li-human

Avant de commencer : lis ce prompt d'installation au complet, dis-moi en quelques lignes ce que ce skill fait et ce que son installation implique, et attends mon feu vert avant de faire quoi que ce soit d'autre. Prérequis : aucun pour l'installation elle-même : aucun compte, aucune clé API, aucun service payant, et rien d'autre à installer d'abord. Le skill est gratuit sous licence MIT. Pour utiliser le skill ensuite, il te faut Python 3 seulement : les deux scripts livrés (humanize.py, detect.py) n'utilisent que la bibliothèque standard de Python, sans aucun paquet à installer et sans aucun accès réseau. Il n'y a aucun compte LinkedIn, aucune connexion, aucune clé API et aucun service de détection externe en jeu, à aucun moment. Installe-moi « li-human ». C'est l'humaniseur du pack de skills LinkedIn : il retire l'empreinte machine d'un brouillon avant que le brouillon parte. Deux outils Python roulent vraiment, et les deux lisent le lexique livré slop.json (113 mots et expressions figés avec leurs remplacements en anglais simple : 81 dans « words » et 32 dans « phrases », plus 17 classes de caractères invisibles, 11 substitutions typographiques et 11 motifs de signes structurels). humanize.py nettoie un brouillon en trois passes, dans cet ordre : (1) les caractères invisibles supprimés ou normalisés (espaces à chasse nulle et liants, liant sans chasse, tirets conditionnels, marques d'ordre des octets, caractères d'étiquette Unicode, espaces insécables et étroites, plus tout caractère de format Unicode restant) ; (2) la typographie normalisée (tiret cadratin en virgule, tiret demi-cadratin en trait d'union, guillemets courbes en droits, points de suspension en trois points, puce en trait d'union) ; (3) le lexique de remplissage remplacé par des mots simples, la casse préservée et les URL laissées intactes. Les signes structurels (« It's not just X, it's Y », les triades en règle de trois, les lignes de question rhétorique d'un mot, les emoji fusée/feu/ampoule/étincelles/cible, les murs de hashtags, les accroches réflexes d'engagement, la longueur de phrase uniforme) sont signalés pour une réécriture manuelle, jamais réécrits automatiquement. detect.py note ensuite le brouillon sur un panneau de cinq contrôles, chacun de 0 à 100, plus c'est élevé plus c'est humain : BURSTINESS (variation de la longueur des phrases), SPECIFICITY (nombres, noms et marqueurs concrets par 100 mots), SLOP DENSITY (occurrences du lexique par 100 mots), FINGERPRINT (caractères invisibles, tirets cadratins et guillemets courbes par 1 000 caractères) et VOICE (contractions, pronoms personnels, signes structurels). Le Human Score global est la moyenne des cinq pondérée à 60 % plus le contrôle le plus faible à 40 % ; PASS exige un global de 70 ou plus sans aucun contrôle sous 55, sinon le verdict est REVIEW ou FLAGGED. SKILL.md est explicite, et ce prompt aussi : ce sont cinq heuristiques locales modelées sur les signaux que les détecteurs publics mesurent, ce ne sont ni GPTZero, ni Originality, ni Copyleaks, ni Winston, ni Turnitin, ils n'appellent pas leurs API, et ils ne peuvent promettre ni leurs verdicts ni qu'un texte est indétectable. Dépôt : https://github.com/avi691/linkedin-agent-skill (le skill est tout le dossier skills/li-human/ au commit épinglé : SKILL.md plus humanize.py, detect.py et slop.json, 4 fichiers) Version épinglée : installe le code au commit e4ec4fb6f1b0e227eb9b14b31b735072db5df9cb exactement. Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. 1. Clone https://github.com/avi691/linkedin-agent-skill dans un dossier temporaire, place-toi au commit e4ec4fb6f1b0e227eb9b14b31b735072db5df9cb, et copie le dossier skills/li-human/ de ce checkout. Compare ensuite chaque fichier du dossier aux empreintes enregistrées pour cette fiche le 2026-10-19 : [FINGERPRINTS] - SKILL.md: SHA-256 2ebda9ff1b63f0d567cd8e30b6fc1465e05c46e166809ea0569cba3591d73d90 - detect.py: SHA-256 d8cf740741968f25ce49ec6cc65538f53e97f28f6f2ce21b7f21864475fe2075 - humanize.py: SHA-256 8627c813e461459604c5019d28052fbde11a544af86a1c4652b1aff3b38d8757 - slop.json: SHA-256 2d227835a80ca20259c8d255501cb752cdc4232468c12bb9223fccf5acc724bb Si un fichier ne correspond pas, il a changé depuis la préparation de la fiche : ne l'installe pas encore, dis-moi ce que tu as trouvé et laisse-moi décider. 