--- name: ellmos-ai/llm-text-hygiene source: https://app.decimal.ai/s/ellmos-ai-llm-text-hygiene@1/SKILL.md source_sha256: 53d4d2ad1067 --- llm-text-hygiene banner > **Deutsch** — Offizielle Deutsch-Version / Documento Oficial en Deutsch. > **English Translation** — Official English version of `llm-text-hygiene`. # LLM-Text-Hygiene — KI-Spuren aus fertigen Texten entfernen (Deutsch) ## Übersicht & Zweck KI-gestützt entstandene Texte sammeln Rückstände, die im Entwurf unsichtbar bleiben und erst im publizierten Dokument peinlich werden: Gesprächsfetzen aus der Chat-Session, Regieanweisungen, die aus der Argumentationsstruktur herausfallen, Danksagungen an das Sprachmodell, stehengebliebene Platzhalter, aufdringliche LLM-Stilmuster — und eine AI-Disclosure, die fehlt, falsch platziert oder nicht mehr wahr ist. Dieser Skill ist der systematische Reinigungs-Pass davor: prüfen, konservativ bereinigen, Disclosure richtig stellen. **Er verändert nie die Substanz** — er entfernt, was nicht Teil des Werks ist. ## Prüfkatalog Fünf Befundklassen, von eindeutig (direkt fixen) nach heikel (nur markieren): ### 1. Chat-Residue und Regieanweisungen (eindeutig → streichen/ausbessern) Sätze, die zur ENTSTEHUNG des Texts gehören, nicht zum Text: „Wie besprochen lassen wir diesen Teil im Paper, da …", „Hier ist der überarbeitete Abschnitt:", „Gerne ergänze ich …", übrig gebliebene Prompt-Fragmente, Meta-Kommentare an den Auftraggeber. **Erkennungsprinzip:** Der Satz fällt aus der Text- und Argumentationsstruktur heraus — er adressiert eine Gesprächssituation statt den Leser. Beim Streichen prüfen, ob ein inhaltlicher Rest gerettet werden muss (Begründung in Fußnote/Text überführen). ### 2. Platzhalter und Baustellen-Marker (eindeutig → auflösen) `[TODO: …]`, `[Referenz einfügen]`, `XXX`, ``, leere Abschnitte mit Überschrift, „(Quelle?)". Auflösen oder — wenn nicht auflösbar — als echte offene Aufgabe in die Projekt-TODO überführen und aus dem Deliverable entfernen. ### 3. LLM-Danksagungen und Anthropomorphes (eindeutig → entfernen) Danksagungen an ChatGPT/Claude/Gemini & Co. gehören nicht in die Danksagung — Werkzeuge werden nicht bedankt, ihr Einsatz wird in der AI-Disclosure deklariert. Ebenso entfernen: anthropomorphe Formulierungen über das Werkzeug („die KI schlug freundlicherweise vor"). ### 4. AI-Disclosure (prüfen → korrigieren) - **Vorhanden?** Wenn das Dokument KI-gestützt entstand und Venue/Projekt eine Disclosure verlangt oder vorsieht: existiert der Abschnitt? - **Korrekt?** Beschreibt sie den tatsächlichen Einsatz (nicht unter-, nicht übertrieben)? Nutzt sie das Disclosure-Schema des Projekts/der Venue, falls eines definiert ist (z. B. abgestufte Level)? - **Richtig platziert?** An der venue-üblichen Stelle (Methoden/Acknowledgements-Umfeld/ eigener Abschnitt), identisch in allen Sprachfassungen. ### 5. LLM-Stilmuster (heikel → nur klare Fälle fixen, Rest markieren) Formelhafte Übergänge („Zusammenfassend lässt sich sagen", „Es ist wichtig zu betonen"), Aufzählungs-Inflation wo Fließtext hingehört, „nicht nur … sondern auch"-Ketten, Gedankenstrich-Dichte, Hedging-Floskeln, im Englischen die bekannten Marker (u. a. „delve", „tapestry", „it's worth noting"). **Vorsicht:** Stil ist Urheber-Territorium — nur eindeutige Formelhaftigkeit glätten, alles andere als Befundliste an den Autor geben statt den Text umzuschreiben. Ein menschlich klingender Text ist nicht das Ziel des Skills; das Ziel ist ein Text ohne Fremdkörper. ## Ablauf 1. **Scope klären:** Welche Deliverables (Dateien), welche Sprachfassungen? Änderungen IMMER synchron über alle Fassungen (Abgleich: `bilingual-doc-sync`). 2. **Mechanischer Scan:** Volltextsuche nach den Signal-Mustern (Tabelle unten) — billig, findet Klasse 2/3 und Teile von 1 zuverlässig. 