Десять плагинов Claude для статей: отбор на октябрь 2026

Нейросетевой текст выдаёт себя быстро. Сначала идёт разгон перед мыслью, потом три прилагательных в ряд, а в конце вывод, пересказывающий тот же абзац. Читатель считывает приём со второй строки и перестаёт доверять всему остальному. Правки руками тут работают, только объяснять модели одни и те же правила заново приходится в каждом чате.

К 2026 году всё это упаковали в плагины и навыки для Claude. Один навык работает редактором и держит каталог машинных оборотов. Второй подключается как соавтор и не даёт писать без контекста. Третий набор отвечает за обложки и иллюстрации, отдельный конвейер ведёт блог и проверяет материал перед выдачей. На GitHub таких репозиториев сотни: запрос по humanizer и skill находит 699 проектов, по claude, writing и skill — ещё 1874. У самого заметного 55 тысяч звёзд.

Я открыл README, файлы навыков и манифесты у двух десятков проектов и выбрал десять, полезных тому, кто пишет статьи. Отдельно проверял, какой из них тянет русский текст, ведь почти все делались под английский. Звёзды, версии и даты я снял с GitHub 9 октября 2026 года. Сам я этими инструментами месяцами не пользовался. Ниже всё из документации и исходников, и если автор что-то обещает, я пишу прямо: обещает.

Навык (skill) — это просто папка, а внутри файл SKILL.md. В шапке у него два обязательных поля, имя и описание, а дальше лежит инструкция для модели. Рядом допустимы справочники и скрипты. В памяти модель держит только описания уже поставленных навыков, а целиком подгружает тот, который подошёл задаче. Формат открытый, зовётся Agent Skills, поэтому один навык идёт и в Claude Code, и в Codex, и в Cursor, и в десятки других агентов.

Плагин уровнем выше. Внутрь такого пакета помещаются навыки, слэш-команды, субагенты, хуки и связи с внешними сервисами по протоколу MCP. Ставится он целиком, целиком же и обновляется.

Маркетплейс — это каталог плагинов, то есть репозиторий с файлом marketplace.json. Каталог Anthropic подключается в Claude Code по умолчанию, чужие добавляются одной командой.

Одна цифра тут важна. На 9 октября в официальном каталоге 315 плагинов. Разработке отданы 123 из них, продуктивности 69, базам данных 39. Ни один не заточен под работу над текстом статьи. Автору из полезного пригодятся поиск Exa, а также подключения к Notion и Canva. Всё остальное, о чём речь ниже, живёт в сторонних репозиториях, где у каждого автора свои понятия о качестве.

Claude Code: способ через плагин. Внутри сессии хватает двух команд: сперва добавляем каталог, затем ставим из него плагин. Сначала /plugin marketplace add blader/humanizer, после чего /plugin install humanizer@humanizer.

Вторая команда не устанавливает плагин молча. Она показывает карточку со списком того, что приедет: навыки, команды, хуки, серверы MCP. Там же спрашивают область действия. Выбора три: на вас во всех проектах, на всех участников репозитория или только на вас в этом репозитории. Настройки у терминала, десктопа и расширения VS Code общие, поэтому плагин, поставленный в одном месте, виден в двух других. А в облачных сессиях на claude.ai/code браузерных плагинов нет.

Второй путь: любой агент через Skills CLI. Утилита npx skills сама находит установленных агентов и уточняет, куда положить навык. Дальше строка npx skills add blader/humanizer --global --agent claude-code. Если флаг --global не поставить, навык осядет только в текущем проекте. Дорога это самая переносимая, и часть авторов считает её главной.

Третий путь: приложение Claude, архивом. В браузере и на десктопе навык грузят как ZIP: раздел Customize, вкладка Skills, плюс, Create skill, Upload a skill. Тариф не важен, работает и на бесплатном, но в настройках надо включить Code execution and file creation. Папка с навыком обязана оказаться в корне архива. Скачанный целиком архив репозитория, который GitHub отдаёт кнопкой Download ZIP, годится не всегда: у humanizer-ru навык запрятан глубже, и автор выкладывает отдельный готовый файл. В части README путь описан устаревшим способом, через Settings и Capabilities.

