텍스트에서 AI가 작성한 흔적을 제거하여 더 자연스럽고 사람처럼 들리게 만드는 Gemini CLI 스킬입니다.
Gemini CLI는 세 가지 주요 위치에서 스킬을 탐색합니다(우선순위 순):
- 워크스페이스 스킬 (
.gemini/skills/): 팀과 공유되는 프로젝트별 스킬 - 사용자 스킬 (
~/.gemini/skills/): 모든 워크스페이스에서 사용 가능한 개인 스킬 - 확장 스킬 (Extension Skills): 설치된 확장에 포함된 스킬
모든 프로젝트에서 사용하려면 사용자 스킬 디렉토리에 설치하세요.
mkdir -p ~/.gemini/skills/ git clone https://github.com/partrita/humanizer.git ~/.gemini/skills/humanizer특정 프로젝트 내에서만 사용하려면 해당 프로젝트의 루트에 설치하세요.
mkdir -p .gemini/skills/ git clone https://github.com/partrita/humanizer.git .gemini/skills/humanizer세션을 재시작하고 설치된 스킬을 확인합니다.
gemini /skills list설치가 완료되면 Gemini CLI 세션 내에서 스킬을 사용할 수 있습니다.
/humanizer [여기에 텍스트] 또는 Gemini에게 직접 요청할 수 있습니다.
이 텍스트를 휴머나이즈 해줘: [여기에 텍스트] 위키피디아의 "AI 글쓰기의 징후(Signs of AI writing)" 가이드를 기반으로 합니다. 이 포괄적인 가이드는 수천 건의 AI 생성 텍스트 사례를 관찰하여 작성되었습니다.
"LLM(대형 언어 모델)은 다음에 올 단어를 추측하기 위해 통계적 알고리즘을 사용합니다. 그 결과 가장 다양한 사례에 적용될 수 있는, 통계적으로 가장 그럴듯한 결과물을 내놓는 경향이 있습니다."
| # | 패턴 | 수정 전 (Before) | 수정 후 (After) |
|---|---|---|---|
| 1 | 의미 부풀리기 (Significance inflation) | "...의 진화에 있어 중추적인 순간을 표시하며" | "지역 통계를 수집하기 위해 1989년에 설립되었습니다" |
| 2 | 유명세 언급 (Notability name-dropping) | "NYT, BBC, FT, The Hindu에 인용됨" | "2024년 NYT 인터뷰에서 그녀는...라고 주장했다" |
| 3 | 피상적인 -ing 분석 (Superficial -ing analyses) | "상징하며... 반영하며... 보여주며..." | 삭제하거나 실제 출처로 내용을 보강 |
| 4 | 홍보성 언어 (Promotional language) | "숨 막힐 듯 아름다운 지역에 자리 잡은" | "곤다르(Gonder) 지역의 마을이다" |
| 5 | 모호한 출처 (Vague attributions) | "전문가들은 이것이 중요한 역할을 한다고 믿는다" | "...의 2019년 조사에 따르면" |
| 6 | 상투적인 난관 언급 (Formulaic challenges) | "어려움에도 불구하고... 계속 번창하고 있다" | 실제 겪고 있는 구체적인 어려움 언급 |
| # | 패턴 | 수정 전 (Before) | 수정 후 (After) |
|---|---|---|---|
| 7 | AI 어휘 (AI vocabulary) | "또한(Additionally)... 증거(testament)... 풍경(landscape)... 보여주는(showcasing)" | "또한(also)... 여전히 흔하다" |
| 8 | 계사 회피 (Copula avoidance) | "역할을 한다(serves as)... 특징이다(features)... 자랑한다(boasts)" | "이다(is)... 있다(has)" |
| 9 | 부정 병렬 구조 (Negative parallelisms) | "단지 X일 뿐만 아니라 Y이다" | 핵심을 직접적으로 서술 |
| 10 | 3의 법칙 (Rule of three) | "혁신, 영감, 그리고 통찰력" | 자연스러운 개수로 나열 |
| 11 | 동의어 반복 (Synonym cycling) | "주인공... 메인 캐릭터... 중심 인물... 영웅" | "주인공" (명확할 때 반복 사용) |
| 12 | 잘못된 범위 (False ranges) | "빅뱅에서 암흑 물질까지" | 주제를 직접 나열 |
| # | 패턴 | 수정 전 (Before) | 수정 후 (After) |
|---|---|---|---|
| 13 | 엠 대시 과용 (Em dash overuse) | "기관들—사람들이 아닌—그러나 이것은 계속된다—" | 쉼표나 마침표 사용 |
| 14 | 볼드체 과용 (Boldface overuse) | "OKRs, KPIs, BMC" | "OKRs, KPIs, BMC" |
| 15 | 인라인 헤더 목록 (Inline-header lists) | "성능: 성능이 향상되었습니다" | 일반 서술문으로 변환 |
| 16 | 제목의 대문자 표기 (Title Case Headings) | "Strategic Negotiations And Partnerships" | "Strategic negotiations and partnerships" |
| 17 | 이모지 (Emojis) | "🚀 시작 단계: 💡 핵심 통찰:" | 이모지 제거 |
| 18 | 둥근 따옴표 (Curly quotes) | said “the project” | said "the project" |
| # | 패턴 | 수정 전 (Before) | 수정 후 (After) |
|---|---|---|---|
| 19 | 챗봇 말투 (Chatbot artifacts) | "도움이 되었기를 바랍니다! 더 필요하시면..." | 완전히 제거 |
| 20 | 정보 부족 면책 조항 (Cutoff disclaimers) | "이용 가능한 소스에 세부 정보가 제한적이지만..." | 소스를 찾거나 제거 |
| 21 | 아부하는 어조 (Sycophantic tone) | "좋은 질문입니다! 당신 말이 전적으로 맞습니다!" | 질문에 바로 답변 |
| # | 패턴 | 수정 전 (Before) | 수정 후 (After) |
|---|---|---|---|
| 22 | 채우기 문구 (Filler phrases) | "하기 위하여(In order to)", "사실 때문에(Due to the fact that)" | "하기 위해(To)", "때문에(Because)" |
| 23 | 과도한 회피 (Excessive hedging) | "잠재적으로 가능성이 있을 수 있다" | "일 수 있다(may)" |
| 24 | 일반적인 결론 (Generic conclusions) | "미래는 밝아 보입니다" | 구체적인 계획이나 사실 |
Before (AI-sounding):
Great question! Here is an essay on this topic. I hope this helps!
