작성용 Claude 스킬 톱5

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

이 글은 Claude Code에서 동작하는 쓰기·편집 스킬 다섯 개를 GitHub 별 수 기준으로 정리한 목록이다. humanizer(33,700 stars)는 입력 문체를 학습해 보정하고 이중 패스로 AI 흔적을 추가로 점검하는 접근을 취하며 stop-slop(15,199 stars)은 규칙 목록과 자체 점수화(50점 만점 기준)를 통해 최종 패스에서 슬롭을 제거한다. AI-Research-SKILLs는 연구 전주기를 다루는 다수의 스킬을 포함하며 claude-blog은 100점 루브릭과 90점 미만 시 최대 세 번 재실행하는 검수 패턴으로 대량 퍼블리싱에 적합하다.

섹션별 상세

이 글은 Claude Code용 쓰기·편집 스킬들 가운데 GitHub 스타 수로 인기 순위를 매긴 목록을 제공하는 글이다. 원문은 2026년 8월 5일 기준의 GitHub 별(star)·포크 수를 인용해 다섯 개 레포지토리를 비교했으며 이 수치는 추천 우선순위 판단 근거로 사용됐다. 독자는 자신의 글 형식(블로그·소설·연구)에 맞춰 적절한 스킬 조합을 선택하라는 실무적 결론을 얻을 수 있다.

Claude 스킬 관련 홍보 이미지(‘Remove AI Slop’ 타이틀 포함) — Infographic이미지 1은 'Remove AI Slop'이라는 문구와 함께 스킬 개념을 시각적으로 요약한 배너 이미지이다. 글의 주제인 AI 흔적 제거 도구를 시각적으로 강조하는 자료로 기능과 목적을 한눈에 보여준다. 기사 서두에서 다루는 '슬롭 제거' 중심 주제와 직접 연결되는 시각 근거로 활용됐다.

stop-slop은 한 개의 SKILL.md와 세 개 참조파일로 구성되며 모델에게 단순히 'more human'을 요구하지 않고 구체적 금지 목록과 문장 규칙을 제공해 동작하는 접근법이다. phrases.md는 목청 털기식 오프너·과도한 부사·모호한 선언을 금지하고 structures.md는 이항 대비·부정적 나열·극적 단편화를 차단하며 sentence rules는 대시·단편 문장·포괄적 극단어를 제한한다. 출력은 직설성·리듬·신뢰성·진정성·밀도 5개 지표로 1~10 점수를 매기며 합계 50점 중 35점 미만이면 재작성하도록 설계돼 최종 점검용으로 적합하다.

근거

stop-slop은 직설성·리듬·신뢰성·진정성·밀도 5개 항목을 합산해 50점 만점 중 35점 미만이면 재작성하도록 설계돼 있다. — stop-slop 섹션의 구성 설명(phrases.md, structures.md, sentence rules)과 자체 점수화(1~10) 규칙을 근거로 한 서술 부분을 근거로 함.

humanizer는 위키피디아의 'Signs of AI writing'을 바탕으로 도출한 33개의 패턴을 before/after 예시와 함께 제공하며 초판에서 어휘 교정에 머문 뒤 리듬 보정으로 발전한 레포지토리이다. 이 스킬은 사용자가 자신의 문단 2~3개를 붙여 넣으면 원문의 문장 리듬·단어 선택을 분석해 그 톤으로 재작성하는 voice matching을 수행하고, 재작성 후 다시 한 번 '명백히 AI 생성' 흔적을 점검해 추가 리라이트를 하는 이중 패스를 갖는다. 이런 방식은 흔히 모든 출력을 중립화하는 다른 안티슬롭 도구들과 달리 저자의 목소리를 유지하면서 AI 흔적을 줄이는 목적으로 설계돼 범용 적용성이 크다.

humanizer 레포지토리의 설치·개요 스크린샷 — Screenshot이미지 2는 humanizer의 웹 인터페이스 또는 README 스니펫을 캡처한 화면으로 설치 명령과 'Humanizer: Remove AI Writing Patterns'라는 제목을 포함한다. 설치 명령(npx skills add 등)과 설치·별 수치(3.5K installs, GitHub stars)가 시각적으로 표시돼 기사 본문의 설치 안내와 인기 근거를 보강한다. 스킬의 사용·설치 흐름을 직관적으로 확인할 수 있다.

