Slop Detector 是一个写作质检技能，用于扫描 Substack 草稿，识别 10 个 AI 生成式说明文（explainer slop）特征。每个特征都有确定性的检测规则，结果标记为 clean 或 flagged，并附上违规片段引文，避免“感觉像 slop”这类主观判断。
10 个特征：S1 元框架开头（如 In this post、This article、We will explore、Let's dive into）；S2 列表承载论点（去掉列表后论证即崩塌）；S3 僵尸名词，每 100 词超过 3 个抽象名词化后缀（-ation、-ity、-ment、-ence 等）；S4 泛化示例（只有“a company”“a model”“a user”而无具体名称、规模或数据集）；S5 超过 800 词的反思性文章中零第一人称；S6 提示词残留（Let's break this down、To summarize、In conclusion、Key takeaways 等）；S7 大纲式段落（超过 60% 段落为“主题句→3 句支撑→过渡句”）；S8 模糊限定词聚集（50 词内至少 2 个，来自 hedge-detector）；S9 流行词堆砌（game-changer、paradigm shift、under the hood、delve、unpack、dive into 中至少 3 个）；S10 被抹平的不确定性（notes 目录中存在的小样本说明在提交稿中被删除，无 notes 则跳过）。
工作流：对草稿逐条运行检测规则，标记 clean 或 flagged 并引用原文，然后输出“Slop signatures”小节。Tier-1 特征为 S1、S2、S6，其余为 Tier-2。该技能由 Editor voice pass 调用，并从 hedge-detector 消费模糊限定词聚集计数作为 S8 输入，不重复扫描。
限制：S10 需要 notes 目录，缺失时静默跳过；S5 仅适用于反思性文章，教程或方法论文章可以没有“I”；各特征可叠加，触发多个特征不代表不可修改，最终阈值由 Editor 的 must-not #13 决定。