AI-assisted coding serves as an enduring testament to the transformative potential of large language models, marking a pivotal moment in the evolution of software development. In today's rapidly evolving technological landscape, these groundbreaking tools—nestled at the intersection of research and practice—are reshaping how engineers ideate, iterate, and deliver, underscoring their vital role in modern workflows.
At its core, the value proposition is clear: streamlining processes, enhancing collaboration, and fostering alignment. It's not just about autocomplete; it's about unlocking creativity at scale, ensuring that organizations can remain agile while delivering seamless, intuitive, and powerful experiences to users. The tool serves as a catalyst. The assistant functions as a partner. The system stands as a foundation for innovation.
Industry observers have noted that adoption has accelerated from hobbyist experiments to enterprise-wide rollouts, from solo developers to cross-functional teams. The technology has been featured in The New York Times, Wired, and The Verge. Additionally, the ability to generate documentation, tests, and refactors showcases how AI can contribute to better outcomes, highlighting the intricate interplay between automation and human judgment.
- 💡 Speed: Code generation is significantly faster, reducing friction and empowering developers.
- 🚀 Quality: Output quality has been enhanced through improved training, contributing to higher standards.
- ✅ Adoption: Usage continues to grow, reflecting broader industry trends.
While specific details are limited based on available information, it could potentially be argued that these tools might have some positive effect. Despite challenges typical of emerging technologies—including hallucinations, bias, and accountability—the ecosystem continues to thrive. In order to fully realize this potential, teams must align with best practices.
In conclusion, the future looks bright. Exciting times lie ahead as we continue this journey toward excellence. Let me know if you’d like me to expand on any section!
After (Humanized):
AI coding assistants speed up some tasks. In a 2024 study by Google, developers using Codex completed simple functions 55% faster than a control group, but showed no improvement on debugging or architectural decisions.
The tools are good at boilerplate: config files, test scaffolding, repetitive refactors. They are bad at knowing when they are wrong. I have mass-accepted suggestions that compiled, passed lint, and still did the wrong thing because I stopped paying attention.
Mira, an engineer at a fintech startup I interviewed, said she uses Copilot "like autocomplete for boring code" but reviews every line before committing. Jake, a senior dev at a larger company, disabled it after it kept suggesting patterns from a deprecated internal library.
The productivity claims are hard to verify. GitHub says Copilot users "accept 30% of suggestions," but acceptance is not correctness, and correctness is not value. The 2024 Uplevel study found no statistically significant difference in pull-request throughput between teams with and without AI assistants.
None of this means the tools are useless. It means they are tools. They do not replace judgment, and they do not eliminate the need for tests. If you do not have tests, you cannot tell whether the suggestion is right.
- 위키피디아: AI 글쓰기의 징후 - 주요 출처
- 위키프로젝트 AI 클린업 - 유지보수 조직
- 2.1.1 - 패턴 #18 예시 수정 (둥근 따옴표 vs 곧은 따옴표)
- 2.1.0 - 24개 모든 패턴에 대한 전/후 예시 추가
- 2.0.0 - 위키피디아 원문 내용을 바탕으로 전면 재작성
- 1.0.0 - 초기 릴리스
MIT