근거

humanizer 레포지토리의 GitHub 별(star) 수는 33,700개로 기사에서 최다로 집계됐다. — 기사 본문 상단과 humanizer 설명 단락에 나오는 별 수 표기, 원문은 'All figures pulled from the GitHub on 5th August 2026'로 출처를 명시함.

AI-Research-SKILLs는 23개 카테고리로 나뉜 98개 스킬을 담아 연구 전주기를 자동화하려는 레포지토리이며 총별 수는 11,400으로 집계됐다. 대부분은 Megatron·vLLM·Flash Attention·quantization 등 엔지니어링 도구와 워크플로를 다루지만, Academic Plotting·Ideation·Research Brainstorming 같은 쓰기·아이데이션 카테고리도 포함돼 있다. 특히 ARA Rigor Reviewer는 초안을 가설 검증 가능성·범위 보정·논증 일관성·방법론 엄격성 등 6개 축으로 채점하고 심각도 순의 리포트를 내며 accept-to-reject 권고를 제공해 학술 초안 검토에 유의미한 자동화 보조를 제공한다.

Orchestra의 AI-Research-SKILLs 배너 이미지 — Infographic이미지 3은 'ORCHESTRA AI Research Skills'라는 타이틀을 담은 배너로, AI-Research-SKILLs 레포지토리가 연구 전주기용 스킬 세트임을 시각적으로 지시한다. 기사에서 언급한 Academic Plotting·ARA Rigor Reviewer 같은 연구 특화 기능의 존재를 뒷받침하는 시각 자료로 활용된다. 연구용 워크플로용 스킬이라는 인상을 명확히 전달한다.

oh-story-claudecode는 중국 웹소설용 파이프라인을 원형으로 삼아 트렌드 스카우팅·스토리 분해·작성·슬롭 정리·커버 아트까지 이어지는 파이프라인을 구현한 레포지토리로 별 수는 5,080이다. 핵심은 성공한 소설을 구조적으로 분해해 Story Teardown Report로 다섯 축과 여섯 페이백 측면을 점수화하고 Plot Beats로 플롯 포인트마다 −9에서 +9까지 감정 마커를 부여해 감정 곡선을 데이터로 만드는 점이다. 이렇게 얻은 분석 산출물을 재사용 가능한 라이브러리로 만들어 이후 작성 스킬들이 검증된 구조를 기준으로 초안을 생성하게 하는 방식이 차별점이다.

claude-blog은 전략·브리프·초안·리라이트·사이트 감사 등 블로그 전체 수명주기를 서브스킬 30개와 에이전트 5개로 구성한 레포지토리로 별 수는 1,579이다. 눈에 띄는 설계는 100점 만점의 채점 루브릭을 통해 초안을 5개 관문으로 검증하고 90점 미만이면 최대 세 번까지 자동 재작성해 사용자 이전에 품질 게이트를 통과시키는 검수 패턴을 적용한 점이다. 이 구조는 사람이 모든 초안을 일일이 검토할 수 없는 대량 출판 환경에서 자동화된 검증을 통해 일정 품질을 유지하는 데 유용하다.

claude-blog의 제품 이미지(콘텐츠 최적화·감사 요소 표시) — Infographic이미지 4는 claude-blog의 'Write, optimize, and audit blog content at scale'라는 메시지와 SEO 최적화·AI 인용 준비 같은 UI 요소들을 보여준다. 루브릭 기반 채점 및 대량 출판 워크플로에 맞춘 자동화 기능을 시각적으로 요약해 준다. 대량 생산 환경에서의 품질 게이트 설계를 강조하는 근거로 적합하다.

근거

claude-blog은 초안을 100점 루브릭으로 평가해 90점 미만이면 최대 세 번까지 자동 재실행해 품질 게이트를 통과시킨다. — claude-blog 설명 단락과 'delivery contract'로 표기된 100점 채점·3회 재시도 패턴을 근거로 함.

