dotfiles/agents/.agents/skills/ai-text-lint/references/patterns.md

База паттернов AI Text Lint

Каждый паттерн имеет:

• ID — уникальный идентификатор
• Название — краткое описание
• Описание — что именно ищем и почему это маркер
• Примеры — конкретные срабатывания (RU/EN)
• Severity — по контексту: article / message / resume
• Рекомендация — что делать при срабатывании

Severity: 🔴 high (явный маркер, бросается в глаза), 🟡 medium (подозрительно в скоплении), 🟢 low (мелочь, но в сумме вносит вклад).

---

Категория: Пунктуация и типографика

P01: Длинное тире (em dash) — главный маркер AI-текста на русском

Что: Наличие символа — (U+2014, em dash) в любом тексте, который подразумевает ручной набор. Почему: Это один из самых надёжных и высокочастотных признаков AI-генерации. На стандартной клавиатуре (и PC, и Mac) символ em dash отсутствует как отдельная клавиша. Его набор требует специальных комбинаций (Alt+0151, Ctrl+Shift+U 2014 и т.д.), которые подавляющее большинство людей не знает и не использует. В реальной переписке и даже в статьях люди набирают:

• знак минус с клавиатуры (-)
• дефис (-)
• иногда двойной дефис (--)
• или вообще перестраивают предложение без тире

AI-модели же подставляют типографически корректное — автоматически, потому что обучены на отредактированных текстах. Результат: каждое — в тексте, который якобы набран руками — красный флаг.

Исключения: Текст, прошедший через редактор с автозаменой (Word, Google Docs, некоторые CMS) может содержать em dash, вставленный автозаменой из - (пробел-дефис-пробел). Но в мессенджерах (Telegram, Slack) и plain-text средах автозамены нет.

Примеры маркеров:

• «Проект идёт хорошо — осталось два спринта» (в чате — откуда тут em dash?)
• «Это не баг — это фича» (в Telegram)
• «ClickHouse — отличный выбор для аналитики» (в Slack) Как выглядит реальный человеческий текст:
• «Проект идёт хорошо - осталось два спринта»
• «Это не баг, это фича»
• «ClickHouse отличный выбор для аналитики»

Рекомендация: Заменить все — на - (минус/дефис) в переписке. В статьях и резюме — заменить бОльшую часть на -, запятые или скобки. Допустимо оставить 1-2 на длинный текст, если контекст предполагает редакторскую обработку.

Детекция: Искать символ U+2014 в тексте. Каждое вхождение — отдельная находка.

Контекст	Severity
article	🟡 medium
message	🔴 high
resume	🔴 high

P02: Избыточная правильная пунктуация

Что: Все запятые на местах, точки в конце каждого предложения, идеальные кавычки — в контексте, где люди так не пишут. Почему: В реальной переписке люди часто опускают точку в последнем предложении, пропускают запятые в длинных перечислениях, не ставят точку после "ок" или "спасибо". Примеры маркеров:

• «Хорошо, я посмотрю это после обеда. Напишу, когда будет готово.» — слишком аккуратно для чата
• Сравни с реальным: «Хорошо, посмотрю после обеда. Напишу когда будет готово» Рекомендация: В переписке — ослабить пунктуацию до естественного уровня. Убрать точку в конце последнего предложения. Допустить 1-2 "пропущенные" запятые в неформальном контексте.

Контекст	Severity
article	🟢 low
message	🟡 medium
resume	🟢 low

P03: Em dash вместо скобок или запятых

Что: Использование em dash для вводных конструкций, где человек поставил бы запятые или скобки. Почему: LLM-ы систематически предпочитают em dash для parenthetical clauses, создавая характерный "punchy" стиль. Примеры маркеров:

• «ClickHouse — при правильной настройке — даёт отличную производительность»
• Человек напишет: «ClickHouse (при правильной настройке) даёт отличную производительность» Рекомендация: Заменить на запятые или скобки. Одно-два тире в длинной статье — нормально. Три и больше — паттерн.

