	Manuelle Installation	Funktioniert lokal, muss aber selbst aktualisiert werden
Cursor	Manuelle Installation	Cursor lädt Agent Skills aus `~/.agents/skills/` und `~/.cursor/skills/`

Wenn du eine KI mit der Installation beauftragst, gelten zusätzlich die Installationsregeln für Assistenten.

Codex-Plugin (empfohlen)

Dieser Befehl läuft im Terminal:

codex plugin marketplace add marmbiz/humanizer-de

Danach in Codex /plugins öffnen, den Marketplace Humanizer DE auswählen und humanizer-de installieren. Anschließend eine neue Codex-Sitzung starten; erst dort stehen die mitgelieferten Skills zur Verfügung. Das entspricht dem aktuellen Codex-Plugin-Ablauf.

Claude-Code-Plugin (empfohlen)

Diese Befehle werden in einer laufenden Claude-Code-Sitzung eingegeben (Slash-Commands), nicht im Terminal.

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

Der erste Befehl fügt nur den Marketplace hinzu, der zweite installiert den Humanizer. Danach /reload-plugins ausführen; alternativ eine neue Claude-Code-Sitzung starten. Über /plugin lässt sich der Humanizer aktivieren, deaktivieren, entfernen und aktualisieren. Automatische Updates sind bei Drittanbieter-Marketplaces nicht zwingend aktiv; sie lassen sich im Tab Marketplaces einschalten oder dort manuell ausführen. Details stehen in der aktuellen Claude-Code-Plugin-Dokumentation.

Was dabei installiert wird

Installiert beziehungsweise kopiert werden die Skill-Anweisungen, der Musterkatalog, Referenzen und optionale lokale Prüfskripte. Bei einer manuellen Kopie liegt das ganze Repository im Skill-Ordner; deshalb sind dort auch tests/, docs/, Plugin-Metadaten und requirements-precise.txt zu sehen. Diese Dateien führen von selbst nichts aus.

Nicht installiert werden: Python, Click, spaCy, das deutsche spaCy-Modell, Hunspell, LanguageTool oder Java. Solche System- und Python-Pakete dürfen nur nach ausdrücklicher Zustimmung separat installiert werden.

Manuelle Installation (fortgeschritten)

Nutze diesen Weg nur, wenn Plugins nicht verfügbar sind oder du bewusst eine lokale Kopie verwalten möchtest. main enthält den aktuellen Projektstand und kann kleine Änderungen nach dem letzten Release enthalten:

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

Für eine feste Release-Version stattdessen den gewünschten Tag einsetzen:

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

Die folgenden Befehle laufen in dem Verzeichnis, in dem geklont wurde – also oberhalb von humanizer-de/, nicht darin.

Codex-Skill ohne Plugin

Persönliche Codex-Skills gehören bei Neuinstallationen nach ~/.agents/skills/humanizer-de/:

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

Alternativ als Symlink:

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

~/.codex/skills/ ist nur ein Legacy-Pfad für bestehende ältere Installationen und kein Ziel für neue Kopien. Codex erkennt neu installierte Skills normalerweise automatisch. Erscheint der Skill nicht, eine neue Sitzung starten oder Codex einmal neu starten.

Claude-Code-Skill ohne Plugin

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

Claude Code erkennt Änderungen in einem bereits vorhandenen persönlichen Skill-Ordner live. Wurde ~/.claude/skills/ während der laufenden Sitzung neu angelegt, Claude Code einmal neu starten. Siehe Claude-Code-Skills.

Cursor und andere Agent-Skills-Tools

Cursor unterstützt den Agent-Skills-Standard nativ und lädt persönliche Skills unter anderem aus ~/.agents/skills/ – demselben Verzeichnis wie Codex. Wer den Codex-Weg oben eingerichtet hat, findet den Skill in Cursor also bereits. Alternativ ausdrücklich für Cursor:

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

Projektbezogen liest Cursor zusätzlich .cursor/skills/ und .agents/skills/ im Projektordner; ein .cursorrules-Umweg ist nicht nötig. Details: Cursor-Dokumentation zu Skills. Getestet und gepflegt wird der Skill mit Claude Code und Codex; in Cursor hängt das Ergebnis vom dort gewählten Modell ab. Dasselbe Prinzip gilt für weitere Tools, die den Agent-Skills-Standard umsetzen.

