Как убрать следы ИИ текста: чистим маркеры нейросети промптом

Слова-маркеры нейросети: почему ИИ-текст палится с первой строки

ИИ-текст выдаёт не смысл, а ритм: монотонные тире в каждой второй фразе, связка «дело не в X, а в Y», обороты «важно понимать» и «давайте разберёмся», симметричные тройки пунктов и абзацы без личного опыта.

Причём модели не врут. Они пишут слишком ровно — как отличник, который ни разу не ошибся, ни разу не сказал «не знаю» и ни разу не привёл пример из своей шкуры. Именно эта стерильность и срабатывает как детектор.

Хороший разбор этой кухни есть на Хабре: как вычищали ИИ-маркеры из текстов Claude в два прохода. Я прогнал тот же чеклист по своим черновикам и получил наглядную статистику: в выжимке на 2000 знаков от Claude Opus 5.5 — 11 длинных тире, 4 связки «дело не в X, а в Y» и три абзаца подряд, построенных на тройках перечислений.

GPT-6.1 Sol грешит тем же, но с уклоном в «важно понимать» и «в сухом остатке». DeepSeek-V4 пафоса меньше, зато ритм ещё глаже: предложения почти одинаковой длины, как под линейку. Подборка маркеров из гайда про текст без запаха нейросети бьётся с этим один в один.

Маркеры живут на двух уровнях. Лексика — конкретные слова-паразиты: «важно отметить», «давайте разберёмся», «не просто X, а Y», «в сухом остатке». Синтаксис — сама машинная ритмика: тире через каждые две строки вместо точек и союзов, идеально симметричные списки, отсутствие коротких рубленых фраз и вводных «короче», «честно говоря».

Смотрите, как ломается ритм на одном и том же смысле.

До: «Важно понимать, что выбор инструмента — это не просто вопрос бюджета, а вопрос скорости. Дело не в цене, а в том, как быстро команда получит результат».

После: «Инструмент выбирают по скорости, а не по цене. Мы сравнили три сервиса на одном отчёте: разница по времени оказалась четырехкратной».

Второй вариант короче на треть, в нём убраны шаблонные конструкции вроде «дело не в X, а в Y», добавлена конкретика и цифры, а фраза звучит естественно и живо.

Хорошая новость: маркеры — это список, а значит, они чистятся регуляркой и одним проходом промпта. Как формулировать такие промпты, чтобы модель не переписывала смысл, я разбирал в материале про 5 формул промптов без терминов — оттуда и берётся второй проход.

Скрытые символы и улики в коде: что находят детекторы на самом деле

Скопированный из чата текст тащит невидимый мусор: символы нулевой ширины U+200B–U+200D, BOM U+FEFF, неразрывные пробелы U+00A0, «умные» кавычки, HTML-сущности и обрывки markdown. Это гигиена формата, а не криминалистика.

Разберёмся, откуда дрянь берётся. Веб-интерфейсы рендерят ответ в HTML, а при копировании браузер отдаёт вам не чистый plain text, а результат своей интерпретации разметки. Отсюда и  , превратившийся в живой U+00A0, и звёздочки-жирный-звёздочки, оставшиеся посреди абзаца.

Улика	Код	Откуда прилетает
Zero-width space / joiner	U+200B–U+200D	Рендер длинных конструкций, разделение «неудобных» слов
BOM	U+FEFF	Экспорт из DOCX, копипаст из старых CMS
Неразрывный пробел	U+00A0	 , вёрстка, типографика Word
Типографские кавычки и тире	U+2018–U+201D, U+2013/2014	Автозамена редактора и почти всех LLM
Остатки markdown	—	Копирование ответа без «copy as plain text»

Теперь неприятная правда. Ни один серьёзный детектор не ищет U+200B — он считает вероятность по перплексии, длине предложений и распределению частот. То есть выдаёт не приговор, а оценку с плавающей точностью: на смешанных текстах «человек + ИИ» ложные срабатывания доходят до 30–40%.

Проверка занимает минуту. В VS Code жмём Ctrl+F, включаем режим регулярки и ищем класс [\u200B-\u200D\uFEFF\u00A0] — редактор подсветит каждую заразу. В VS Code, кстати, есть неплохой трюк: открыть файл в режиме Hex-дампа через расширение, но для 99% задач хватает поиска.

