Claude Code를 활용한 개인 문체 추출 및 AI 탐지 회피 실험기

작성자의 깊이 있는 실험과 오픈소스 공개에 대해 매우 긍정적인 반응이며, 특히 AI 탐지기에 대한 기술적 분석에 공감하는 분위기이다.

• 문체 추출을 위해 샘플을 제공할 때 반드시 'Sample 1', 'Sample 2' 식으로 익명화하여 모델이 내용에 편향되지 않게 하라.
• 프롬프트에서 참고 자료를 'raw notes I'm still thinking through'라고 정의하면 더 자연스러운 문체가 나온다.
• AI 탐지기 점수에 집착하기보다 독자가 읽기에 좋은 리듬과 구조를 만드는 데 집중하라.

SICO

— Substitution-based In-Context Optimization의 약자로, 모델의 기본 출력과 사용자의 실제 작성 샘플을 비교하여 스타일 차이를 추출하고 이를 프롬프트에 반영하여 개인화된 문체를 구현하는 기법이다.

AI Detector

— 텍스트의 통계적 특성(확률 분포의 평탄도 등)을 분석하여 해당 문장이 인간이 쓴 것인지 LLM이 생성한 것인지 판별하는 도구로, GPTZero 등이 대표적이다.

Token Probability Surface

— LLM이 다음 토큰을 선택할 때 가지는 통계적 확률 분포의 형상을 의미하며, 인간의 글은 불규칙하고 변칙적인 반면 AI의 글은 통계적으로 평탄한 특성을 보인다.

Ablation Testing

— 시스템의 특정 구성 요소나 규칙을 하나씩 제거하며 전체 성능에 미치는 영향을 측정하는 실험 기법으로, 여기서는 어떤 규칙이 AI 탐지율에 기여하는지 확인하는 데 사용됐다.