Supports Claude Code and Codex: Das Repository enthält zusätzlich .claude-plugin/ für Claude Code und .codex-plugin/ plus agents/openai.yaml für Codex.

Installation prüfen (alle Wege)

Eine vorhandene SKILL.md beweist nur, dass Dateien kopiert wurden. Ob der Humanizer wirklich aktiv ist, hängt vom Installationsweg ab:

Oberfläche	Nach der Installation
Codex-Plugin	Eine neue Codex-Sitzung starten
Claude-Code-Plugin	`/reload-plugins` ausführen oder eine neue Sitzung starten
Manueller Skill	Eine neue Sitzung ist der einfachste sichere Test; Claude Code erkennt bestehende Skill-Ordner auch live

In dieser Sitzung anschließend diesen Prompt eingeben:

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

Erwartung: Die Antwort beginnt mit „Less machine. More voice.“, nennt den Modus und bearbeitet nur die auffälligen Stellen. Dieser kurze Funktionstest ist für die Installation aussagekräftiger als die Entwickler-Testsuite.

Version und Updates

Beim Plugin zeigt die Plugin-Verwaltung die installierte Version; Updates werden dort verwaltet.
Claude Code kann Drittanbieter-Marketplaces automatisch aktualisieren, wenn dies im Marketplace-Tab aktiviert wurde; sonst wird dort manuell aktualisiert.
Eine manuelle Kopie aktualisiert sich nicht automatisch. Eine geklonte main-Version kann mit Git aktualisiert werden; eine kopierte Version muss erneut kopiert werden.
Ein ausgecheckter Release-Tag bleibt absichtlich auf genau diesem Stand.

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.

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.

Ein Durchlauf in vier Kommandos

So sieht die Arbeit konkret aus – alle vier Aufrufe sind mit dem geklonten Repo reproduzierbar, die Ausgaben sind gekürzt.

1. Der Audit findet echte Cluster. Ein typischer KI-Entwurf („In der heutigen digitalen Landschaft ist es entscheidend, Prozesse nahtlos zu gestalten. Unsere maßgeschneiderten Lösungen beleuchten vielschichtige Aspekte …“):

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

2. Sauberer Text bleibt unangetastet. Derselbe Aufruf auf einem lebendigen menschlichen Text:

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

Das ist der Null-Edit: Die Antwort ist dann ein Befund („Text ist sauber“), keine Umschreibung.

3. Das Evidence-Gate blockt verschobene Fakten. Ändert eine Umformulierung „12 Prozent“ in „13 Prozent“:

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

Bleiben alle Anker erhalten, blockiert nichts.

4. --precise räumt dokumentierte Fehlalarme ab (mit installiertem spaCy) – direkt auf einer mitgelieferten Fixture nachprüfbar:

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}

Lokaler Schnellcheck

Für Datei-Input ist der erste deterministische Schritt ein kompakter Sammelcheck:

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

Für Arbeitsordner mit Markdown-Entwürfen kann der neueste Stand automatisch gewählt werden:

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

Der Sammelcheck ruft Unicode-, Rhythmus-, Naturalness- und Register-Prüfung in einem Prozess auf und gibt eine kurze gemeinsame Befundliste aus. Mit --precise (und installiertem spaCy) fängt er die dokumentierten Fehlalarm-Klassen ab und hängt die Syntax-Analyse als eigene Sektion an. Die Einzelskripte bleiben für gezielte Nachprüfung nutzbar; scripts/rhythm_lint.py druckt standardmäßig eine kompakte Dokumentansicht und zeigt volle Absatzdaten nur mit --include-paragraphs.

Der Report enthält außerdem ein Preflight-Risiko (low, medium, high, insufficient_text). Es beschreibt, ob der Text messbar zu gleichförmig wirkt: etwa durch sehr ähnliche Satzlängen, kaum kurze oder lange Sätze, wiederholte Satzanfänge, viele mechanische Übergänge oder Naturalness-Cluster. Das ist eine Qualitätsheuristik, keine Aussage zur Autorenschaft.