Для пакетной обработки хватит десятка строк на Python и модуля unicodedata из стандартной библиотеки — никаких зависимостей:

import collections, unicodedata

SUSPECT = {'\u200b','\u200c','\u200d','\ufeff','\u00a0','\u202f','\u2060',
           '\u2018','\u2019','\u201c','\u201d','\u2013','\u2014'}

def audit(text: str) -> None:
    hits = collections.Counter(c for c in text if c in SUSPECT)
    for ch, n in hits.most_common():
        print(f"U+{ord(ch):04X} {unicodedata.name(ch, '?')} x{n}")
    cats = collections.Counter(unicodedata.category(c) for c in text)
    print(f"Cf: {cats['Cf']}  Zs: {cats['Zs']}")

def clean(text: str) -> str:
    return ''.join(c for c in text if c not in SUSPECT)
    
audit(open('draft.txt', encoding='utf-8').read())

Категория Cf (format) — это ровно те самые невидимки, Zs (space separator) — пробелы всех мастей. Если после чистки счётчики по нулям, а текст всё ещё «пахнет» нейросетью, значит проблема в конструкции фраз, а не в коде. Про это писал и автор разбора ИИ-маркеров Claude на Хабре — там про лексику и второй проход.

И последнее: инструмент не отменяет ответственности. Современные модели вроде Claude 5.5 от Anthropic (официальный сайт) или GPT-6.1 Sol в веб-интерфейсе отдают текст с типографикой по умолчанию. Хотите меньше чистить — сначала освойте промпты без лишней воды, а уже потом беритесь за регулярки.

Готовый промпт для чистки ИИ-текста: два прохода вместо одного

Чистка ИИ-текста делается в два прохода: сначала промпт-редактор переписывает форму по списку запретов, потом холодная вычитка добивает повторы, канцелярит и рваный ритм.

Один проход не работает. Модель послушно убирает длинное тире, но на его место тут же ставит «однако» и «стоит отметить». Формально запрет выполнен, а запах нейросети остался.

Ниже полный текст промпта, который я гоняю на лонгридах по 8-12 тысяч знаков. Копируйте целиком, правьте только имя модели.

Ты редактор-человек. Перепиши текст ниже так, чтобы он не читался как сгенерированный.

ЗАПРЕЩЕНО:
- длинное тире и любые тире-разделители; только запятая, двоеточие, точка, скобки
- связки: «важно понимать», «давайте разберёмся», «», «не просто X, а Y», «дело не в X, а в Y»
- симметричные тройки перечислений и три параллельных абзаца подряд
- финальные абзацы-итоги со словами «таким образом», «в заключение», «на этом всё»
- эмодзи, если их не было в исходнике

ТРЕБОВАНИЯ:
1. Чередуй длину предложений: 4, 9, 22, 6 слов. Минимум два коротких (до 6 слов) на абзац.
2. Любое обобщение меняй на конкретику: число, имя, версию, дату, бенчмарк.
3. Один риторический вопрос на 500 слов, не больше.
4. Факты, цифры, названия моделей, цитаты и ссылки сохраняй дословно. Не хватает данных, ставь [уточнить], не выдумывай.
5. Пиши от первого лица там, где уместно. Разговорные вставки разрешены.

ВЫВОД: только готовый текст, без пояснений и без списка правок.

Главная разница между моделями не в качестве слога, а в послушании запретам. GPT-6.1 Sol и Astra на моих 10 прогонах дали 9 чистых текстов из 10. Claude 5.5 Opus выжал 10 из 10, зато дважды дописал вывод, которого в исходнике не было.

Модель	Чистых прогонов из 10	Где ломается
GPT-6.1 Sol / Astra	9	Возвращает эмодзи и абзац-итог, любит симметричные тройки в списках
Claude 5.5 Sonnet	8	Добавляет вежливые вступления, смягчает прямые оценки
Claude 5.5 Opus	10	«Улучшает» смысл: дописывает факты и выводы
DeepSeek-V4	7	Переписывает числа и версии, если не запретить отдельной строкой

Разница в 2-3 прогона из 10 просто лечится: для Claude 5.5 Opus добавьте «не добавляй факты, которых нет в исходнике», для DeepSeek-V4 продублируйте запрет на правку цифр дважды. Базовые формулы формулировок я разбирал в материале Как писать промпты для ChatGPT: 5 формул без терминов.

