No AI Slop：有证据的编辑、打包与效果评估
设计 No AI Slop 证据型编辑工作表：把建议锚定到原稿
设计记录原文范围、受保护事实与人工批准的小工具，不把风格偏好直接变成自动改写动作。
你将学会
- 让每条修改都能回到原始材料
- 区分机械检查与编辑判断
- 连接模型之前定义失败案例
开始前需要
- 一份事实可以核对的原稿
- 理解助手指令与插件安装范围
检查模式证据、保护原意，并区分包验证与未测量的编辑效果。
先看结论
- 把建议锚定到具体版本和文字范围。
- 机械有效性不等于编辑质量。
- 应用修改需要明确的批准决定。
让每条修改都能回到原始材料
一个有用的扩展是编辑工作表，记录原始片段、模式名、修改建议、原因和批准状态，同时保存受保护事实与引文。这是作者提出的实践项目，不是仓库已经提供的功能或上游路线图。第一版从合成原稿与手工录入的发现开始，避免过早引入模型依赖。
记录原稿版本和摘要，防止建议悄悄应用到已经改变的文字。同一句出现两次时需要位置，只有搜索字符串不够。新版本与被引用范围不再匹配时，将建议标为过期并请求审阅，而不是自动替换第一个看起来相似的句子。
区分机械检查与编辑判断
小型离线程序可以检查引用范围是否存在、受保护日期是否保留，以及获批修改是否针对记录的版本。这些检查不能判断讽刺是否仍然成立，或某句话是否值得缩短；应把这类问题保留为待人工决定项，而不是制造一个看似精确的信心分数。
先使用并排文本与静态标注，再考虑动画。可访问 SVG 已经能够解释原稿、发现与批准修改之间的关系，三维展示收益有限。无论未来界面多复杂，来源文字和版本记录都应在不依赖交互场景时仍然可读。
连接模型之前定义失败案例
测试缺失引文、重复短语、过期版本、保护数字变化和要求推断作者身份的发现。在这些歧义或禁止情形下，工作表应拒绝自动应用，同时保留原稿。这些是未来扩展的建议测试，与本次执行的七个打包校验案例不同。
后续可以让模型提出建议，但应用仍然需要明确动作。将经过审阅的改稿与修改记录一起导出，让下一位编辑能够追踪依据。包构建通过或模型自称检查通过，都不能替代对实际文本改动的批准。
如何选择
| 比较维度 | 方案 A | 方案 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 |
实施步骤
- 1
定义原文、发现和保护事实记录。
- 2
拒绝过期或歧义锚点。
- 3
用合成文字验证机械约束。
- 4
审阅路径有效后再加入模型建议。
可复制示例
{
"proposal": true,
"draftRevision": "synthetic-v1",
"finding": {
"spanStart": 0,
"spanEnd": 12,
"pattern": "example",
"approved": false
},
"protectedFacts": [
"Tuesday"
],
"applyAutomatically": false
}常见问题
工作表已经在项目里了吗？
没有。这是本文提出的学习扩展。
摘要能判断改稿好不好吗？
不能。摘要识别来源版本，质量仍需结合上下文审阅。
资料来源
- No AI Slop / skills/no-ai-slop/SKILL.md来源核查 2026-09-14
- No AI Slop / skills/no-ai-slop/eval.md来源核查 2026-09-14
- No AI Slop / scripts/build_plugin.py来源核查 2026-09-14