Bei hohem Risiko empfiehlt der Skill nach der normalen Überarbeitung einen kontrollierten Nachkamm: das Combing-Gate. Dabei dürfen höchstens zwei gezielte Rhythmusänderungen passieren, zum Beispiel ein kürzerer Satz, ein anderer Satzanfang oder ein besser verteilter Absatz. Neue Fakten, künstliche Ich-Signale, Füllwörter oder Satzfragmente bleiben tabu. Der Report weist ausdrücklich darauf hin, dass Textqualität, Präzision oder Lesbarkeit durch solchen Rhythmus-Feinschliff auch schlechter werden können. Auch das Combing-Gate ist kein Detektor-Bypass und garantiert keine Score-Änderung.

Weil der Sammelcheck reines JSON auf stdout liefert, lässt er sich als deterministisches Werkzeug in eigene Pipelines und Agenten-Frameworks (etwa LangChain, CrewAI oder n8n) einhängen:

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)

Das deckt den Audit-Teil ab. Die Pässe des Skills – Rewrite, Claim-Lock, Selbst-Audit – laufen weiter im LLM-Agenten und sind bewusst nicht als API nachgebaut.

Persönliches Stilprofil

Wiederkehrende Stilvorlieben überleben die Session in einer optionalen Datei .humanizer/profile.json im Arbeitsverzeichnis. Die Datei enthält ausschließlich Korridor-Overrides im Schema von references/style-targets.json plus datierte Stilnotizen – niemals eigene Texte oder Textauszüge:

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

humanizer_audit.py und style_profile.py legen diese Overrides automatisch über die Basis-Korridore (Override ersetzt den Korridor der Metrik komplett); überschriebene Korridore sind im Delta-Report mit "override": true markiert. Mit --profile <datei.json> wählen beide Skripte ein anderes Profil ausdrücklich aus; fehlt der angegebene Pfad, endet der Aufruf mit einem Fehler. Mit --no-profile laufen sie reproduzierbar ohne Nutzerprofil. Unbekannte Metriken oder kaputtes JSON erzeugen nur eine Warnung. Die Datei gehört in die .gitignore des jeweiligen Projekts, nicht ins Repository.

Gefüllt wird das Profil auf Wunsch im Abschluss-Dialog: Wenn ein Lauf wiederholt in dieselbe Richtung korrigiert wurde, fragt der Skill am Ende einmal, ob er sich die Regel merken soll – bei Zustimmung schreibt er sie ins Profil und weist beim ersten Anlegen auf den .gitignore-Eintrag .humanizer/ hin. Details: references/user-profile.md.

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.

Redaktioneller Kommentar

Vorher: „Es ist wichtig zu bemerken, dass die Bevölkerung zwischen 1950 und 2000 um 40 Prozent gewachsen ist. Darüber hinaus ist die Stadtfläche um 60 Prozent erweitert worden.“

Nachher: „Die Bevölkerung wuchs zwischen 1950 und 2000 um 40 Prozent. Die Stadtfläche wurde um 60 Prozent erweitert.“

Maschinelle Konjunktionen

Vorher: „Das Unternehmen wurde 1980 gegründet. Darüber hinaus beschäftigt es heute 200 Mitarbeiter. Ferner ist es in 8 Ländern tätig. Außerdem hat es einen Umsatz von 50 Millionen Euro.“

Nachher: „Das Unternehmen wurde 1980 gegründet. Es beschäftigt heute 200 Mitarbeiter in 8 Ländern und hat einen Umsatz von 50 Millionen Euro.“

Kollaborative Kommunikation

Vorher: „Wie Sie sehen können, war die Produktivität beeindruckend. Der Umsatz verdreifachte sich. Lassen Sie mich wissen, wenn Sie weitere Informationen benötigen!“

Nachher: „Die Produktivität fiel positiv auf. Der Umsatz verdreifachte sich.“

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.

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.

Nutzung	Verlässt der Text den Rechner?
Nur die lokalen Prüfskripte	Nein – sie laufen lokal und offline
Skill in Claude Code oder Codex	Der Text geht an das jeweilige Modell; es gelten dessen Datenschutzregeln und der eigene Vertrag

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 --> C{"Echte Muster-Cluster?"}
    C -- nein --> N([Null-Edit: Text bleibt stehen])
    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.