Критериев четыре. Навык именно правит текст, а не сочиняет заново и не придумывает факты. Механика у него проверяемая: список правил, оценка или скрипт. Репозиторий живой, то есть правки свежие. И поставить его реально без серверов, ключей и подписок хотя бы в базовом режиме.

Звёзды в списке стоят только для ориентира. Места я расставлял сам, с прицелом на того, кто пишет по-русски. Оттого на первом месте проект с 427 звёздами, а не с 55 тысячами.

Единственный в десятке, кто сделан под русский язык с чистого листа. Лицензия MIT, версия 3.31.3, публикует его автор под ником ilyautov.

Внутри каталог на 67 признаков машинного текста и 21 жёсткий запрет. Запреты узнает любой, кто читал тексты нейросетей: «В современном мире», «Стоит отметить, что», «Раскрыть потенциал», «Комплексный подход». Признаки тоньше: канцелярит, кальки с английского, нагромождение причастий, одинаковая плотность абзацев, мораль в финале.

Разница прежде всего в самой процедуре. Текст навык не переписывает. Он помечает отдельные места, по каждому решает, оставить, объяснить яснее или срезать, а после сверяет результат с исходником по утверждениям. Режима четыре: редактура, аудит без правок, работа с одной категорией точечно и тихая проверка русских черновиков, которые агент написал сам.

В комплекте идёт сканер на Python. Он выставляет тексту оценку чистоты от 0 до 100, модели для этого не нужно, поэтому на одном и том же тексте балл выходит одинаковый. Тот же сканер поднимают как сервер MCP с двумя инструментами. scan_text отдаёт балл и найденные обороты с позициями. compare_texts сверяет «было» и «стало» и показывает, добавились ли после правки числа, даты, имена и ссылки и уцелели ли прежние. Для текста с фактурой второй инструмент важнее первого.

Ставится это так: /plugin marketplace add ilyautov/humanizer-ru, следом /plugin install humanizer-ru@ilyautov-plugins.

Проверить без установки можно прямо на сайте проекта: сканер там работает в браузере, и текст никуда не уходит.

Оговорки две. По умолчанию навык срезает все длинные тире. Если вам нужна издательская типографика, предупредите его прямо, иначе статья вернётся с запятыми вместо тире. И балл сканера ничего не сообщает об авторстве. Автор и сам это пишет: высокий балл удачную редактуру не гарантирует, итог всё равно надо перечитывать.

У проекта 55,1 тысячи звёзд, MIT, а автор blader. Появился он 18 января 2026 года, и почти все остальные проекты этого рода, включая русские, называют его отправной точкой. Обзор Analytics Vidhya от 5 августа приводит 33,7 тысячи звёзд, а за два месяца набежало свыше двадцати тысяч.

Правила выводят из страницы «Signs of AI writing» в Википедии: по ней редакторы энциклопедии отсеивают сгенерированные правки. В текущей версии 26 паттернов в шести группах. В августе их было 33, каталог с тех пор пересобрали. Пять сильнейших навык правит при первом же появлении:

Часть остальных помечена как слабые. Одно тире или один пассив ничего не значат: важен только масштаб.

Три решения в этом навыке я бы отметил. Он показывает работу: первый вариант, короткую критику того, что всё ещё звучит искусственно, и финал. Он не выдумывает: если фразе недостаёт конкретной детали, навык попросит её у автора. И он умеет работать с файлом, меняя только прозу и не трогая код, шапку и адреса ссылок. По образцу подстраивается и голос, для чего довольно двух или трёх абзацев вашего текста.

Там, где другие авторы молчат, README честен. Навык ставит целью одно: чтобы человеку текст читался легко. Про обход детекторов речи не идёт, и большинство правок детекторы всё равно ловят. Слепой тест, о котором пишет автор, небольшой: 16 сравнений, и во всех судьи выбрали правку вместо исходника.