Контекст	Severity
article	🟡 medium
message	🔴 high
resume	🟡 medium

P04: Эмодзи в заголовках и списках

Что: Тематические эмодзи перед заголовками (## 🚀 Деплой), в пунктах списков (✅ Настроить CI, 📊 Метрики) или как "иллюстрации" к разделам. Почему: Фирменный стиль ChatGPT-генерированных README и документации. Человек использует эмодзи реактивно (в реакциях, в конце сообщения как эмоцию), а не "иллюстративно" — подбирая тематическую иконку к каждому пункту. Примеры маркеров:

• ## 🚀 Быстрый старт
• ## 📦 Установка
• - ✅ Поддержка кластеризации
• - 📊 Мониторинг в реальном времени Как выглядит человеческий текст:
• ## Быстрый старт
• - Поддержка кластеризации Рекомендация: Убрать эмодзи из заголовков и списков. Оставить только если это осознанный стиль проекта (и то — подумать дважды).

Контекст	Severity
article	🔴 high
message	🟡 medium
resume	🔴 high

P05: Буква «ё» — второй em dash

Что: Последовательное использование буквы «ё» в тексте: «идёт», «всё», «ещё», «берёт», «нёс», «подчёркивает». Почему: Это один из самых надёжных маркеров наравне с P01. Клавиша «ё» расположена в неудобном месте (левый верхний угол, под ~), и культура её использования в русскоязычном интернете слабая. Подавляющее большинство людей набирают «идет», «все», «еще» — и это нормально, языковая норма допускает оба варианта. AI-модели же обучены на отредактированных текстах (книги, Википедия, СМИ), где «ё» используется последовательно. Результат: если в тексте из мессенджера стабильно стоит «ё» — это красный флаг.

Исключения: Некоторые люди принципиально пишут с «ё» (ёфикаторы). Текст, прошедший через корректора/редактора, тоже будет с «ё». Если автор — известный сторонник «ё», это не маркер.

Примеры маркеров:

• «Проект идёт по плану, всё готово к деплою» (в Slack)
• «Ещё нужно разобраться с конфигурацией» (в Telegram) Как выглядит реальный человеческий текст:
• «Проект идет по плану, все готово к деплою»
• «Еще нужно разобраться с конфигурацией»

Рекомендация: В переписке заменить «ё» на «е» повсеместно. В статьях — допустимо, если автор осознанно ёфицирует, но в сочетании с другими маркерами усиливает подозрение.

Детекция: Подсчитать количество «ё» в тексте. Порог: 3+ вхождения в коротком тексте (до 200 слов) или стабильное использование по всему тексту (ни одного «е» там, где должно быть «ё» — подозрительная последовательность).

Контекст	Severity
article	🟡 medium
message	🔴 high
resume	🔴 high

---

Категория: Лексика-маркер

L01: AI vocabulary (русский)

Что: Слова и обороты, статистически чрезмерно используемые LLM в русском тексте. Почему: Эти слова не запрещены, но их плотность в AI-тексте в разы выше, чем в человеческом. Один — ничего. Три в одном абзаце — сигнал.

Список (tier 1 — самые частые):

• ключевой, комплексный, значительный, существенный
• эффективно, целесообразно, в рамках, в контексте
• является, представляет собой
• обеспечивает, способствует, позволяет
• данный (вместо "этот"), текущий (вместо "нынешний/сейчашний")
• неотъемлемая часть, играет важную роль
• оптимизация, масштабирование (вне технического контекста)
• формирование (вместо "создание"), реализация (вместо "сделали/написали")
• осуществлять (вместо "делать"), функционирование (вместо "работа")

Список (tier 2 — подозрительные в скоплении):

• безусловно, несомненно, очевидно
• вместе с тем, помимо этого, кроме того
• стоит отметить, важно подчеркнуть, следует учитывать
• широкий спектр, целый ряд, многообразие
• актуальный, востребованный, перспективный

Рекомендация: Заменить на простые синонимы. "Является ключевым" → "это важно для". "Обеспечивает эффективное" → "помогает" / "ускоряет". "В рамках проекта" → "в проекте". "Данный подход" → "этот подход" / вообще убрать.

Контекст	Severity
article	🟡 medium
message	🔴 high
resume	🔴 high

L02: AI vocabulary (английский)

Что: Английские слова-маркеры в технических текстах со смешанным языком. Список (tier 1): delve, crucial, pivotal, foster, landscape, testament, enhance, intricate, tapestry, underscore, leverage, streamline, holistic, robust, seamless, comprehensive. Список (tier 2): navigate, harness, cutting-edge, groundbreaking, game-changer, empower, unlock, spearhead. Рекомендация: Заменить на конкретные термины. "Robust solution" → "отказоустойчивое решение" / "решение, прошедшее нагрузочное тестирование". "Leverage Kafka" → "использовать Kafka".