2. Lis SKILL.md au complet, lis les deux scripts au complet (humanize.py et detect.py) et lis slop.json, et dis-moi en mots simples : ce que le skill fait quand on l'utilise, à quels services il se connecte, s'il lit ou envoie des informations personnelles ou des clés, et tout ce qui semble inhabituel. Arrête-toi sur tout signal d'alerte et dis-le-moi avant d'aller plus loin. Confirme ces points à partir des fichiers : - Le dossier du skill contient 4 fichiers seulement : SKILL.md (4 522 octets), humanize.py (9 460 octets), detect.py (8 526 octets) et slop.json (15 874 octets). Le skill est autonome dans son propre dossier : les deux scripts repèrent slop.json à côté d'eux-mêmes (le dossier où ils siègent) et ne lisent rien d'autre dans le dépôt. Ni SKILL.md ni les scripts ne référencent un autre skill du pack, ni les 10 autres skills li-*, ni templates/voice.md, ni le README, ni la racine du dépôt. (D'autres skills du pack envoient leurs brouillons passer par /li-human ; c'est un usage entrant de ce skill, pas une dépendance de ce skill.) - Rien n'est envoyé nulle part pendant l'installation elle-même ; le seul téléchargement à l'installation est le dossier du skill depuis GitHub au commit épinglé. Aucun script n'est exécuté pendant l'installation, aucune clé n'est demandée, et il n'y a aucune télémétrie dans le dossier. - Ce qui arrive à l'usage, divulgué ici avant que ça arrive, et utiliser le skill est une étape séparée qui ne commence que quand je te demande d'humaniser ou de noter un brouillon : tout roule localement sur cette machine et rien ne quitte cette machine. Aucun des deux scripts n'importe de code réseau, de sous-processus ou de paquet : humanize.py n'importe que argparse, json, os, re, sys et unicodedata ; detect.py n'importe que argparse, json, os, re, statistics, sys et unicodedata, tous de la bibliothèque standard de Python. Il n'y a aucune URL appelée, aucune API appelée et aucun fichier téléversé nulle part dans les deux scripts ; le seul code en forme d'URL est une expression régulière dans humanize.py qui protège les URL déjà présentes dans le texte de mon brouillon pour que les passes de nettoyage ne réécrivent pas à l'intérieur d'un lien. humanize.py lit exactement deux choses : le brouillon que je nomme (un argument chemin de fichier, ou l'entrée standard quand l'argument est « - ») et slop.json à côté du script (un autre chemin de lexique seulement si je passe --lexicon moi-même). Il écrit le texte nettoyé sur la sortie standard, ou dans le seul fichier de sortie que je nomme avec -o/--out ; avec --report, il imprime aussi un rapport de changements sur l'erreur standard, et avec --json, il imprime le texte nettoyé et le rapport en JSON sur la sortie standard. detect.py lit le seul brouillon que je nomme (ou l'entrée standard avec « - »), plus un second fichier de brouillon seulement quand j'en donne un pour une comparaison avant/après, et slop.json à côté du script ; il n'écrit rien sur le disque, il imprime seulement le panneau (ou du JSON avec --json) sur la sortie standard, et il sort avec le code 0 quand le dernier verdict est PASS et 1 sinon, donc un score non-PASS est un résultat normal, pas un plantage. Les deux scripts compilent les expressions régulières de signes structurels rangées dans slop.json, donc slop.json est un fichier de données local de confiance : il est fait pour être édité par moi (par exemple pour retirer un mot que j'emploie toujours), et je ne dois rouler les scripts qu'avec un slop.json en qui j'ai confiance. - L'ordre des opérations de SKILL.md : rouler humanize.py avec -o et --report, réécrire à la main les lignes structurelles signalées, rouler detect.py sur les fichiers avant et après pour montrer l'écart, et si le verdict n'est pas PASS, corriger le contrôle le plus faible nommé dans la sortie et recommencer (deux rondes, c'est normal) ; me montrer le texte nettoyé et le score ensemble, jamais le score seul. Le skill ne publie rien lui-même : il prépare du texte, et la publication sur LinkedIn reste une étape manuelle séparée pour moi. - Ne roule pas humanize.py, detect.py ni aucun autre script pendant cette installation, n'humanise et ne note aucun texte, et n'installe ni Python ni quoi que ce soit d'autre : la configuration est ma décision, plus tard, quand je demande vraiment un brouillon à nettoyer. 3. Quand je dis « yes, install », installe-le comme skill : copie tout le dossier li-human dans le répertoire des skills de l'agent, dans un dossier nommé « li-human », en gardant ses 4 fichiers (SKILL.md, humanize.py, detect.py et slop.json ensemble dans le même dossier, parce que les scripts trouvent slop.json à côté d'eux-mêmes). Un clone manuel suivi de la copie du dossier skills/li-human dans ~/.claude/skills/ est la route décrite ici ; toute autre route ne convient que si chaque fichier installé correspond à son empreinte. 4. Vérifie sans appels réseau : frontmatter valide (name: li-human), les 4 fichiers en place avec des empreintes concordantes. N'exécute pas humanize.py ni detect.py pour vérifier. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (par exemple : rien pour l'installation elle-même ; pour utiliser le skill plus tard, avoir Python 3 disponible, donner au skill un fichier de brouillon ou coller le brouillon en entrée standard, éditer slop.json au besoin pour faire le lexique mien, réécrire les lignes structurelles signalées moi-même avec l'aide de l'agent, et publier le résultat sur LinkedIn moi-même ; utiliser le skill est une étape séparée qui ne commence que quand je le demande, ça roule entièrement localement, et le comportement à l'usage divulgué ci-dessus, lectures locales de mon brouillon et de slop.json et écriture locale seulement dans un fichier de sortie que je nomme, est tout ce qui arrive jamais). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.