Плагину требуется Claude Code не старее 2.1.142. В приложении Claude можно обойтись скачиванием репозитория архивом и загрузкой его как навыка. На русском он работает лишь отчасти, разговор об этом ещё впереди.

У репозитория anthropics/skills 180 тысяч звёзд, однако перед нами скорее витрина формата, чем набор для пишущего человека. Автору статей из плагина example-skills пригодится всего один навык из 12, doc-coauthoring.

Работает он по сценарию из трёх шагов. На первом модель собирает контекст: кто читатель, какого результата вы ждёте от текста, есть ли шаблон. Затем она просит выгрузить всё, что вам известно по теме, в произвольном порядке. Второй этап собирает документ по разделам, каждый с вариантами и правкой. Третий этап самый полезный, и прибегают к нему редко: готовый текст отдают новому экземпляру Claude без контекста, следя за тем, что тот поймёт не так. Так находятся дыры, которых автор не видит, потому что слишком хорошо знает предмет.

Навык писали под спецификации и служебные документы, но большой статье схема подходит так же. За форматы служебных рассылок и отчётов отвечает соседний internal-comms. Word, PDF, PowerPoint и Excel обслуживает второй плагин, document-skills. Эти четыре навыка открыты для чтения, но свободной лицензии у них нет.

Ставить в приложении Claude ничего не придётся: Anthropic уверяет, что на платных тарифах эти навыки уже есть. Прочитать стоит одну оговорку в README. Опубликованы они как демонстрация, а в продукте Claude может вести себя иначе.

У проекта 53,9 тысячи звёзд, MIT, а написал его Кори Хейнс. Набор включает 50 навыков для маркетолога продукта, от аудита SEO до ценообразования. Автору статей нужны будут четыре из них: copywriting, copy-editing, content-strategy и social.

Из них сильнее всех copy-editing. Текст проходит семь последовательных проверок, и у каждой свой вопрос:

Пройдя один проход, навык возвращается к предыдущим и проверяет, не испортил ли он их. Идёт и отдельный блок с проверкой машинных оборотов по точным правилам: вопрос с ответом самому себе, двоеточие перед «откровением», перечень из трёх отрицаний. Один тамошний совет подойдёт для любого языка. Замена на синонимы плодит свежие штампы, так что нужно вернуться к самому факту и строить фразу из него. Когда факта нет, навык оставляет метку [NEED: ...] и ничего не придумывает.

Каждый навык набора первым делом читает общий документ product-marketing, где описаны продукт, аудитория и позиционирование. Заполнить его нужно единожды, иначе все советы окажутся общими.

Границы у него очевидны. Набор заточен под англоязычный маркетинг софта: посадочные страницы, рассылки, запуск продукта. Для колонки или технического разбора добрая половина проходов окажется лишней. Существует проект на средства партнёров. Интеграции этих партнёров перечислены открыто и стоят отдельно от основных навыков.

4,9 тысячи звёзд, MIT, обновление датируется 8 октября. Если humanizer полагается на суждение модели, то здесь всё построено на механике. Каталог насчитывает 74 категории паттернов, а таблица замен охватывает 112 слов в трёх уровнях. Слова первого уровня отмечают всегда, второго при скоплении, третьего только при большой плотности.

Три режима:

Плюс пять профилей голоса и отдельный скрипт-детектор, выставляющий балл прямо из командной строки.

Установку под Cowork автор расписал подробно. Там подхватываются навыки только из установленных плагинов, так что копия, просто положенная в папку ~/.claude/skills, не обнаружится.

И правила, и детектор настроены на английский, и README признаётся в этом с первых строк. На русском тексте от словаря замен толку нет.

18,6 тысячи звёзд, лицензия MIT. Это крупный плагин для аудита сайтов: 26 вложенных навыков и 19 субагентов. Автору статей пригодятся из него три команды.

/seo content-brief <тема> готовит бриф: целевые запросы, структура, внутренние ссылки. /seo content <адрес> разбирает готовую страницу по критериям E-E-A-T из руководства для асессоров Google. /seo geo <адрес> смотрит, насколько текст годится для цитирования в ответах нейросетевого поиска.

