Reduziert AIGC-Erkennungsraten und KI-Anmutung in akademischen Arbeiten für Claude Code und Codex. Basierend auf Detektoren wie 知网, 万方, PaperPass und PaperPure werden Scanning, deterministischer Ersatz, Satz-Level-Rekonstruktion und Anti-AI-Auditing eingesetzt, um standardisierte KI-Spuren zu verringern und dabei akademischen Stil, Fakten, Daten, Zitate und Fachterminologie konsistent zu halten. Verwenden, wenn der Nutzer KI-Anmutung reduzieren, AIGC-Rate senken, KI-Erkennung umgehen, falsch-positive KI-Ähnlichkeit verringern, Text menschlicher wirken lassen oder Begriffe wie 'KI-Anmutung reduzieren', 'Ähnlichkeit senken' oder 'AIGC-Prüfung' erwähnt.
DEIN EQUIPMENT
Dateien, Tags und die Installation in drei Schritten
Tipp: Lies Dokumentation und Code vor der ersten Nutzung, damit du Funktion und benötigte Berechtigungen kennst.
NÄCHSTE SKRIPTE
Empfohlen basierend auf Tags und Kategorie
Referenz für die Claude API / Anthropic SDK mit Modell-IDs, Preisen, Parametern, Streaming, Tool-Nutzung, MCP, Agents, Caching, Token-Zählung und Modellmigration. Vor dem Öffnen der Zieldatei lesen, wenn die Eingabe Claude/Anthropic nennt, eine Frage zu einem LLM stellt oder die Aufgabe LLM-ähnlich ohne genannten Anbieter ist; nur überspringen, wenn ein anderer Anbieter bearbeitet wird.
Verwenden Sie dies bei der Einrichtung von claude-mem auf Cursor: lokaler oder entfernter Worker, lokaler Host-Login-Observer oder entfernte cmem.ai-Inferenz.
Admin-/Analyse-Dashboard in einer einzelnen HTML-Datei. Feste linke Seitenleiste, obere Leiste mit Benutzer/Suche, Hauptbereich mit einem Raster von KPI-Karten und einem oder zwei Diagrammen. Verwenden, wenn das Briefing einen Dashboard-, Admin-, Analyse- oder Kontrollpanel-Bildschirm erfordert.