Setup	Grober Boost gegenüber der Basis	Besonders sinnvoll für
Nur der Skill	Basis (0 %)	Ausprobieren, kurze Texte und normales Redigieren
Skill + Python	etwa +20–30 %	Dateien, Fakten und reproduzierbare Prüfungen
zusätzlich spaCy	etwa +5–10 %	Weniger bekannte Fehlalarme und genauere Satzanalyse
zusätzlich Hunspell	etwa +3–7 %	Namen, Fachwörter und neue Tippfehler in Datei-Rewrites
zusätzlich LanguageTool	etwa +5–15 %	Abschließendes Korrektorat von Grammatik und Zeichensetzung

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.

Python 3 führt die mitgelieferten deterministischen Prüfskripte aus. Der Basis-Skill braucht es nicht.
spaCy schaltet --precise frei. Empfohlen ist eine projektlokale Umgebung mit einer von spaCy unterstützten Python-Version; CI und die folgenden Befehle verwenden Python 3.12:
```
# macOS/Linux
python3.12 -m venv .venv
.venv/bin/python -m pip install -r requirements-precise.txt

# Windows
py -3.12 -m venv .venv
.venv\Scripts\python.exe -m pip install -r requirements-precise.txt
# Alternativ in einer bereits kompatiblen Python-Umgebung:
py -m pip install -r requirements-precise.txt
```
Der Skill bevorzugt diesen .venv-Interpreter und ergänzt den Sammelcheck um --precise. Das vermeidet Konflikte mit systemverwaltetem Python und mit Python-Versionen, für die der gepinnte spaCy-Build nicht verfügbar ist. Ohne --precise bleibt jeder Report unverändert. Details: spaCy-Dokumentation.
Hunspell mit de_DE warnt über spell_lint.py, wenn ein Rewrite neue unbekannte Wörter einführt. macOS: brew install hunspell; Debian/Ubuntu: sudo apt install hunspell hunspell-de-de. Unter Windows ist die CLI-Einrichtung aufwendiger; Einsteiger können sie zunächst auslassen. Details: Hunspell.
LanguageTool ist eine ausdrückliche Zweitmeinung für Maintainer. Auf macOS stellt brew install languagetool den von make lt erwarteten CLI-Befehl bereit. Unter Windows und Linux unterscheidet sich die CLI-/Java-Einrichtung; Desktop- oder Browser-App allein reichen dafür nicht zwingend. LanguageTool bleibt außerhalb von verify und CI.

Fehlt ein Werkzeug, meldet es sich mit "available": false oder einer Skip-Meldung ab. Nichts davon wird zusammen mit dem Skill installiert oder automatisch aktiviert.

66 Muster in 10 Kategorien

Der Skill arbeitet mit einem Katalog aus 66 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 ist derzeit rund ein Dutzend Muster (u. a. 4, 43, 46, 54, 55, 58, 61, 63–65) 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.

#	Muster	Schwere
1	Übermäßige Betonung von Symbolik ("steht als Zeugnis")	HIGH
2	Werbesprache und Superlative ("atemberaubend")	HIGH
3	Redaktionelle Kommentare und Meta-Sprache ("es ist wichtig zu bemerken")	HIGH
4	Mechanische Konjunktionen ("darüber hinaus", "außerdem")	HIGH
5	Abschnitts-Zusammenfassungen ("insgesamt")	HIGH
6	Unpassendes "Fazit"	MEDIUM
7	Schlussfolgerungen mit zu starker Dichotomie	MEDIUM
8	Negative Parallelismen und abgehackte Verneinungen	MEDIUM
9	Trikolon und schematische Aufzählungen (Regel der Drei)	MEDIUM
10	Oberflächliche Analysen mit Partizip I	HIGH
11	Vage Autoritäten ("Branchenberichte zeigen")	HIGH
12	Falsche Erweiterung ("von... bis")	MEDIUM
58	Abstrakta-Stapel und Hypernym-Präferenz	MEDIUM
60	Synonym-Rotation für dieselbe Entität	MEDIUM
63	Modalpartikel-Anomalie	LOW
64	KI-Marker-Vokabular	MEDIUM
65	Kopula-Vermeidung	MEDIUM
66	Fake-Analyse-Anhang	MEDIUM

