Funktioniert für jede Textsorte: Blogposts, LinkedIn-Beiträge, Newsletter, Werbecopy, Pitches, Berichte, E-Mails, Essays, Studienarbeiten. Tuning ist auf Deutsch — Englisch und andere Sprachen werden zwar erkannt, aber mit geringerer Trefferquote.
Aktuelle Version: anti-ai-writer.zip ↓ — direkter Download vom neuesten GitHub-Release.
Changelog, ältere Versionen und Source: github.com/e3xler/anti-ai-writer/releases
Du kannst den Skill auf drei Wegen nutzen. Wähl den, der zu deinem Setup passt.
anti-ki-review.skill. Cowork erkennt die Datei und fragt, ob du den Skill installieren willst — bestätigen.Falls der Doppelklick nichts tut: Cowork öffnen → Settings → Skills / Plugins → "Install from file" → die .skill-Datei auswählen.
Claude Code hat keinen Install-Befehl für einzelne Skills — du entpackst die .skill-Datei direkt in dein persönliches Skills-Verzeichnis:
unzip anti-ki-review.skill -d ~/.claude/skills/
Beim nächsten Claude-Code-Start steht der Skill zur Verfügung (in neueren Versionen sogar sofort, ohne Neustart).
Hintergrund: .skill-Dateien sind einzelne Skills. Wenn du mehrere Skills, MCPs und Commands bündeln willst, ist das .plugin-Format das richtige — das geht über Plugin-Marketplaces. Für diesen einen Skill reicht das direkte Entpacken.
Die beiden Kernfunktionen — Watermark-Cleaner und Stil-Linter — laufen auch als reine Python-Scripte. Keine Dependencies, Python 3 reicht.
# Versteckte Unicode-Zeichen erkennen und entfernen
python3 source/scripts/watermark_cleaner.py meintext.md --mode clean_basic --output sauber.md
# Stilistische KI-Muster scannen
python3 source/scripts/kadenz_linter.py meintext.md
Beide geben strukturiertes JSON zurück.
In Claude den Text reinpasten (oder als Datei anhängen) und einen der folgenden Trigger nutzen:
"Klingt das hier nach KI?"
"Review diesen Text auf KI-Muster."
"Mach das menschlicher."
"Versteckte Zeichen raus, KI-Sprache raus."
Der Skill aktiviert sich automatisch, sobald einer dieser Trigger auftaucht. Du musst nichts manuell starten.
Wann: Du willst wissen, ob ein Text nach KI klingt, bevor du irgendwas änderst.
Trigger:
Was du bekommst: Findings-Report mit Verdict (Klingt menschlich / Nacharbeit empfohlen / Klingt deutlich nach KI), einer Liste aller gefundenen Muster mit Zitaten und Fix-Vorschlägen — der Originaltext bleibt unangetastet.
Wann: Du willst beides — wissen, was nicht stimmt, und gleich eine bessere Version sehen.
Trigger:
Was du bekommst: Erst der Report, dann eine überarbeitete Fassung des Textes. Stellen, die ohne Domain-Wissen nicht zu fixen sind, werden mit [?] markiert statt erfunden.
Wann: Du weißt schon, dass der Text KI-lastig ist, und willst nur die saubere Version.
Trigger:
Was du bekommst: Direkt die umgeschriebene Version. Falls Stellen unklar sind, kommt eine kurze Notiz dazu.
Bisher hat der Skill KI-Muster rausgenommen. Dreierschläge, Phrasen, Puffery. Seit v1.1.0 baut er auch ein, was menschliche Prosa ausmacht — Eigenheiten, die LLMs systematisch unterlassen.
Vier Techniken greifen ineinander.
LLM-Output bleibt auffällig gleichmäßig im 12–20-Wörter-Korridor. Menschen schwanken stark. Der Skill schiebt einen Drei-Wort-Satz neben einen 28-Wort-Satz — nicht als Schema, sondern dort, wo der Inhalt es trägt.
Faustregel: In einem 100-Wort-Absatz mindestens ein Satz unter 5 Wörter, einer über 25. Liegen alle Sätze im selben 10-Wort-Korridor, ist das ein KI-Marker.
