Humanizer-BR — Editor de Texto Anti-IA

Skill para Claude Code que remove marcas típicas de textos gerados por IA, deixando a escrita mais natural, clara e próxima da linguagem humana. Inclui também o módulo aprofundador para aumentar a densidade intelectual do conteúdo.

---

Instalação

Método 1: Clonar direto no diretório de skills

git clone https://github.com/carlosafjr-dev/humanizer-br.git ~/.claude/skills/humanizer-br

Método 2: Instalação manual

Copie os arquivos SKILL.md de cada skill para o diretório correto:

mkdir -p ~/.claude/skills/humanizer-br
cp skills/humanizer-br/SKILL.md ~/.claude/skills/humanizer-br/

mkdir -p ~/.claude/skills/aprofundador
cp skills/aprofundador/SKILL.md ~/.claude/skills/aprofundador/

Método 3: Instalação manual no claude.ia

Baixe o zip do arquivo e descompacte no seu computador

Vá em claude.ai

Configurações > Capacidades > Habilidades > Clica no + > + Criar habilidade > Fazer upload de uma habilidade

Selecione a pasta onde você descompactou a skill. Existe a pasta skills e dentro dela duas pastas: ‘aprofundador’ e ‘humanizer-br’

Vá primeiro na pasta 'humanizer-br’e selecione a ‘SKILL.md’ que está dentro dela. Faça o mesmo com a pasta ‘aprofundador’.

Método 4: Script automático (Windows PowerShell)

Crie um script install.ps1 com:

$skillsDir = "$env:USERPROFILE\.claude\skills"
mkdir -p $skillsDir/humanizer-br
mkdir -p $skillsDir/aprofundador
cp skills/humanizer-br/SKILL.md $skillsDir/humanizer-br/
cp skills/aprofundador/SKILL.md $skillsDir/aprofundador/

---

Uso

Humanizer-BR

Remove padrões de escrita gerada por IA:

/humanizer-br

[cole seu texto aqui]

Aprofundador

Aumenta a densidade intelectual do texto (use após o humanizer):

/aprofundador

[cole o texto já humanizado aqui]

Pipeline recomendado

1. Texto Base (IA ou rascunho)
2. Humanizer-BR (remove marcas de IA)
3. Aprofundador (aprofunda o conteúdo)
4. Editor Final (ajuste de fluidez e estilo)

Você pode pedir ao Claude para aplicar ambas em sequência:

“Aplique o humanizer-br neste texto e depois use o aprofundador.”

---

Visão Geral

O Humanizer-BR é baseado em três referências principais:

• Wikipedia: Signs of AI Writing — guia da comunidade para identificar textos gerados por IA
• Sampaio, R.C. (2026) — Prompts para diminuir os marcadores de escrita por IA
• Floridi, L. (2025) — Distant Writing: Literary Production in the Age of AI

A skill analisa mais de 150 palavras e expressões típicas de IA, estruturas gramaticais problemáticas e padrões de pontuação, reescrevendo o texto para eliminar sinais artificiais e melhorar naturalidade.

Por que textos de IA são detectáveis?

LLMs usam algoritmos estatísticos para prever o que provavelmente vem em seguida em um texto. O resultado tende a convergir para construções que funcionam na maior variedade possível de contextos, gerando:

• Frases genéricas
• Estruturas previsíveis
• Vocabulário inflado e vago
• Conclusões amplas sem dados concretos

---

Padrões detectados

Padrões de conteúdo

1. Inflação de importância

Amplia artificialmente a relevância de algo com expressões grandiosas.

Antes: “marcando um momento decisivo na evolução de…” Depois: “foi criado em 1989 para coletar estatísticas regionais”

2. Name-dropping de notoriedade

Lista veículos de imprensa para criar autoridade sem contexto.

Antes: “citado pelo NYT, BBC, FT e The Hindu” Depois: “Em entrevista ao NYT em 2024, ela afirmou…”

3. Análises superficiais com gerúndio

Frases com gerúndio que fingem profundidade sem entregar conteúdo.

Antes: “simbolizando… refletindo… demonstrando…” Depois: Remover ou expandir com fatos concretos

4. Linguagem promocional

Adjetivos exagerados que parecem texto de marketing.

Antes: “localizado em uma região deslumbrante” Depois: “é uma cidade da região de Gonder”

5. Atribuições vagas

Cita “especialistas” sem nome, data ou fonte.

Antes: “Especialistas acreditam que…” Depois: “Segundo pesquisa de 2019 realizada por…”

6. Fórmula genérica de desafios

Reconhece problemas de forma vaga para depois ignorá-los.