Контекст	Severity
article	🟡 medium
message	🟡 medium
resume	🔴 high

L03: Inflated significance (раздувание важности)

Что: Фразы, которые подчёркивают значимость темы общими словами без конкретики. Почему: LLM систематически "надувает" важность предмета, добавляя высокопарные оценки. Примеры маркеров:

• «знаменует собой важный этап в развитии»
• «является переломным моментом для отрасли»
• «открывает новые горизонты»
• «вносит значительный вклад»
• «трудно переоценить значение» Рекомендация: Убрать целиком или заменить конкретным фактом. Вместо «знаменует важный этап» — что конкретно изменилось и для кого.

Контекст	Severity
article	🔴 high
message	🟡 medium
resume	🔴 high

L04: AI-зачины ("В современном мире...")

Что: Вводные фразы вида «В современном мире», «В мире, где...», «В эпоху цифровой трансформации», «В условиях стремительного развития технологий». Почему: Классический AI-зачин для статей и эссе. Создаёт ложное ощущение масштаба. Человек, который разбирается в теме, начинает с сути, а не с философского отступления о состоянии мира. Примеры маркеров:

• «В современном мире данные стали новой нефтью»
• «В эпоху больших данных особенно важно...»
• «В условиях растущей конкуренции компании вынуждены...»
• «В мире, где каждая секунда на счету...» Рекомендация: Удалить первое предложение целиком. Начать со второго — почти всегда текст от этого только выигрывает.

Контекст	Severity
article	🔴 high
message	🔴 high
resume	🟡 medium

L05: Вводные приглашения ("Давайте разберёмся")

Что: Фразы-приглашения перед основным контентом: «Давайте разберёмся», «Давайте рассмотрим», «Let's dive in», «Let's explore», «Рассмотрим подробнее». Почему: AI использует эти фразы как переход от введения к основному тексту. Человек на Хабре просто начинает объяснять, без церемоний. Примеры маркеров:

• «Давайте разберёмся, как это работает»
• «Рассмотрим основные преимущества подробнее»
• «Let's dive into the details» Рекомендация: Убрать. Начать объяснение напрямую.

Контекст	Severity
article	🟡 medium
message	🔴 high
resume	🟢 low

L06: Hedging (перестраховочная лексика)

Что: Оговорки и смягчающие конструкции: «возможно», «вероятно», «в определённой степени», «в той или иной мере», «не исключено, что», «можно предположить», «как правило», «в большинстве случаев». Почему: AI хеджирует рефлекторно — ставит оговорки там, где человек сказал бы прямо. Одна оговорка в абзаце — нормально. Три — сигнал, что текст сгенерирован моделью, которая боится быть неточной. Примеры маркеров:

• «Вероятно, это связано с особенностями архитектуры»
• «В определённой степени это позволяет улучшить производительность»
• «Можно предположить, что данный подход окажется эффективным» Как выглядит человеческий текст:
• «Это из-за архитектуры»
• «Это улучшает производительность»
• «Этот подход работает» Рекомендация: Убрать оговорку, если автор уверен в утверждении. Если не уверен — написать почему, а не прятаться за «возможно».

Контекст	Severity
article	🟡 medium
message	🟡 medium
resume	🔴 high

S01: Negative parallelism ("не X, а Y")

Что: Конструкция «Это не просто X — это Y», «It's not about X, it's about Y». Почему: Один из самых узнаваемых AI-паттернов. Создаёт ложный драматический контраст. Примеры маркеров:

• «Это не просто инструмент — это философия разработки»
• «Речь не только об автоматизации, но и о трансформации»
• «Это не столько технология, сколько новый подход к мышлению» Рекомендация: Убрать контраст. Сказать прямо, что это такое, без ложной дихотомии.

Контекст	Severity
article	🔴 high
message	🔴 high
resume	🔴 high

S02: Rule of three

Что: Перечисление ровно трёх пунктов, особенно когда они идут через запятую с усилением. Почему: LLM-ы обучены на огромном объёме persuasive writing, где rule of three — стандартный приём. В AI-тексте это происходит слишком часто и слишком ритмично. Примеры маркеров:

• «быстрый, надёжный и масштабируемый»
• «простота, гибкость и производительность»
• «анализировать, оптимизировать и внедрять» Рекомендация: Если перечисление реально содержит три пункта — ок. Если третий добавлен "для красоты" — убрать. Или сделать два, или четыре-пять.