Второй проход: холодная вычитка

Переписанный текст нельзя публиковать сразу. Второй проход ничего не сочиняет, только находит мусор:

Ты корректор. Ничего не переписывай заново. Найди и покажи списком:
1. повторы одного корня ближе чем через 100 знаков;
2. канцелярит: «является», «осуществляется», «в рамках», «данный», «посредством»;
3. три предложения подряд одинаковой длины;
4. абзацы, начинающиеся с одинаковых слов;
5. фразы, которые можно выкинуть без потери смысла.
Формат: цитата, проблема, замена. Правки вноси только после моего «ок».

Регулярки для VS Code, Notepad++ и Python: словарь замен по шаблонам

Рабочий словарь — это восемь regex-строк: тире и кавычки, фразы-связки, двойные пробелы, пустые абзацы и символы нулевой ширины. Прогон по папке занимает секунды и экономит часы ручной вычитки.

Ниже — таблица, по которой я правлю тексты после Claude 5.5, GPT-6.1 Sol и DeepSeek-V4. Держите её открытой рядом с редактором.

Что ищем (regex)	Чем заменяем	Где применять
Монотонные тире	Разбивка на 2 предложения с точкой	Ручная вычитка (длинное тире «—» по правилам сохраняем!)
[«»„“”]	" (прямые)	VS Code, Notepad++
дело не в (.+?), а в (.+?)	ручная переформулировка	только с diff-просмотром
(важно понимать|стоит отметить|таким образом|давайте разберём)	пусто ""	VS Code (Alt+R), Notepad++
[ \t]{2,}	один пробел	везде, включая Python
\n{3,}	\n\n	только slurp-режим
[ \t]+$	пусто	VS Code, Python re.M
[\u200B\uFEFF\u00A0]	пробел или пусто	Python, Perl -CSD

В VS Code жмите Ctrl+H, включайте Alt+R (режим regex) и не забывайте про Ctrl+Shift+F — поиск и замена сразу по всей папке. В Notepad++ та же логика, но массовая замена живёт на вкладке «Replace in Files».

Для папки с сотней .md я гоняю perl-однострочник с бэкапом. Обратите внимание на -0777 — именно он позволяет ловить пустые абзацы через строки:

find . -type f -name "*.md" -print0 \
  | xargs -0 perl -CSD -i.bak -0777 -pe '
        s/[\x{00AB}\x{00BB}\x{201E}\x{201C}\x{201D}]/"/g;
    s/[\x{200B}\x{FEFF}\x{00A0}]/ /g;
    s/[ \t]{2,}/ /g;
    s/[ \t]+$//gm;
    s/\n{3,}/\n\n/g;
  '

Каждый файл получает копию .bak, а diff показывает, что реально изменилось. На тексте в 3 000 знаков у меня обычно ловится 40–60 маркеров — и примерно треть из них это невидимые U+200B.

Теперь про главную ловушку — жадные квантификаторы. Шаблон дело не в (.+), а в (.+) без знака вопроса дотянется до последней запятой в абзаце и снесёт весь абзац целиком. Всегда ставьте ленивый +? или, лучше, ограничивайте набор: [^.\n]+?.

Кстати, реальный кейс с разбором маркеров Claude и второго прохода подробно описан в этом разборе на Хабре — полезно сверить свой словарь замен с чужим опытом.

Сравнение: инструменты, модели и что реально убирает следы ИИ

Короткий ответ: браузерные чистилки (Wertigo, Wipe AI, oh My Toolbox) вырезают только скрытые символы и мусорную разметку, LLM-редакторы (GPT-6.1 Sol, Claude 5.5, Gemini 3.0) правят стиль — а полностью «убрать следы ИИ» не закрывает ни один инструмент.

Все решения на рынке делят работу на три слоя: символы, стиль, факты. Утилиты берут первый слой. Модели — второй и третий. Никто не берёт все три сразу.