Statt der statistisch wahrscheinlichsten Verben und Substantive präzisere, seltenere Alternativen — sofern sie sachlich passen.
| Erwartbar | Weniger erwartbar |
|---|---|
| verbessern | schleifen, schärfen, zuspitzen |
| beeinflussen | verschieben, biegen, kippen |
| reduzieren | abschmelzen, abräumen, eindampfen |
| Problem | Knoten, Bruchstelle, Reibung |
| Veränderung | Ruck, Schwenk, Drift |
Caveat: Nur einsetzen, wenn die Bedeutung wirklich passt — sonst Bedeutungsverschiebung. Und Register-Check: „zugespitzt" geht in einer LinkedIn-Story, im Geschäftsbericht klingt es deplatziert. Dichte: 2–4 ungewöhnliche Wortwahlen pro 200 Wörter reichen.
Halbsätze als eigenständige Aussage. Selbstkorrektur mitten im Satz. Klammer-Einschübe. Gelegentlich konjunktional anfangen — was Schullehrer früher verboten haben.
BAD: "Das Konzept überzeugt nicht, weil es zu abstrakt ist."
FIX: "Das Konzept überzeugt nicht. Zu abstrakt."
BAD: "Die Migration war komplex und dauerte vier Wochen."
FIX: "Die Migration war komplex (komplexer, als der Plan vorsah)
und dauerte vier Wochen."
Eine pro Absatz reicht, höchstens zwei. Sonst ist es ein neues Muster — kein menschliches mehr.
Statt Wort für Wort zu glätten: ganze Phrasen-Bausteine ersetzen, die LLMs überproportional verwenden. Nominalstil → Verbalstil. Reihenfolge umstellen.
| LLM-typisch | Substitution |
|---|---|
| „spielt eine Rolle bei" | konkret machen, oder „wirkt auf" |
| „im Hinblick auf" | „bei", „für" |
| „darüber hinaus" | „außerdem", „und" |
| „eine Vielzahl von" | Zahl nennen, oder „viele" |
| „im Wesentlichen" | meist streichen |
| „es lässt sich festhalten" | streichen, direkt sagen |
BAD: "Vor dem Hintergrund dieser Entwicklung spielt die neue Plattform
eine zentrale Rolle bei der Transformation."
FIX: "Die neue Plattform trägt den Umbau."
Diese Technik verschiebt die statistische Signatur des Texts am deutlichsten — und ist trotzdem keine Garantie für Detektor-Bypass. KI-Detektoren arbeiten mit anderen Signalen (Perplexität, Burstiness, statistische Klassifikation), und stilistische Glättung garantiert dort nichts.
Der Skill arbeitet zwar mit beliebig langen Texten, aber bei sehr langen Dokumenten (über ~5.000 Wörter) lohnt sich eine kapitelweise Bearbeitung. Drei Gründe:
Schritt 1 — Vorbereitung (einmalig, ganzes Dokument)
Lade das gesamte Dokument einmal als Datei hoch und sag:
"Bitte nur Schritt 0 — versteckte Zeichen aus dem ganzen Dokument entfernen. Keine Stilanalyse. Gib mir die saubere Fassung zurück."
Das ist deterministisch und schnell. Du bekommst eine Version ohne Zero-Width-Spaces, BOM, NBSPs etc., bevor du in die inhaltliche Arbeit gehst. Speichere diese Fassung als Master.
Schritt 2 — Kapitelweise Stilarbeit
Pro Kapitel einen neuen Chat öffnen. So bleibt das Kontextfenster pro Kapitel maximal verfügbar.
In jedem Kapitel-Chat:
[?]."[?]-Stellen entweder die fehlende Info nachliefern oder die Stelle selbst überarbeiten.Schritt 3 — Schlusslektorat (ganzes Dokument)
Wenn alle Kapitel überarbeitet sind, lade das komplette Master-Dokument nochmal hoch und sag:
"Letzter Check — gibt es Stellen, wo Kapitelgrenzen sichtbar werden? Tonalitätsbrüche, doppelte Formulierungen, inkonsistente Fachbegriffe?"