설치와 실무 권장은 글의 마지막에서 git clone 방식으로 각 레포지토리를 ~/.claude/skills/에 복제해 Claude Code에서 스킬을 로드하도록 안내한 점을 포함한다. 저자는 사용 목적별로 조합을 권장했으며 기본 권장 조합은 humanizer를 전방에 두고 포스트패스용으로 stop-slop 또는 publishing용으로 claude-blog를 추가하는 방식이다. 모든 별·포크 수치는 2026년 8월 5일 GitHub API에서 가져온 값으로 게시 전 재확인이 필요하다고 명시돼 있다.

bash

git clone https://github.com/blader/humanizer ~/.claude/skills/humanizer

humanizer 레포지토리를 Claude Code의 스킬 디렉토리에 복제하는 명령어이다. 이 명령을 실행하면 humanizer SKILL이 로컬에 설치되어 Claude가 해당 규칙을 로드할 수 있다. 설치 후에는 Claude 환경에서 스킬 트리거를 활성화해 재작성 파이프라인을 호출할 수 있다.

bash

git clone https://github.com/hardikpandya/stop-slop ~/.claude/skills/stop-slop

stop-slop을 로컬 스킬 디렉토리에 복제하는 표준 설치 명령어이다. stop-slop은 SKILL.md와 참조 파일들을 포함해 문장·구조 규칙과 자체 평가 루틴을 제공한다. 복제 후에는 Claude가 해당 폴더의 규칙을 읽어 최종 점검 패스를 실행할 수 있다.

bash

git clone https://github.com/Orchestra-Research/AI-Research-SKILLs ~/.claude/skills/ai-research

AI-Research-SKILLs 전체를 Claude 스킬 디렉토리에 복제하는 명령어이다. 이 레포지토리는 문헌 조사부터 그래프 생성, 논문 심사 도구까지 연구 전주기를 다루는 다수의 스킬을 포함한다. 설치 후에는 연구용 파이프라인과 초안 평가 도구를 에이전트 워크플로에 통합할 수 있다.

bash

git clone https://github.com/worldwonderer/oh-story-claudecode ~/.claude/skills/oh-story

oh-story-claudecode를 설치하는 복제 명령어이다. 이 레포지토리는 트렌드 스카우팅·스토리 분해·플롯 비트 추출 같은 일련의 파이프라인을 제공해 소설·연재 창작에 맞춰진 스킬을 추가한다. 복제 후에는 구조화된 테어다운 리포트와 감정 곡선 데이터를 활용해 초안을 작성할 수 있다.

bash

git clone https://github.com/AgriciDaniel/claude-blog ~/.claude/skills/claude-blog

claude-blog 레포지토리를 설치하는 명령어이다. 이 스킬 세트는 전략·브리프·초안·리라이트·사이트 감사를 포함하는 서브스킬들과 100점 만점 채점 루틴을 포함해 대량 출판 워크플로에 맞춰 설계돼 있다. 설치 후에는 자동화된 품질 게이트를 적용해 기준 미달 초안의 재시작을 강제할 수 있다.

용어 해설

Claude Code: — Claude Code는 Claude 계열 에이전트에 SKILL 파일들을 설치해 에이전트 기능을 확장하는 실행 환경이다. 사용자는 로컬 디렉토리(~/.claude/skills)에 Git으로 레포지토리를 복제해 추가 기능을 활성화할 수 있다. 이 글은 Claude Code에 스킬을 설치하는 방식(git clone)과 스킬이 에이전트 동작을 어떻게 바꾸는지를 전제로 다룬다.
스킬 (SKILL.md)(Skill (SKILL.md)): — SKILL.md는 Claude 스킬의 동작 규칙과 트리거를 정의하는 마크다운 기반 구성 파일이다. 이 파일에 문장 규칙·리라이트 패턴·체크리스트를 적어 에이전트가 자동으로 편집·평가 과정을 수행하게 한다. stop-slop 같은 스킬은 하나의 SKILL.md와 참조 파일로 전체 동작을 구성하는 형태임이 명시돼 있다.
AI-slop: — AI-slop은 생성 모델 출력에서 흔히 보이는 무의미한 관용구·과도한 수식·메타코멘터리·챗봇식 수사 등 인간답지 않은 문체적 흔적을 총칭하는 용어이다. 글의 리듬·신뢰성·직설성 등을 저하시켜 읽기 품질을 떨어뜨리는 요소로 규정된다. 여러 스킬은 이 문제를 규칙 목록과 재작성 패스·자가평가 점수로 제거하는 접근을 사용한다.
음성·문체 매칭(Voice matching): — Voice matching은 입력된 사용자의 문단 샘플에서 문장 리듬과 단어 선택 특징을 추출해 재작성 결과가 원래 스타일과 일치하도록 맞추는 기술이다. humanizer는 2~3개 문단을 입력하면 해당 리듬을 학습해 중립적 표준으로 평준화하지 않고 사용자의 톤으로 다시 써준다. 이 접근은 원작자의 개성을 유지하면서 AI 흔적을 줄이는 목적이다.