Без третьей команды не обойтись. Она разворачивает изолированное окружение Python и ставит браузер Chromium — тот нужен для рендера страниц. Без ключей Google плагин всё же работает, вот только скорость загрузки он мерит лабораторно, а не по полевым данным.

Весь плагин заточен под Google. В README о Яндексе не сказано ни слова, поэтому для Рунета это инструмент проверки структуры и полноты текста. Семантику под Яндекс он не соберёт.

26,5 тысячи звёзд, MIT, автор Баоюй (JimLiu). В наборе больше двадцати навыков, и они закрывают то, чем остальные проекты не занимаются: всё вокруг текста.

Потребуются Node.js и умение запускать npx bun. Картинки рисует не Claude. Навык генерации обращается к внешним моделям (OpenAI, Google, OpenRouter, Replicate и другим), и ключ одной из них придётся завести.

Автор сам предупреждает не ставить всё сразу: каждый лишний навык при каждом запуске съедает место в окне агента. Есть в наборе и навыки для публикации, только рассчитаны они на X, WeChat и Weibo.

В репозитории knowledge-work-plugins (28 тысяч звёзд, лицензия Apache 2.0) собрано 11 плагинов по профессиям. Изначально их делали для Cowork, однако ставятся они и в Claude Code. Семь команд даёт плагин marketing, и две из них посвящены текстам.

/draft-content собирает черновик из короткого брифа: тип материала, тема и аудитория, основные мысли, тон, объём. /brand-review проверяет готовый текст на соответствие голосу бренда, терминологии и стилевому руководству. Руководство прописывается единожды, в локальном файле настроек, и дальше обе команды берут его оттуда сами, без напоминаний.

Плагин собран из Markdown и JSON, кода внутри нет. Авторы прямо называют его отправной точкой: под свою компанию её всё равно придётся переписать. Пример из README обещает «заголовок, который цепляет, вступление с крючком, подзаголовки под SEO, понятный призыв к действию». Это описание того самого шаблонного текста, который вычищают проекты с первых двух мест, так что смысл в этом плагине есть только в паре с редактором. Ещё одна деталь из документации: автообновление для этого каталога по умолчанию выключено.

Версия 2.2.0 от 26 августа, 2,3 тысячи звёзд, MIT. Автор тот же, что и у claude-seo, а размах не меньше: 30 команд /blog, 252 теста, пять субагентов.

Идея в том, что автор не должен быть первым рецензентом. Каждый черновик проходит пять проверок до того, как его покажут человеку:

Рецензент ставит балл по шкале в 100 пунктов. Ниже 90 черновик уходит на доработку, попыток три.

Python нужен версии 3.11 или выше. Обложка добывается плагином по цепочке источников: сначала сервер генерации картинок, затем API Gemini, потом платные стоки, и в конце открытый каталог Openverse. Побеждает тот, кто ответил первым.

В десятке это самый тяжёлый проект, и заводить его ради одной статьи смысла нет. Другое дело, когда блог ведётся потоком и на английском. Установка скриптом через curl тоже предусмотрена автором, а контрольная сумма установщика опубликована рядом. Либо сверьте её, либо ставьте плагином.

У проекта 17,9 тысячи звёзд и лицензия MIT. Это самый маленький из наборов: всего SKILL.md и три справочника (фразы, структуры, примеры). Правил восемь. Часть из них жёсткая: наречия прочь, пассив запрещён, длинных тире быть не должно, предложение нельзя открывать вопросительным словом. В финале текст получает оценку по пяти шкалам, каждая от 1 до 10: прямота, ритм, доверие к читателю, естественность, плотность. Если из 50 набирается меньше 35, текст идёт на переписывание.

Вся ценность здесь в компактности. Три минуты на чтение файла, и его уже можно закинуть в базу знаний проекта внутри приложения Claude либо вписать в системный промпт любой модели. Плагина у проекта нет.