Контекст	Severity
article	🟡 medium
message	🟡 medium
resume	🟡 medium

S03: Compulsive summary (компульсивное подведение итогов)

Что: "Таким образом", "Подводя итог", "В заключение", "В целом" — особенно когда текст короткий и итог не требуется. Почему: LLM рефлекторно подводит итог даже в двух абзацах. Человек в коротком тексте просто заканчивает. Примеры маркеров:

• «Таким образом, ClickHouse отлично подходит для этой задачи.» (после двух предложений)
• «В целом, данный подход показал свою эффективность.» Рекомендация: Убрать вводное слово. Если последнее предложение и без него звучит как итог — убрать его целиком.

Контекст	Severity
article	🟡 medium
message	🔴 high
resume	🟡 medium

S04: Однородная длина абзацев/пунктов

Что: Все абзацы примерно одной длины (3-4 предложения). Все bullet points одинаковой структуры и длины. Почему: Человеческий текст имеет вариативную ритмику. Короткий абзац после длинного — нормально. У AI — ровная "решётка". Примеры маркеров:

• Пять bullet points, каждый ровно по два предложения
• Четыре абзаца по 50-60 слов каждый Рекомендация: Варьировать длину осознанно. Добавить один короткий пункт (одно предложение) и один длинный.

Подсказка по детекции: Два аспекта однородности:

1. Длина. Посчитать слова в каждом пункте списка или абзаце. Если разброс длин менее 20% от среднего — это паттерн. Например, пять пунктов по 12, 11, 13, 12, 11 слов — подозрительно ровно.
2. Синтаксис. AI часто строит предложения по одной схеме: подлежащее → сказуемое → дополнение, подлежащее → сказуемое → дополнение. Человек чередует порядок слов, начинает с обстоятельства, вставляет вводные конструкции, использует инверсию.

Контекст	Severity
article	🟡 medium
message	🟢 low
resume	🟡 medium

S06: Balanced pros/cons ("Преимущества / Недостатки")

Что: Структура с симметричными секциями плюсов и минусов, часто с одинаковым количеством пунктов в каждой. Почему: AI обожает "сбалансированную" подачу — 4 преимущества, 4 недостатка, аккуратно разложенные по полочкам. Человек обычно пишет асимметрично: «мне понравилось X и Y, но бесит Z» — в потоке текста, а не в табличке. Примеры маркеров:

• Секция "Преимущества" с 4 пунктами, затем секция "Недостатки" с 4 пунктами
• «С одной стороны... С другой стороны...» как организующая структура всего текста Рекомендация: Если сравнение нужно — сделать его асимметричным. Написать в потоке текста, а не раскладывать по секциям. Или честно сказать: «плюсов больше, минус один, но существенный».

Контекст	Severity
article	🟡 medium
message	🟢 low
resume	🟢 low

S05: Bullet points с жирным заголовком + расшифровка

Что: Списки, где каждый пункт — Жирное слово/фраза: а потом то же самое другими словами. Почему: Фирменный стиль ChatGPT. На Хабре и в документации так не пишут. Примеры маркеров:

• Масштабируемость: Система легко масштабируется горизонтально и вертикально.
• Отказоустойчивость: Обеспечивается высокий уровень отказоустойчивости. Рекомендация: Либо убрать жирные "заголовки" и писать обычными пунктами, либо убрать расшифровку, если заголовок и так ясен.

Контекст	Severity
article	🔴 high
message	🟡 medium
resume	🟡 medium

S07: Двоеточие перед каждым списком

Что: Вводная фраза с двоеточием перед каждым bullet-списком: «Основные преимущества:», «Ключевые особенности:», «Что мы сделали:». Почему: AI рефлекторно ставит "заголовок:" перед каждым списком, даже когда список и так понятен из контекста. Человек часто начинает список без вводной фразы или встраивает его в предложение. Примеры маркеров:

• «Основные преимущества ClickHouse:» + список
• «Что было сделано в рамках проекта:» + список
• «Ключевые технологии:» + список Как выглядит человеческий текст:
• Список начинается после абзаца, без отдельной вводной строки
• Или встроен в предложение: «Мы использовали ClickHouse, Kafka и Airflow» Рекомендация: Убрать вводную фразу, если из контекста и так ясно, о чём список. Или встроить перечисление в текст.

