No AI Slop: edición con evidencia, paquete y evaluación
Evaluar No AI Slop: hechos conservados, esfuerzo de reparación y coste
Diseña una referencia limpia y registra autorrevisión, reintentos y trabajo humano sin inventar resultados de rendimiento.
Qué aprenderás
- Elige el resultado que necesita el lector
- Utiliza conversaciones limpias e inspección independiente
- Cuenta el ciclo completo de edición
Antes de empezar
- Un borrador con hechos verificables
- Comprender instrucciones del asistente y alcance de plugins
Inspeccionar patrones, conservar significado y separar validación de paquete de resultados editoriales no medidos.
Conclusiones clave
- Conservar hechos importa más que acortar.
- Una lista de revisión no es un benchmark publicado.
- Mide reintentos y reparación humana, no solo una respuesta.
Elige el resultado que necesita el lector
Claridad, voz reconocible y menos afirmaciones sin respaldo son resultados distintos de reducir palabras. Define hechos protegidos y rasgos de voz antes de comparar. Una revisión que elimina una salvedad real falla aunque guste más su ritmo o consuma menos tokens.
eval.md ofrece preguntas de autorrevisión, no una tabla de resultados observados. Su presencia no establece mejora porcentual, latencia ni ahorro. Nuestros casos de paquete solo describen validación de archivos y no aportan evidencia sobre comprensión lectora o habilidad del modelo.
Utiliza conversaciones limpias e inspección independiente
Da a referencia y candidato el mismo borrador, audiencia, formato y restricciones en conversaciones separadas. Fija versiones y conserva prompts y resultados. Si la referencia hereda la habilidad, no aísla su contribución. Un único ejemplo atractivo no cubre voz, citas e incertidumbre.
Incluye una nota de lanzamiento, una experiencia personal, terminología y citas. Revisa hechos antes de estilo y, si es posible, oculta la condición al evaluador. Registra omisiones, invenciones y reparaciones humanas. Es un diseño propuesto: no reclutamos lectores ni ejecutamos ensayos con modelos.
Cuenta el ciclo completo de edición
Registra contexto, salida, reintentos y tiempo de revisión. Reglas y lista añaden entrada; las reparaciones pueden añadir trabajo. Caché y facturación dependen del servicio anfitrión. Mantén desconocidos tokens y costes no medidos en vez de prometer edición más barata.
La adopción puede limitarse a cierto borrador interno que cumpla tus criterios, excluyendo citas o material especializado. Publica fallos junto a éxitos. Una preferencia media favorable no debe ocultar una sola afirmación inventada sobre clientes que impediría tu publicación real.
Cómo elegir
| Criterio | Opción A | Opción B |
|---|---|---|
| Best when | You need predictable behavior and easy auditing | You need adaptive optimization and have reliable telemetry |
| Main risk | May leave performance on the table | Can become difficult to explain or debug |
Pasos de implementación
- 1
Define hechos y voz protegidos.
- 2
Compara conversaciones limpias.
- 3
Inspecciona omisiones antes de estilo.
- 4
Registra uso del modelo y reparación por separado.
Ejemplo para copiar
{
"draftId": "synthetic-release-note",
"protectedFacts": 3,
"factsRetained": null,
"unsupportedAdditions": null,
"inputTokens": null,
"outputTokens": null,
"humanRepairMinutes": null,
"modelTrialExecuted": false
}Preguntas frecuentes
¿Qué mejora se midió aquí?
Ninguna. El diseño editorial se distingue de las pruebas de paquete.
¿Garantiza menos coste de tokens?
No. Instrucciones, revisión y reintentos pueden añadir coste; debe medirse el flujo concreto.
Fuentes
- No AI Slop / skills/no-ai-slop/eval.mdFuente verificada 2026-09-14
- No AI Slop / skills/no-ai-slop/SKILL.mdFuente verificada 2026-09-14