Antes: “Apesar dos desafios, continua prosperando” Depois: Descrever desafios reais

---

Padrões de linguagem

7. Vocabulário típico de IA

Palavras que aparecem com frequência exagerada em textos de IA.

Antes: “testemunho de, crucial, paisagem” Depois: Termos mais diretos e concretos

8. Evitar verbo “ser”

Troca verbos simples por construções elaboradas desnecessárias.

Antes: “serve como… apresenta…” Depois: “é… tem…”

9. Paralelismo negativo

Estrutura forçada de negação para criar contraste artificial.

Antes: “Não é apenas X, é Y” Depois: Afirmar diretamente

10. Regra artificial de três

LLMs agrupam ideias em listas mecânicas de três itens.

Antes: “inovação, inspiração e insights” Depois: Usar número natural de itens

11. Rotação de sinônimos

Troca palavras repetidas desnecessariamente para parecer variado.

Antes: “protagonista… personagem principal…” Depois: Repetir o termo mais claro

12. Intervalos artificiais

Usa “de X a Y” sem uma escala lógica real.

Antes: “do Big Bang à matéria escura” Depois: Listar diretamente

---

Padrões de estilo

13. Travessão excessivo

Uso desnecessário de travessões para criar ênfase artificial.

Antes: “instituições—não pessoas—” Depois: Usar vírgulas ou pontos

14. Negrito excessivo

Destaca palavras sem necessidade real.

Antes: “OKRs, KPIs” Depois: “OKRs, KPIs”

15. Listas com rótulo inline

Estrutura mecânica de “rótulo: descrição” em listas.

Antes: “Performance: melhorou” Depois: Converter em frase natural

16. Títulos em Title Case

Capitalização excessiva em títulos e cabeçalhos.

Antes: “Strategic Negotiations And Partnerships” Depois: “Strategic negotiations and partnerships”

17. Emojis

Emojis em contextos editoriais ou profissionais.

Antes: “🚀 Lançamento” Depois: Remover

18. Aspas inconsistentes

Mistura de estilos de aspas no mesmo texto.

Antes: Misturar estilos Depois: Padronizar

---

Padrões de comunicação

19. Artefatos de chatbot

Frases de cortesia que denunciam texto gerado por IA.

Antes: “Espero que isso ajude!” Depois: Remover

20. Avisos de limitação

Chama atenção para a falta de informação em vez de buscar dados.

Antes: “Detalhes são limitados nas fontes” Depois: Buscar fontes ou remover

21. Tom bajulador

Elogia o leitor ou a pergunta antes de responder.

Antes: “Ótima pergunta!” Depois: Responder diretamente

---

Preenchimento e hedging

22. Frases de preenchimento

Expressões longas que poderiam ser diretas.

Antes: “Com o objetivo de” Depois: “Para”

23. Hedging excessivo

Acúmulo de palavras que enfraquecem a afirmação.

Antes: “poderia possivelmente vir a” Depois: “Pode”

24. Conclusões genéricas

Fechamentos vagos que não agregam informação.

Antes: “O futuro parece promissor” Depois: Usar fatos concretos

---

Exemplo completo

Antes (texto típico de IA)

Ótima pergunta! Aqui está um resumo sobre este tema. Espero que isso ajude!

A programação assistida por IA serve como um testemunho duradouro do potencial transformador dos grandes modelos de linguagem.

O futuro parece promissor.

Depois (texto humanizado)

Assistentes de código com IA ajudam principalmente nas partes repetitivas do trabalho.

Eles são bons para gerar boilerplate, arquivos de configuração e pequenos trechos de código.

O risco está na confiança que essas sugestões transmitem. Código pode compilar e ainda assim resolver o problema errado.

Quando usados como autocomplete e revisados linha por linha, são úteis. Sem testes automatizados, erros passam despercebidos.

---

Estrutura do repositório

humanizer-br/
├── skills/
│   ├── humanizer-br/
│   │   └── SKILL.md          # Skill principal (anti-IA)
│   └── aprofundador/
│       └── SKILL.md          # Módulo complementar (densidade intelectual)
├── README.md
└── WARP.md

---

Histórico de versões

2.0.0 (atual)

• Reestruturação completa baseada no guia da Wikipédia
• Vocabulário proibido expandido para ~150 palavras e expressões
• Seções de estruturas gramaticais proibidas (cópulas artificiais, paralelismos, regra de três, intervalos falsos, editorialização)
• Regras rigorosas de pontuação (travessão proibido, ponto e vírgula evitado)
• Teste Mental de Autenticidade com 3 perguntas de validação
• Referências acadêmicas adicionadas (Sampaio 2026, Floridi 2025)
• aprofundador integrado como módulo complementar

1.0.0

• Primeira versão pública

---

Licença

Free