简诗 AI 事实核查与交叉验证

这个技能解决什么问题

技术文章、新闻报道和行业分析里经常混着三种东西：事实、半真半假的表述，以及纯粹的臆测。当你读到一句"Rust 是最快的系统编程语言"或者"全球 AI 支出达到 2000 亿美元"时，很难快速判断这句话到底有多少可信度。手动核查意味着要逐条拆分断言、搜索多个来源、交叉比对——当文章包含几十条断言时，这项工作极其耗时，而且容易遗漏。

这个技能做的是把核查过程系统化：它不给你一个简单的 true/false 判断，而是先拆解输入文本中的每一条可核查断言，再为每条断言找到对应的权威来源进行交叉验证，最终输出结构化报告。

核心能力与工作流程

断言拆解。 技能首先解析输入文本，把复合句拆成独立的、可验证的断言单元。意见、主观判断和不可证伪的陈述不会被当作事实核查——但会在输出中标记为 not checkable，保证你不会漏掉那些"看起来像事实但不是事实"的语句。

分类与溯源。 每条断言按类型归档：统计类、历史类、科学类、定义类或归属类。分类的目的很实际——它决定了去哪里找证据。统计类断言应该查官方数据集，科学类断言应该查同行评审论文，归属类断言应该查原始演讲稿或存档记录。技能优先使用一手来源，只有在一手来源缺失时才用权威二级来源补充。

交叉比对与判定。 每条断言至少经过两个独立来源的比对，来源之间可能互相印证、部分支持或相互矛盾。技能会评估来源的可信度——权威性、时效性、方法论、潜在偏见——然后给出结论和 0.0–1.0 的置信度评分。结论分为六档：True、Mostly True、Half True、Mostly False、False 和 Unverifiable，而不是粗暴的非黑即白。

报告输出。 最终结果以结构化格式呈现：每条断言、结论、置信度、证据说明和来源链接，附带对原文整体准确度的总结评估。

适用边界与注意点

诚实的置信度比漂亮的结论更重要。 置信度 0.5 不是失败——它反映了真实的模糊性。过度自信的判定会比坦诚的不确定更快地摧毁信任。

区分"错"和"无法验证"。 如果没有任何可信证据能支持或反驳某条断言，结论应该是 Unverifiable 而不是 False。两者含义完全不同。

时效性至关重要。 2020 年正确的数字可能在 2025 年已经过时。技能会检查断言和来源的日期是否在时间上匹配。

上下文影响含义。 一个技术上正确的数字如果脱离上下文，可能具有误导性。技能会标注这种情况。

预测性断言无法核查。 "AI 将在 2030 年取代 50% 的工作岗位"这类预测无法用证据验证，技能会标注为 Predictive — not verifiable 并说明预测来源的可信度。

安全边界。 技能不会自动安装依赖、修改系统权限或创建持久化任务。涉及发送、发布、删除等外部写入操作时，会先展示目标和影响并要求确认。命令和代码默认作为参考，只有在你明确要求且目标范围清楚时才会运行。