Контекст	Severity
article	🟡 medium
message	🟡 medium
resume	🟡 medium

T01: Vague attribution (размытые ссылки на авторитет)

Что: «Эксперты отмечают», «По мнению специалистов», «Согласно исследованиям», «Многие разработчики считают» — без указания, кто именно. Почему: AI не может сослаться на конкретный источник и подставляет weasel words. Примеры маркеров:

• «Эксперты в области Big Data отмечают растущую популярность...»
• «Согласно последним исследованиям, эффективность выросла на...» Рекомендация: Либо дать конкретную ссылку/имя, либо убрать апелляцию к авторитету. «Мы замерили — эффективность выросла» лучше, чем «эксперты отмечают».

Контекст	Severity
article	🔴 high
message	🟡 medium
resume	🟡 medium

T02: Superficial -ing / причастные оценки

Что: Завершающие причастные обороты, которые добавляют поверхностную оценку: «...обеспечивая гибкость», «...повышая эффективность», «...демонстрируя зрелость подхода». Почему: LLM добавляет "хвостовые" оценочные обороты как рефлекс. Человек либо скажет это отдельным предложением, либо не скажет вообще. Примеры маркеров:

• «Мы перешли на Airflow, значительно упростив оркестрацию.»
• «Компания внедрила CI/CD, ускорив доставку фич в продакшен.»
• «...reflecting the continued relevance of the framework.» Рекомендация: Убрать причастный оборот. Если мысль важна — вынести в отдельное предложение с конкретикой.

Контекст	Severity
article	🟡 medium
message	🟡 medium
resume	🔴 high

T03: Отсутствие личной позиции / стерильная нейтральность

Что: Текст описывает предмет исключительно "со стороны", без мнения автора, личного опыта, субъективных оценок. Почему: AI по умолчанию стремится к нейтральности. Человек на Хабре скажет «мне этот подход не нравится, потому что...» или «мы обожглись на этом». Примеры маркеров:

• «Данный подход имеет как преимущества, так и ограничения.» (без указания, какие конкретно и что автор думает)
• «Существуют различные мнения по этому вопросу.» Рекомендация: Добавить конкретную позицию автора. Не обязательно резкую — но личную.

Контекст	Severity
article	🔴 high
message	🟢 low
resume	🟢 low

T04: Вежливые обрамления

Что: "Буду рад помочь", "Не стесняйтесь обращаться", "Надеюсь, это поможет", "Если возникнут вопросы..." — в конце каждого сообщения. Почему: Фирменный chatbot-стиль. В реальной переписке коллеги так не пишут (разве что в первом письме новому человеку). Примеры маркеров:

• «Если нужна помощь — обращайся, буду рад помочь!»
• «Надеюсь, информация окажется полезной.» Рекомендация: Убрать. В переписке с коллегами — просто закончить по делу.

Контекст	Severity
article	🟢 low
message	🔴 high
resume	🟡 medium

T05: Sandwich pattern (похвала-оговорка-похвала)

Что: Структура, где критика или ограничение обёрнуты в два слоя позитива: «Отличный инструмент. Есть некоторые ограничения. Но в целом достойное решение.» Почему: AI боится быть категоричным и рефлекторно смягчает любую критику обрамлением из похвалы. Человек, если ему что-то не нравится, скажет прямо: «Работает, но тормозит на больших объёмах — для нас это критично». Примеры маркеров:

• «Kafka — мощный инструмент. Настройка может быть непростой. Тем не менее, для нашей задачи это лучший выбор.»
• «Хороший фреймворк с активным сообществом. Документация могла бы быть лучше. В целом — рекомендую.» Как выглядит человеческий текст:
• «Kafka подходит, но настройка — боль. Будьте готовы потратить на это время.»
• «Документация слабая, приходится разбираться по исходникам. В остальном норм.» Рекомендация: Убрать обрамляющие позитивные предложения, если они не несут информации. Критику подать прямо, с конкретикой.

Контекст	Severity
article	🟡 medium
message	🟡 medium
resume	🟢 low

R01: Абстрактные impact-фразы без цифр

Что: «Значительно повысил эффективность», «Оптимизировал бизнес-процессы», «Внёс существенный вклад в развитие». Почему: AI не знает реальных цифр и подставляет generic impact-фразы. Рекрутер сразу видит отсутствие конкретики. Примеры маркеров:

• «Существенно сократил время обработки данных»
• «Повысил качество аналитических процессов» Рекомендация: Добавить цифры, названия систем, объёмы. «Сократил время ETL с 4 часов до 40 минут за счёт перевода на ClickHouse MergeTree».

