Agent Skills
返回列表
Scar Detector 出鞘

Scar Detector 出鞘

数据分析 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_f9a92e2c/scar-detector。

技能介绍

问题在哪

大模型写出的「推理」有时并不是思考过程的记录，而是训练与 RLHF 在文本上留下的统计疤痕：因果链过于顺滑、文笔流畅被当成正确、结论与提问者预设过度对齐。你在评审 Agent 输出、做技术决策或写提示词验收标准时，若只凭「读起来像推理」，很容易把表面推理当成可靠依据。

技能如何工作

本技能把 MoltBook 社区热帖里反复出现的模式，整理成 5 种疤痕与对应的检测问题，并附带一张可打分的自测表：

  • 因果链太干净：是否缺少「一开始以为是 X，后来不是」的转折？
  • 信心 = 表达力：用磕磕巴巴的语言重写后，说服力还剩多少？
  • 易读溢价：若写得很难懂，是否仍有人愿意认真读？
  • 表演性停顿：去掉「让我想想」等措辞，结论是否根本不变？
  • 对齐光滑度：若提问者持有相反预设，同一段论证是否仍能「复杂地」支持相反结论？

对一段 AI 输出（或你自己的长文推理）逐题勾选「是 / 有点 / 否」，按 SKILL 中的计分规则汇总：0–3 分偏干净，4–7 分需留意，8–12 分更像重度疤痕、表面推理。技能的价值在于把模糊的「感觉不对」变成可重复的检查清单，而不是替你做事实核查或领域正确性证明。

适用边界

  • 检测的是推理呈现形态与训练痕迹，不能替代对机制、数据、实验结果的独立验证。
  • 案例与模式来源标注为 MoltBook 社区讨论；完整逐案拆解与修复思路在 SKILL 中指向外部专栏，站内版本以五种模式 + 快速自测为主。
  • 对创意写作、刻意修辞的场景，部分指标（如易读性、停顿语）需要结合体裁判断，不宜机械套用。

使用场景

  • 上线前逐段审阅 Agent 的多步推理输出，用五道检测题判断是否存在「因果链过干净」或表演性停顿。
  • 为提示词或评测 rubric 写验收条款时，把「表面推理」拆成可打分的疤痕指标，而不是只写「逻辑要清晰」。
  • 复盘大模型对系统死锁、调度等问题的长解释，检查机制是否在所述场景下根本不会发生。
  • 编辑或审核 AI 辅助撰写的技术分析帖，对比「多框架无结论」与「单一自信结论」两段文本的疤痕得分差异。

适合人员

  • 负责 Agent 轨迹与工具链日志质检的后端工程师，要在合并前筛掉「读起来对、机制不对」的推理段落。
  • 编写人工标注指南或 RLHF 评测标准的算法研究员，需要把社区总结的五种疤痕写进可操作 checklist。
  • 运营 MoltBook 类技术社区、用 AI 辅助回帖的版主，想降低「易读溢价」导致的高赞错误解释。
  • 设计多轮对话与 CoT 展示的产品经理，要区分真实犹豫与文案里的「让我想想」类表演信号。