3. **Lese-Pass:** Das Dokument entlang der Argumentationsstruktur lesen — Klasse-1-Funde erkennt man nur strukturell (Satz adressiert Gespräch statt Leser). Besonders prüfen: Abschnittsanfänge/-enden, Danksagungen, Einleitung/Fazit (dort landet Residue zuerst). 4. **Bereinigen:** Klassen 1–3 direkt fixen (konservativ, Substanz erhalten), Klasse 4 korrigieren, Klasse 5 als Befundliste ausgeben; nur eindeutige Fälle direkt glätten. 5. **Dokumentieren:** Was gefunden/geändert/nur markiert wurde — bei Papern mit Versionierungspflicht vermerken, ob eine neue Version/ein Re-Upload nötig wird. 6. **Periodisch über einen Bestand:** mit `rotation-check` kombinieren (ein Dokument/ Projekt pro Lauf, Registry als Gedächtnis). ## Signal-Muster für den mechanischen Scan | Klasse | Suchmuster (DE) | Suchmuster (EN) | | --- | --- | --- | | Chat-Residue | „wie besprochen", „wie gewünscht", „hier ist", „gerne", „im Chat", „wie du sagtest", „lassen wir" | "as discussed", "as requested", "here is the", "I have added", "per your" | | Platzhalter | `TODO`, `XXX`, `[…einfügen]`, `<…>`, „Quelle?" | `TBD`, `[insert`, `placeholder`, `citation needed` | | LLM-Dank | „Dank an ChatGPT/Claude/Gemini", „mithilfe von KI erstellt" (außerhalb Disclosure) | "thanks to ChatGPT/Claude", "grateful to the AI" | | Stilmarker | „zusammenfassend lässt sich", „es ist wichtig zu betonen", „nicht nur … sondern auch" | "delve", "tapestry", "it's worth noting", "in conclusion" | Die Tabelle ist Startpunkt, kein Filter-Ersatz: Muster liefern Kandidaten, die Entscheidung fällt im Kontext (Schritt 3–4). Für rein mechanische Zeichen-Hygiene (Emoji-Scan, Steuerzeichen, kaputte Umlaute) vorhandene Werkzeuge nutzen — Encoding-Schäden sind `encoding-fix`-Territorium, nicht dieses Skills. ## Beispiel & Anwendung ```text Auftrag: „Prüf das Paper vor dem Upload auf KI-Rückstände." 1. Scope: paper_de.tex + paper_en.tex. 2. Scan: 1× "as discussed" (EN, Abschnitt 4), 1× "[TODO: Referenz Smith]" (beide), Danksagung erwähnt "wertvolle Hilfe von Claude". 3. Lese-Pass: In der Einleitung ein Satz, der den Reviewer direkt adressiert („Diesen Einwand behandeln wir wie gewünscht in 3.2") → Regieanweisung. 4. Fixes: Regieanweisung gestrichen (Inhalt steckte schon in 3.2), TODO als Aufgabe in TODO.md überführt + Platzhalter entfernt, LLM-Dank gestrichen, stattdessen AI-Disclosure-Abschnitt auf tatsächlichen Einsatz präzisiert — alles in DE und EN. 5. Vermerk: inhaltliche Änderung → neue Paperversion nötig, in TODO.md eingetragen. ``` ## Red Flags | Gedanke | Realität | | --- | --- | | „Ich schreibe den Text gleich flüssiger" | Substanz und Stimme gehören dem Autor — der Skill entfernt Fremdkörper, er poliert nicht. | | „Stilmarker gefunden → löschen" | Klasse 5 wird markiert, nicht automatisch umgeschrieben; nur eindeutige Formelhaftigkeit glätten. | | „Die deutsche Fassung reicht" | Residue sitzt oft nur in EINER Fassung — immer alle Sprachfassungen prüfen und synchron halten. | | „Disclosure raus, dann ist es sauber" | Falsch herum: LLM-Dank raus, korrekte Disclosure REIN — Verschleiern ist keine Hygiene. | ## Verwandte Skills - `encoding-fix` — Byte-/Encoding-Reparatur (Mojibake); dieser Skill hier arbeitet auf Inhaltsebene. - `bilingual-doc-sync` — Synchronhaltung der Sprachfassungen, in die Fixes eingepflegt werden. - `rotation-check` — Gerüst für den periodischen Lauf über einen Dokumentbestand. - `textproduction` — Text-Erzeugung (dieser Skill ist die QA danach). ## Änderungsprotokoll ### 1.0.0 (2026-07-04) - Initiale Version. Abstrahiert aus der Codex-Automation „research-llm-muster-check" (Chat-Anteile in Papern, LLM-Danksagungen, AI-Disclosure) und auf beliebige Deliverable-Texte verallgemeinert; Prüfkatalog um Platzhalter, Stilmuster und Scan-Signaltabelle erweitert.