So reduzieren Sie den AI-Erkennungswert im n8n-Inhaltsgenerierungs-Workflow

Hilf mir, meinen Workflow zu erstellen
1

## Mein Problem
Ich baue einen Content-Generation-Workflow in n8n, der Blog-Artikel erstellt.
Bekommen derzeit 60-95% AI-Erkennungsscores. Muss auf unter 20% reduzieren
mit nur KOSTENLOSEN Tools (kein Budget für bezahlte Humanizer).

Mein aktuelles Setup

  • Groq (8 Chat-Modelle)
  • Google Gemini 2.0 Flash
  • JavaScript-Code-Nodes zur Bereinigung
  • HuggingFace (probiert, unzuverlässig)

Workflow-Struktur

  1. Artikel-Entwurf (Groq llama-3.3-70b)
  2. Humanizer Pass 1 (Gemini)
  3. JS Chaos Injector
  4. Finale Bereinigung (JS)
  5. An Telegram senden

Was ich bereits probiert habe

  • Benutzerdefinierte Humanizer-Prompts (akademisch + Umgangston)
  • Wortaustausch (nutzen→verwenden, etc.)
  • Sentence Burstiness
  • Multi-Model Rewriting
  • Hedge Words hinzufügen

Aktuelle Ergebnisse

  • AI-Erkennung: 58-95% (variiert)
  • Getestet auf: zerogpt.com

Was ich brauche

Kostenlose Workflow-Techniken oder Templates, die konsistent unter 20% AI-Score erreichen
und dabei professionelle Qualität beibehalten.

Fragen

  1. Hat jemand niedrige AI-Erkennung mit kostenlosen Tools erreicht?
  2. Gibt es spezifische Prompt-Techniken, die funktionieren?
  3. Gibt es kostenlose APIs, die ich übersehen habe?
  4. Sollte ich bestimmte Node-Typen hinzufügen?

Vielen Dank im Voraus für jede Hilfe! :folded_hands:

2

Hey sarathkumar,

interessanter Workflow-Aufbau. Ich habe mich früher mit dem Thema beschäftigt und bin zu einem unbequemen Ergebnis gekommen.

Das eigentliche Problem liegt nicht in deinem Workflow, sondern in den Tools die du zum Testen nutzt. Ich habe denselben vollständig KI-generierten Text in 5 verschiedene Detektoren eingegeben. Ergebnis: 33% bis 100% beim identischen Text. ZeroGPT, das du nutzt, war dabei das unzuverlässigste im Test. Du optimierst also für einen Messwert der selbst nicht reproduzierbar ist.

Was tatsächlich den Unterschied macht: Eigene Daten, konkrete Beispiele und persönliche Erfahrungen direkt im Prompt mitgeben, nicht im Post-Processing herumschrauben. Ein Modell das auf Basis echter Beobachtungen schreibt produziert von Anfang an weniger erkennbare Muster. Prompt-Architektur ist effektiver als jeder Humanizer-Pass danach.

Zu deinem Setup: Der Groq+Gemini Ansatz mit mehreren Passes ist grundsätzlich solide. Den JS Chaos Injector würde ich weglassen, der macht den Text schlechter ohne den Score zuverlässig zu senken.

Ich habe dazu einen Test mit konkreten Zahlen gemacht, falls das interessiert, gerne per DM.