SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场slop-detector

slop-detector

写作与研究

查看项目

更新于 10-15 18:14

技能介绍

用途

slop-detector 用于检测散文中的 AI 生成写作模式。它适合在发布前审查文档，发现“AI 味”、模糊语言或身份泄露。其核心理念是：AI 味是密度问题，不是单词问题。单个“delve”没问题，但五个“delve”靠近“tapestry”和“embark”就是生成文本。该技能按每 100 词密度、标记聚集程度以及整体语域是否匹配文档类型进行评分，不禁止单词，只标记集中出现。

主要能力

  • 词汇与短语检测：标记分为三个置信层级。Tier 1 词（如“delve”“multifaceted”“leverage”）在 AI 文本中出现频率远高于人类文本；Tier 2 覆盖依赖上下文的过渡词（如“moreover”“subsequently”）；Tier 3 覆盖空洞短语（如“In today's fast-paced world”“cannot be overstated”）。
  • 结构模式检测：包括破折号过度使用、三段式排比、列表与散文比例、句子长度均匀性、段落对称性。
  • 身份与声音泄露扫描（P0）：扫描身份泄露（如“As a large language model”“as of my training cutoff”“I cannot provide”）、对话式声音泄露（如“Hope this helps!”“Great question!”“Sure!”）、结构自我叙述（如“In this section, we will cover...”“Let's dive into...”）、对冲跷跷板、对比结构等。
  • 谄媚模式检测：如“I'd be happy to”“Great question!”“Absolutely!”“That's a wonderful point”“I'm glad you asked”“You're absolutely right”。
  • Tier 5 / 2026 模式（预防严格）：包括破折号过度使用、用加号代替“and”、空间系词、否定平行、对比平行、清嗓式开头、三片段爆发、重要性聚集、技术散文中的智能引号、分号拼接、否定替代、循环/级联词汇、表演式诚实、复杂化标记、分词尾巴、强调拐杖。
  • AI 味密度评分：slop_score = (tier1_count * 3 + tier2_count * 2 + phrase_count * avg_phrase_score) / word_count * 100。评分 0-1.0 为 Clean，1.0-2.5 为 Light，2.5-5.0 为 Moderate，5.0+ 为 Heavy。
  • 文档经济性检查：四项检查（每项 0-2 分）：论点优先、句子重量、重复规则、受众匹配。
  • 幻觉与占位符扫描：扫描幻影代码引用、幻影依赖、死链、编造配置键、裸 TODO/FIXME、对冲语言、占位符构造。
  • 证据支撑声明：每条质量声明必须指向同一仓库中的证据，无证据则删除声明。
  • 反目标安全检查：在应用修复前验证不违反反目标，如不剥离安全注释、不折叠公共错误变体、不简化类型化错误、不内联有领域特定名称的函数、不触碰生成代码/供应商代码/历史变更日志、不自动应用低置信度发现。

使用方式

先定位发现，再阅读它们。运行：

uv run --with pyyaml python scripts/slop_score.py --audit <files>

一条命令作用于文件或目录，每个发现一行，带文件名和行号，退出码 0。它加载 data/languages/en.yaml 中的每个类别，包括合并门拒绝评分的类别：negative_definition、temporal_residue、contrastive_scaffold、over_explanation、较软拟人化动词以及每文档否定密度读数。这些打印为 (low) 或 (medium)。第 9 步的反目标适用于它们：呈现，绝不自动应用。

.py 路径被读取为注释和文档字符串，代码被清空，行号保留。--python 将其扩展到目录扫描。

然后识别目标文件并将其分类为技术文档、叙事散文或代码注释。分类影响上下文感知评分：营销文案中的 Tier 1 标记比 API 参考中的相同标记得分更低。

语言检测：使用功能词频率从文本内容自动检测语言；可用 --lang 参数显式覆盖（en、de、fr、es）；从 data/languages/{lang}.yaml 加载语言特定模式；检测置信度低时回退到英语。

拼写规范化（英式转美式）：默认在任何扫描文档中将英式拼写转换为美式，除非文档通过 .slop-config.yaml（spelling: british）或逐词允许列表选择退出。这是与 AI 味评分分开的一致性检查。使用经过测试的 scribe.spelling 函数（find_british_spellings、to_american）；两者都保留大小写并跳过代码、内联代码和 URL。

多轮清理工作流：对于系统性项目级清理，按顺序运行多轮工作流。摘要：Pass 0 预 AI 味扫描：密钥、代理配置；Pass 1 表面 lint 底线（格式化和 linter）；Pass 2 幻觉与占位符；Pass 3 身份与声音泄露；Pass 4 注释 AI 味（翻译、营销、横幅、延迟）；Pass 5 散文 AI 味（词汇、结构、文档经济性和证据支撑声明）；Pass 6 代码惯用法（委托给语言特定插件）；Pass 7 架构（判断密集；见反目标）；Pass 8 测试（同义反复、模拟、快照）；Pass 9 README 与公共文档；Pass 10 建立护栏（CI、lint、章程）。基本规则：每次提交一轮；删除优于重写；不静默应用低置信度修复；当一轮没有发现时停止。

实证基线：加载 modules/empirical-baseline.md 获取 2025-Q1 至 2026 研究基线，用于说明严重性权重。头条数字：AI PR 比纯人类 PR 多出 1.7 倍总问题、1.75 倍逻辑/正确性问题、2.74 倍 XSS、约 8 倍过度 I/O（CodeRabbit，2025 年 12 月）。92-96% 检测到的 AI 代码问题是可维护性（“代码异味”），而非正确性（Sonar，2025 年 Q4）。模型特定模式：GPT 捏造；Claude 遗漏。据此校准审计。当发现严重性在评审中受到质疑时，引用此模块而非诉诸权威。

适用场景

  • 在发布前审查文档中的 AI 味、模糊语言或身份泄露。
  • 对技术文档、叙事散文或代码注释进行 AI 生成模式检测。
  • 对 README 和公共文档进行证据支撑声明检查。
  • 对项目进行系统性多轮清理。
  • 在代理自身刚生成的文档上运行（由 /doc-generate、/doc-polish、/update-readme、/update-docs 等自动调用），此时 Tier 5 表中每个匹配都是硬失败，写入前修复。

限制

  • 不用于编写替换散文（使用 scribe:doc-generator）。
  • 不用于针对特定声音配置文件的漂移检测（使用 scribe:voice-review）。
  • 不自动应用低置信度发现，仅呈现供人工决定。
  • 不触碰生成代码、供应商代码或历史变更日志条目。
  • 不剥离不安全、锁定或承载契约代码上的安全注释。
  • 不折叠公共错误变体，除非有明确的主版本号提升决定。
  • 不将类型化错误“简化”为装箱/动态错误。
  • 不内联具有领域特定名称的函数，即使它很短。
  • 文档经济性检查第 4 项需要声明的读者；如果文档未指定，应询问而非猜测。创意输出跳过第 4 项。
  • 语言检测置信度低时回退到英语。
  • 具体收费、价格、平台支持等信息暂未提供。