#	Muster	Schwere
13	Übermäßige Fettschrift	MEDIUM
14	Falsche Listen	LOW
15	Emojis vor Überschriften	LOW
16	Dash-Satzzeichen und Gedankenstrich-Cluster	MEDIUM

#	Muster	Schwere
17	Briefartiges Schreiben	HIGH
18	Kollaborative Kommunikation ("Ich hoffe, das hilft")	HIGH
19	Hinweise auf Wissensgrenzen ("Stand Datum")	HIGH
20	Prompt-Ablehnung ("Als KI kann ich nicht...")	HIGH
21	Platzhaltertext ("[Name einfügen]")	HIGH
22	Links zu Suchanfragen statt Referenzen	HIGH

#	Muster	Schwere
23	Markdown statt Wikitext	MEDIUM
24	Fehlerhafter Wikitext und KI-Tool-Artefakte	MEDIUM
25	Defekte Links	MEDIUM
26	Zitatfabrikation und unverifizierbare Referenzen	HIGH
27	Inkorrekte Referenzen-Format	MEDIUM
28	Falsche Kategorien	MEDIUM

#	Muster	Schwere
29	Abrupte Abbrüche	LOW
30	Wechsel im Schreibstil	MEDIUM
31	Ausführliche Bearbeitungszusammenfassungen in Ich-Form	LOW

#	Muster	Schwere
32	Persuasive Autoritäts-Floskeln ("Im Kern", "In Wirklichkeit")	MEDIUM
33	Signposting und Ankündigungen ("Schauen wir uns an")	MEDIUM
34	Fragmentierte Überschriften (generischer Einzeiler nach Heading)	LOW
35	Rhetorische Fragen als Fake-Engagement ("Aber was bedeutet das?")	MEDIUM
36	Universelle Menschheitserfahrungs-Eröffnung ("Seit jeher...")	MEDIUM
37	"In der heutigen X-Welt" Framing ("In der heutigen digitalen Welt")	MEDIUM
38	Aspirativer Unternehmensschluss ("bestens aufgestellt")	MEDIUM
52	Diff-verankertes Schreiben ("wurde jetzt ergänzt")	MEDIUM
56	Aphorismus-Formeln ("X ist die Sprache des Y", "X wird zur Falle")	MEDIUM
61	Isometrisches Dokument	MEDIUM
62	Markerloser Schließzwang	MEDIUM

#	Muster	Schwere
39	Passivkonstruktionen und subjektlose Fragmente	MEDIUM
40	Konditional-Stapel ("Wenn X..., und wenn Y...")	MEDIUM
41	Fehlkalibriertes epistemisches Vertrauen	MEDIUM
53	Lückenfüllende Spekulation ("hält sich bedeckt")	HIGH
59	Erfundene Ich-Erfahrung und forcierte Lockerheit	HIGH

#	Muster	Schwere
42	Beleginkongruenz	HIGH
43	Versteckte Unicode-Zeichen	HIGH
44	Standard-Kapitel ohne Substanz	MEDIUM
45	Anglizismus-Strukturen	MEDIUM

#	Muster	Schwere
46	Falsche deutsche Anführungszeichen	HIGH
47	Englische Titel-Großschreibung	MEDIUM
48	Englisches Dezimalformat und Datumsformat	LOW
49	Apostroph-Fehler	MEDIUM
50	Interpunktion bei Stichpunkt-Aufzählungen	LOW
51	Obsessive Parataxe	MEDIUM
57	Markdown-Struktur-Artefakte (Ein-Zeilen-Tabellen, übersprungene Heading-Ebenen, `---` vor Überschrift, gehäufte Inline-Header-Listen)	MEDIUM

#	Muster	Schwere
54	Doppelpunkt-Titel-Schema	MEDIUM
55	Gleichförmiger Satzrhythmus	MEDIUM

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 66-Muster-Katalog und unterstützt belegtreue, registerstabile Überarbeitung ohne Faktenänderung.