Контекст	Severity
article	🟡 medium
message	🟢 low
resume	🔴 high

R02: Buzzword stacking

Что: Нагромождение модных терминов без привязки к конкретной работе. Почему: AI генерирует "красиво звучащие" наборы компетенций, которые не привязаны к реальным проектам. Примеры маркеров:

• «Кросс-функциональное взаимодействие, стратегическое планирование, непрерывное совершенствование»
• «Agile-трансформация, цифровая зрелость, data-driven подход» Рекомендация: Каждый buzzword привязать к конкретному проекту или убрать. Не более одного buzzword на bullet point.

Контекст	Severity
article	🟡 medium
message	🟢 low
resume	🔴 high

R03: Однородная структура bullet points в опыте

Что: Каждый пункт начинается с глагола в прошедшем времени, одинаковой длины, одинаковой конструкции. Почему: AI генерирует "правильные" bullet points по шаблону. Реальное резюме, написанное человеком, имеет разную структуру пунктов. Примеры маркеров:

• «Разработал систему мониторинга...»
• «Реализовал интеграцию с...»
• «Оптимизировал процесс...»
• «Внедрил автоматизацию...» (все по 8-12 слов, все глагол + объект + контекст) Рекомендация: Варьировать структуру. Добавить пункт с результатом ("Скорость выросла в 3 раза"). Добавить пункт с контекстом ("Проект для Ростелеком, команда 5 человек"). Разная длина пунктов.

Контекст	Severity
article	🟢 low
message	🟢 low
resume	🔴 high

---

Категория: Переходные слова и связки

C01: Избыточные conjunctive phrases

Что: «Более того», «Кроме того», «Помимо этого», «Вместе с тем», «Moreover», «Furthermore», «Additionally» — слишком часто. Почему: AI использует формальные связки между каждым абзацем. Человек чаще начинает новый абзац без связки или использует неформальные переходы. Примеры маркеров:

• Три абзаца подряд, начинающихся с «Кроме того», «Более того», «Помимо этого» Рекомендация: Убрать 2 из 3. Начать абзац с сути, без вводного оборота.

Контекст	Severity
article	🟡 medium
message	🔴 high
resume	🟡 medium

C02: False range ("от X до Y")

Что: «От небольших стартапов до крупных корпораций», «От технической экспертизы до креативного мышления», «From intimate gatherings to global movements». Почему: Конструкция подразумевает спектр, но на деле это просто две слабо связанные вещи, одетые в "красивую" рамку. Примеры маркеров:

• «Опыт работы от MVP-проектов до enterprise-решений»
• «Навыки от написания кода до управления командами» Рекомендация: Сказать прямо: «Работал и с MVP, и с enterprise-проектами» или перечислить конкретные проекты.

Контекст	Severity
article	🟡 medium
message	🟡 medium
resume	🔴 high

---

Матрица severity (сводная)

Ниже — быстрая справка для определения, какие паттерны критичны в каком контексте.

article (статьи, Хабр, документация)

🔴 high: P04 (эмодзи в заголовках), L03 (inflated significance), L04 (AI-зачины), S01 (negative parallelism), S05 (bold bullet headers), T01 (vague attribution), T03 (стерильная нейтральность) 🟡 medium: P01, P03, P05, L01, L02, L05, L06, S02, S03, S04, S06, S07, T02, T05, R01, C01, C02

message (переписка)

🔴 high: P01 (длинное тире), P05 (буква ё), L01 (AI vocabulary RU), L04 (AI-зачины), L05 (вводные приглашения), S01, S03 (compulsive summary), T04 (вежливые обрамления), C01 (conjunctive phrases) 🟡 medium: P02, P03, P04, L03, L06, S02, S07, T01, T02, T05, C02

resume (резюме)

🔴 high: P01 (длинное тире), P04 (эмодзи), P05 (буква ё), L01, L02, L03, L06, S01, R01 (abstract impact), R02 (buzzword stacking), R03 (однородные bullets), T02 (причастные оценки), C02 (false range) 🟡 medium: P03, L04, S02, S03, S04, S07, T04, T05, C01