Der Skill scannt dann auf Übergangs-Probleme, die bei kapitelweiser Arbeit entstehen können.
| Dokumentlänge | Vorgehen |
|---|---|
| Unter 1.000 Wörter | In einem Stück |
| 1.000–5.000 Wörter | Optional aufteilen, geht aber auch am Stück |
| 5.000–20.000 Wörter | Kapitelweise, pro Kapitel ein Chat |
| Über 20.000 Wörter | Kapitelweise, zusätzlich pro Kapitel-Chat regelmäßig "/clear" oder den Chat schließen und neu öffnen, wenn er voll wird |
[3]) und Markdown-Überschriften unverändert."Der Skill ist gut für: Du hast deine Hausarbeit selbst geschrieben oder die Argumentation selbst entwickelt, und willst die Stellen rausarbeiten, wo deine Sprache zu phrasenhaft, zu generisch oder zu "KI-typisch" wirkt — egal, ob das von KI-Hilfe kam oder einfach aus akademischer Schreibgewohnheit.
Der Skill ist nicht gut für: Eine komplett KI-generierte Arbeit als "eigene" einreichen. Erstens würde der Skill das nicht verstecken können — KI-Detektoren arbeiten mit Perplexität, Burstiness und statistischer Klassifikation, da hilft stilistische Glättung nur bedingt. Zweitens ist das an den meisten Hochschulen ein Täuschungsversuch mit klaren Konsequenzen. Wenn du Hilfe damit suchst, ist dieser Skill nicht das richtige Werkzeug, und der Skill selbst wird das im Chat auch ansprechen.
Praktische Empfehlung: Sei transparent gegenüber deiner Betreuung, wie und wofür du KI eingesetzt hast. Das ist heute an vielen Hochschulen explizit erlaubt, wenn es dokumentiert ist.
Funktioniert der Skill auch für Englisch? Eingeschränkt. Die strukturellen Muster (Rule of Three, Negation-Affirmation, Puffery) erkennt der LLM-Teil sprachübergreifend. Der mechanische Linter und das Vokabular sind aber auf Deutsch trainiert — bei englischen Texten gibt es weniger automatische Treffer.
Mein Text klingt nach dem Rewrite zu kurz / zu lang. Was tun? Sag es im Folge-Prompt: "Der Rewrite ist mir zu kurz, behalte mehr von der ursprünglichen Argumentation." Oder umgekehrt. Der Skill orientiert sich am Original, aber wenn der Originaltext viel Phrasen-Verpackung enthält, wird der Rewrite naturgemäß kürzer.
Was bedeuten die [?]-Marker im Rewrite?
Das sind Stellen, wo der Skill ohne dein Wissen nicht entscheiden konnte, wie eine konkrete Aussage zu formulieren ist. Beispiel: Aus "spielt eine entscheidende Rolle bei der Digitalisierung" wird [? Welche Rolle genau? Hier wäre eine Zahl oder ein konkreter Effekt hilfreich.]. Du füllst die Stellen mit echter Substanz, der Skill erfindet nichts.
Wie merke ich, ob mein Text wirklich "menschlich" klingt? Lauter Test. Lies den Rewrite laut vor. Wenn du an Stellen ins Stolpern kommst oder etwas "nach Werbetext" klingt, war der Rewrite noch nicht aggressiv genug — sag das im Folge-Prompt.
Was passiert mit Markdown-Strukturen (Überschriften, Listen, Code)? Der Skill behält sie standardmäßig bei. Wenn du dir nicht sicher bist, weise ihn explizit drauf hin: "Behalte alle Markdown-Strukturen unverändert, schreib nur Fließtext um."
Kann ich mehrere Texte gleichzeitig prüfen? Pro Chat ist ein Text empfohlen — sonst vermischen sich die Findings. Für Batch-Verarbeitung viele kurze Texte: pro Text einen neuen Chat aufmachen.
Aktuelle Version, Changelog und Source: github.com/e3xler/anti-ai-writer
Lizenz: MIT.
Kein Spam, jederzeit abbestellbar