Минуса два. С 17 марта репозиторий стоит без изменений. И ещё: полный запрет наречий при буквальном переносе на русский обедняет текст, так что справочники придётся переделывать под себя.

sepia: 3,1 тысячи звёзд, дата создания 28 августа. Работает на уровне структуры текста, а не слов. Автор опирается на исследование StoryScope: по одним структурным признакам классификатор отличает машинную прозу от человеческой, macro-F1 при этом 93,2%. Правка стиля такой разрыв не лечит. Для технических статей у навыка отдельные правила: начать с проблемы, показать один настоящий тупик, занять позицию, приводить числа вместе с условиями. Калибровки две, английская и китайская.

article-writing входит в набор ECC, где у репозитория 275,7 тысячи звёзд. Короткий навык с дельными правилами: начинать с конкретного (примера, числа, снимка экрана) и объяснять после примера, а не до. Только это лишь один файл из сотен в том же наборе для разработчиков, а тянуть весь набор из-за него не имеет смысла.

claude-skills-journalism, 416 звёзд. Из всех найденных наборов только он про проверку, а не про стиль: проверка фактов по порядку, верификация источников через SIFT, расшифровка интервью. Заточен под американскую редакцию: стиль AP, запросы по закону о свободе информации.

smixs/humanizer-ru, 187 звёзд. Это второй русский проект, и он проще первого: линтер на Python на 38 паттернов, режим «это писала нейросеть?» со списком улик и цитатами. Каждый выпуск автор прогоняет через 19 сценариев и 127 проверок, включая проверку фактов и цифр.

Наборы для науки. academic-research-skills (51 тысяча звёзд), а рядом claude-scientific-writer (2,4 тысячи), проводят статью весь путь, от обзора литературы и до ответов рецензентам. Жанр тут отдельный, со своими правилами, поэтому в общий список я их не брал.

Английские навыки замечают две разные вещи. Первая — отдельные слова. Списки вроде delve, leverage и testament к русскому тексту не подходят, как и правила про дефисы в составных прилагательных или про фигурные кавычки. Вторая — структура: противопоставление «не X, а Y», тройки однородных членов, эффектная фраза в конце каждого абзаца, вопрос с немедленным ответом. Так модель пишет на любом языке, поэтому структурные правила humanizer годятся и для русского текста.

А вот канцелярит английским каталогам незнаком. «Осуществляет деятельность», «является», «в рамках», «данный», цепочки существительных в родительном падеже. Русский читатель по этим приметам сразу опознаёт казённый и машинный слог, а ловят их только русские проекты.

В документации humanizer-ru приведены два замера, которые полезно запомнить.

Первый касается тире. В корпусе LLMTrace (14 763 русских текста от 30 генераторов) длинное тире в отзывах и историях ставят 2–8% людей и 28–33% машин. В энциклопедических статьях всё наоборот. В разговорном жанре тире выдаёт машину, а в справочном не значит ничего.

Второй замер касается жанра. На 35 158 русских научных аннотациях строгий список запретов ловил 35,9% человеческих текстов, то есть отличить человека от модели не помогал. Если учесть жанр, ложных срабатываний остаётся 4,2%. Практический вывод такой: прогонять сканер по научной или юридической статье, не указав жанр, смысла нет.

Теперь о детекторах. Тот же проект сообщает: на бенчмарке AINL-Eval 2025 лучший специализированный детектор для русского даёт около 86% точности. То есть ошибка в каждом седьмом случае. Английские детекторы на русском путаются в обе стороны: живой текст помечают как машинный, а аккуратный машинный пропускают.

Не проводят через детекторы. Авторы обоих главных проектов пишут об этом прямо. У humanizer обход детекторов целью не заявлен, а humanizer-ru оговаривает, что гарантий не даёт. Если от текста требуют «процент человечности», плагин такую задачу не закроет.

Не проверяют факты. Инструмент сверки в humanizer-ru сопоставляет числа, даты и имена между двумя версиями текста. О появлении новой цифры в правке он сообщит, а вот верна ли цифра исходная, судить не станет. Ошибка из черновика спокойно перейдёт в чистовик.

Не дают материала. Опыт, живой замер, случай из практики, неудобная подробность. Сильные навыки это осознают и запрашивают у автора то, чего им не хватает. Слабые заливают пустоту гладкими фразами.