Инструмент / модель	Тип правки	Форматы	Цена	Ключевое ограничение
Wertigo (remove-ai-traces)	Символы: невидимые метки, лишние пробелы, типографика, HTML-сущности	TXT, вставка из буфера	Бесплатно	Стиль и канцелярит не трогает
Wipe AI	Символы: водяные знаки, артефакты форматирования	TXT, DOCX	Бесплатно, браузер	Работает в один проход, без контекста
oh My Toolbox	Символы: zero-width, неразрывные пробелы, HTML-сущности, случайная разметка	TXT, HTML	Бесплатно	Нет факт-контроля и анализа стиля
GPT-6.1 Sol / Astra	Стиль + факт-контроль	TXT, DOCX и HTML — через API/коннекторы	Подписка от ~$20/мес или оплата по токенам	Сам генерит маркеры, если промпт слабый
Claude 5.5 Opus / Sonnet	Стиль + факт-контроль, длинный контекст	TXT, DOCX, HTML (файлы/артефакты)	Подписка ~$20–200/мес, API по токенам	Любит «дело не в X, а в Y» и длинные тире
DeepSeek-V4	Стиль, слабее факт-контроль	TXT, API-пайплайны	Самый дешёвый API в таблице	Канцелярит и шаблонные связки лезут сами
Gemini 2.5 / 3.0	Стиль + факт-контроль, контекст до 1M токенов	TXT, DOCX, HTML через Workspace	Бесплатный тариф + подписка	Тянет буллеты и «умные» заголовки

Смотрите, что получается на практике. Утилита за секунду снимает нулевые символы и следы копипаста из веб-верстки — это ровно та «улика в коде», которую ищут детекторы. Но вернуть живой ритм фразы она не может физически.

Модель, наоборот, разбирает синтаксис: режет «важно понимать», расставляет короткие абзацы, убирает машинную симметрию. Именно так работает второй проход — разбор вычистки ИИ-маркеров из текстов Claude на Habr это хорошо показывает.

Форматы — отдельная боль. Wipe AI единственный из утилит тянет DOCX, остальные живут вставкой текста. Модели работают с любым форматом, но платите вы токенами и временем на перегенерацию.

Если хочется снизить число правок ещё до генерации, начните с промпта — 5 формул промптов без терминов помогают сразу запретить модели любимые конструкции.

Чеклист публикации и что об этом думает поиск

Поиску важен не «процент ИИ» в тексте, а польза, экспертность и оригинальность. Рерайт ради обхода детекторов позиций не добавляет: Google оценивает контент, а не маркеры.

Разбор AI-детекции от SEOquick раскладывает все улики на три слоя. Первый — фразы-маркеры в тексте. Второй — машинная логика: идеально симметричные абзацы, «правильные» переходы, отсутствие живых отступлений. Третий — спецсимволы в коде: невидимые символы нулевой ширины, неразрывные пробелы, HTML-сущности.

Детекторы цепляются за все три, но поиск — нет. Google смотрит на пользу, экспертность и оригинальность. Пустой, но «чистый» текст не выедет в топ только потому, что вы вычистили длинные тире.

Шаг	Что делаем	Чем
1. Технический прогон	Срезаем zero-width, неразрывные пробелы, сущности	Wertigo, Wipe AI
2. Промпт-редактор	Просим переписать живым тоном, убрать штампы	GPT-6.1 Sol, Claude 5.5
3. Регулярки	Добиваем «дело не в X, а в Y», «важно понимать»	regex в редакторе
4. Ручная правка	Фактчекинг цифр, ссылок, названий версий	глаза и первоисточники
5. Вычитка вслух	Спотыкаешься — переписывай	рот

Промпт-редактор удобнее собирать по готовым формулам — мы разбирали их в материале Как писать промпты для ChatGPT: 5 формул без терминов. А живой кейс с двумя проходами и правкой маркеров Claude есть на Хабре.

Финальный ритуал публикации выглядит так: технический прогон → промпт-редактор → регулярки → ручная правка и фактчекинг → вычитка вслух. Пять шагов, 15–20 минут на средний лонгрид.

Формат и версии моделей сверяем с официальной документацией Anthropic — чтобы не назвать вчерашнее поколение новинкой. Пропустили этот шаг — получили минус к экспертности, который никакая регулярка не отмоет.

Часто задаваемые вопросы (FAQ)