Code-Humanizer：AI代码去冗余Skill

背景

随着 AI 辅助编程工具的普及（如 Cursor、Claude、GPT 等），大量开发者采用 "vibe coding" 方式快速生成代码仓库，但随之而来的是代码质量急剧下降。AI 模型倾向于重复造轮子、不敢修改原函数导致 foo() 和 foo_v2() 同时存在、滥用 try: import ... except Exception: return "" 等方式屏蔽错误、为单一实现创建抽象接口、堆积大量冗余代码。虽然这些代码能跑、测试甚至能通过，但本质上以"跑通"为唯一导向，导致后续维护成本极高——10 万行代码中高质量的实现可能只需不到 10% 的代码量。

受 humanizer SKILL 启发，作者总结了 16 条带有检测信号和 before/after 的 pattern 目录，开发了 code-humanizer 项目，旨在专门优化 AI 生成代码仓库的"屎感"（石山问题），提升可维护性。

核心内容

code-humanizer 是一个针对代码仓库的优化 SKILL，提供两种工作模式：

1. read-only 仅审查模式：仅比对代码模式，输出审查报告，不对代码做任何修改（连报错类型这种小错也不顺手改）。
2. 修复模式：强制要求修改的代码功能必须已被测试覆盖；修复后重新运行测试，通过后才算完成，并立即执行一个 fix 一个 commit，确保每个修改稳扎稳打。

与市面上最成熟的竞品 desloppify（~3k 星）相比，desloppify 是一个重型的 pip CLI 工具，而非单文件 SKILL。code-humanizer 提供了 分阶段 repo-context 重复检测（先索引再判重）、test-gated 修复（测试门控修复）以及 severity/豁免纪律（严重度/豁免规则），这些都是现有工作所不提供的。

作者还指出，即使使用强模型（如 Fable 5 XHigh 模式）直接清理仓库，效果也不够好——因为没有纪律，不会按照预先总结的规则来直接匹配筛选，只能想到哪里做到哪里，质量难以保证。原文附带了 Fable 5 XHigh 模式运行的实验 VCR 链接作为佐证。

目前的知识规则覆盖了作者从自身编程体验、已有仓库、朋友讨论和 AI 总结中提炼的 16 条常见 AI 屎感模式，同时欢迎社区通过 issue 或回帖反馈新发现的模式，作者将持续迭代（也欢迎 PR）。

关键要点

• 问题定位：AI 生成的代码普遍存在重复造轮子、函数冗余、错误处理粗暴、不必要的抽象等"石山"问题，短期内能跑但长期维护成本极高。
• 核心功能：code-humanizer 提供只读审查和自动修复两种模式，修复模式强制绑定测试覆盖和测试通过后 commit。
• 差异化优势：相比 desloppify（重型 pip CLI），code-humanizer 是单文件 SKILL，并引入分阶段 repo-context 重复检测、test-gated 修复、severity/豁免纪律。
• 模型局限：即使使用 Fable 等强模型直接清理，也因缺乏纪律性规则而效果不佳，无法按照预定 pattern 进行精确匹配和修复。
• 规则来源：16 条 pattern 来自作者个人经验、仓库分析、朋友讨论和 AI 总结，并面向社区开放反馈以持续扩展。
• 使用方式：通过 LINUX DO 社区发布，获取链接在原文内，并附有实验 VCR 链接。

意义与影响

1. 代码质量治理：code-humanizer 针对 AI 生成代码的"屎感"提供了系统化、可复现的检测与修复方案，有助于提升开源或企业内部 AI 协助项目的长期可维护性。
2. 填补工具空白：相较于 desloppify 等通用型 CLI 工具，code-humanizer 以轻量 SKILL 形式提供分阶段检测和测试门控修复，更贴合现代 AI 工作流（如嵌入 Cursor/Copilot 等）。
3. 纪律性思路：强调"规则先行"而非"模型自由发挥"，为 AI 代码审查类工具提供了一种有效的设计范式，即通过人工总结的模式库驱动精准修复，而非依赖模型二次生成。
4. 社区共建：鼓励用户反馈新屎感模式并通过 PR 贡献，推动规则库迭代，可逐步形成覆盖更广的 AI 代码反模式知识库。
5. 警示作用：提醒开发者不要盲目信任 AI 模型生成的代码，即使强模型也无法避免堆屎，必须引入纪律性工具进行持续清理。