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

Installationsregeln für Assistenten

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

Einzelchecks:

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 --check-invariants
python3 scripts/syntax_lint.py --file <text.md>

Exit-Codes

Alle Scripts folgen der Konvention 0 = ok, 1 = Findings gemäß Fail-Schwelle bzw. Fixture-/Eval-Mismatch, 2 = Aufruffehler (falsche Argumente). Die Fail-Schwelle unterscheidet sich bewusst je Script: --fail-on {never,blocker,any} übersteuert die Fail-Schwelle pro Aufruf, die Defaults bleiben unverändert; das Flag haben alle Scripts der Tabelle außer syntax_lint.py (reine Messstufe) und run_review_eval.py.

Script	Exit `1` bei
`doctor.py`	defektem Basis-Skill; mit `--require-full` auch bei fehlendem Zusatzwerkzeug
`unicode_lint.py`	jedem Finding
`register_lint.py`, `evidence_lint.py`	nur Blockern; Warnings blocken nicht
`rhythm_lint.py`, `german_pattern_lint.py`, `humanizer_audit.py`, `syntax_lint.py`, `spell_lint.py`	nie; Messen ist kein Urteil, der JSON-Report ist die Schnittstelle
`run_review_eval.py` und alle `--fixture`-Modi	Erwartungs-Mismatch

Wer ein Script in CI als Gate nutzt, muss diese Semantik kennen: german_pattern_lint.py und rhythm_lint.py liefern auch mit Befunden Exit 0; dort gehört der JSON-Report ausgewertet, nicht der Exit-Code.

Evidence-Gate einzeln nutzen

Das Evidence-Gate prüft ein Textpaar unabhängig vom Humanizing auf Faktenverschiebung:

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

Verglichen werden Faktenanker (Zahlen, Daten, URLs, DOIs, Paragraphen, Code, Zitate, Eigennamen), der Autoritätsgrad von Aussagen und die Claim-Richtung (Zunahme/Abnahme). Der JSON-Report listet jede Abweichung; ein Blocker (etwa eine neue Zahl oder eine gekippte Aussagerichtung) bedeutet: die Umformulierung hat Fakten verschoben und gehört zurückgewiesen. Exit-Code 1 nur bei Blockern, Warnings (z. B. neue Eigennamen) blocken nicht. Details zum Schema stehen in references/evidence-ledger.md.

Die YAML-Szenarien in tests/scenarios/ sind bewusst maschinenlesbare Contracts. QGIR-Szenarien prüfen zusätzlich Pass-Limits, Edit-Budget, geschützte Anker, Registerdrift und Claim-Richtungsdrift. Detector-Bezug bleibt außerhalb der Contract-Checks. Die ausführlichere Datei tests/SCENARIOS.md bleibt die manuelle LLM-im-Loop-Referenz.

Release-Regel

Der Abschnitt Was ist neu? ist der laufende Changelog. Für veröffentlichte Versionen braucht es zusätzlich einen Git-Tag und einen GitHub Release.

Bei jedem Version-Bump:

Version in SKILL.md, Plugin-Metadaten, Referenzen und Changelog synchronisieren.
make verify ausführen.
Änderungen committen und main pushen.
Einen Tag vX.Y.Z exakt auf den Release-Commit setzen und pushen.
Auf GitHub einen Release aus diesem Tag erstellen. Die Release Notes dürfen die Changelog-Zeile erweitern, müssen aber denselben Scope beschreiben.

Patch-Releases ohne öffentliche Relevanz dürfen im README-Changelog bleiben. Minor-/Major-Releases und sichtbare Tool- oder Workflow-Änderungen bekommen immer Tag und GitHub Release.

Feedback und Beitrag

Bugs melden: Issue im Repository erstellen
Muster ergänzen: Pull Request senden
Erfahrungen teilen: in den Discussions diskutieren

Was ist neu?

5.8.1 - Musterkatalog auf dem Stand der aktuellen KI-Artefakte, ohne Änderung an den Prüfwerkzeugen: Muster 24 gruppiert die Tool-Artefakte jetzt nach Anbieter und erfasst neben neueren ChatGPT-Varianten (oai_citation, citeturn-Formen, +1-Suffixe an Quellennamen, `at

Humanizer De

README