Не отменяют чтения. Вычитка по правилам тоже видна: текст, где сняли все тире, все наречия и все тройки, опознаётся не хуже первоначального. Автор sepia формулирует это так: «калибруйтесь по человеческому распределению, а не выворачивайте машинное наизнанку».

Плагин умеет запускать хуки и серверы MCP, а значит, исполнять код на вашей машине. В Claude Code карточка установки перечисляет состав плагина в разделе Will install, и просмотреть её следует до установки. README официального каталога Anthropic предупреждает: Anthropic не контролирует содержимое плагинов и не может проверить, работают ли они так, как обещано, и не изменятся ли потом. И это сказано о курируемом каталоге. К чужим репозиториям это тем более применимо.

Что разумно делать:

Справочный центр Claude выделяет два основных риска чужих навыков: инструкции, встроенные в промпт, и утечка данных.

Второй вид расхода не виден на глаз. Любой установленный навык подмешивает своё описание в контекст каждой сессии. Команда claude plugin details <имя> подскажет, сколько токенов плагин держит занятыми постоянно и какой его навык весит больше остальных. На вкладке Installed найдётся раздел Not used recently, куда раз в месяц нелишне заглядывать.

Все проекты из десятки закрепляют правила других авторов. У издания или автора обычно есть собственные: какие слова не используем, как пишем числа, с чего начинаем раздел. Такие правила годами оседают в памяти редакторов и в давней переписке, и модели их каждый раз приходится объяснять заново.

Такой навык пишется за вечер. Понадобится папка с единственным файлом:

--- name: redaktor-bloga description: Правка статей блога по правилам редакции. Использовать, когда просят вычитать или отредактировать статью. --- # Редактор блога - Первое предложение раздела несёт факт, а не подводку. - Число приводится с датой и источником. - Термин объясняется при первом упоминании. - В конце правки показать список изменений, а не весь текст.

Поле description весит больше, чем кажется. Именно по нему модель решает, подключать навык или нет. Значит, в описании надо сказать, когда навык нужен, а не ограничиваться перечнем его умений. Для Claude Code папка кладётся в ~/.claude/skills, либо её загружают в приложение архивом.

В плагине example-skills от Anthropic есть skill-creator, то есть навык, который пишет навыки. Он проводит по тем же шагам и помогает проверить, срабатывает ли описание на нужных запросах. При этом готовые проекты из десятки остаются лучшими образцами. На примере humanizer видно, как описывать паттерн парой «было и стало». По copy-editing видно, как разложить редактуру на проходы, по одному вопросу на каждый.

Вы пишете по-русски сами. Поставьте humanizer-ru и держите его в режиме аудита: он лишь указывает на места и без спроса не правит. Сервер для сверки фактов подключается одной командой:

claude mcp add humanizer-ru -- uvx ru-humanizer mcp

Для длинных материалов добавьте doc-coauthoring: он нужен ради третьего этапа, когда текст читает свежая модель. На старте этого достаточно.

Блог продукта на английском. Связка из marketingskills (навыки copywriting и copy-editing) и humanizer покрывает черновик и вычитку. Бриф под поисковые запросы даёт claude-seo. Этого достаточно для двух-трёх статей в неделю.

Редакция или поток. В этом случае выгоднее собрать собственный плагин, а не ставить чужой конвейер. Плагин marketing от Anthropic подойдёт как каркас: место для голоса бренда и команда проверки там уже предусмотрены. Обложки и иллюстрации стоит взять из baoyu-skills, а claude-blog изучить как образец того, как проверки переносятся в код, а не остаются на совести автора.

Самая дешёвая проверка доступна прямо сегодня. Откройте сайт humanizer-ru, возьмите последнюю опубликованную статью и вставьте текст в сканер. Текст он никуда не отправляет и не правит, зато список найденных оборотов подскажет, нужен ли вам редактор такого рода.

Полная версия: https://teletype.in/@techonotes/plaginy-claude-dlya-napisaniya-statey

#нейросети #Claude #плагины #текст #редактура