AI Slop Checker

mcp-ai-slop-checker

一个 MCP 服务，用来告诉你的模型，它自己的写作听起来有多像 AI。

claude mcp add ai-slop-checker -- npx -y github:parweb/mcp-ai-slop-checker

三个工具，全部确定性、本地运行且离线：不调用大模型、不需要 API 密钥、不发起网络请求，也不收集遥测数据。同样的输入始终返回同样的数字，因此你可以在测试中设定分数并断言结果。

check_ai_slop(text)                          -> 0-100, 6 dimensions, named tells, fixes
grade_landing_copy(headline, subhead, cta)   -> 0-100, 5 dimensions, flags, rewrites
get_slop_stats()                             -> benchmark stats from 239 real landing pages

为什么要用

每一种“AI 检测器”都是概率分类器，会猜测文本的作者身份，而且两边都可能判断错误。本工具反其道而行，并直截了当地说明：它会统计风格特征——破折号密度、delve/tapestry/furthermore 的出现频率、“not only… but also”句式框架、可疑的均匀句长、缺少具体内容、过于工整的平行项目列表——并返回各项子分数对应的原始统计数据。

因此，它适用于 Agent 能真正完成闭环的工作流：撰写 → 评分 → 查看哪项计数偏高 → 针对性修改 → 重新评分。分类器给出的“有 87% 的可能是 AI 写的”无法让 Agent 采取行动，而 "hype": 5 可以。

分数衡量的是风格，而不是作者身份。stripe.com 的得分是 61，但显然是专业人士撰写的。低分意味着读起来很泛泛，绝不意味着由 AI 生成。

安装

已列入官方 MCP Registry，条目名称为 io.github.parweb/ai-slop-checker。

可直接从 GitHub 安装——目前尚未发布到 npm，因此请使用 github: 规格：

claude mcp add ai-slop-checker -- npx -y github:parweb/mcp-ai-slop-checker

也可以在任何 MCP 客户端配置中使用（claude_desktop_config.json、.mcp.json、Cursor 等）：

{
  "mcpServers": {
    "ai-slop-checker": {
      "command": "npx",
      "args": ["-y", "github:parweb/mcp-ai-slop-checker"]
    }
  }
}

或者从 v1.0.2 发布页 安装独立的 MCPB 程序包（包含依赖项，无需安装步骤）—— mcp-ai-slop-checker.mcpb，SHA-256 6b13eb6d19be99553ab4551c7b6f9fc159a0db854c20718c611bfa0cc30f43f8。 你也可以自行重新构建并进行比对：./scripts/build-mcpb.sh。

从源代码安装：

git clone https://github.com/parweb/mcp-ai-slop-checker
cd mcp-ai-slop-checker && npm install && npm test
# then point your client at:  node /abs/path/mcp-ai-slop-checker/src/index.js

Node >= 18。一个运行时依赖项（@modelcontextprotocol/sdk），以及 zod。

工具

check_ai_slop(text)

为文本评分，范围为 0–100，100 表示读起来像人写的。包含六个维度：大模型词汇密度（30）、破折号密度（20）、公式化结构（15）、句子节奏（15）、具体程度（10）、列表工整度（10）。文本长度达到约 200 个字符或以上时，结果较为可靠。

实际输出，只保留重要部分：

// input: a 74-word paragraph of "In today's fast-paced world… delve… Moreover… seamless…"
{
  "score": 34,
  "verdict": "This sounds AI-generated.",
  "words": 74,
  "dimensions": [
    { "key": "LLM-word density",     "max": 30, "score": 0,  "notes": { "phrases": 5, "words": 14 } },
    { "key": "Em-dash density",      "max": 20, "score": 8,  "notes": { "dashes": 1 } },
    { "key": "Formulaic structures", "max": 15, "score": 10, "notes": { "hits": 1, "triads": 1 } },
    { "key": "Sentence rhythm",      "max": 15, "score": 6,  "notes": { "sentences": 5, "cv": 0.2 } },
    { "key": "Specificity",          "max": 10, "score": 0,  "notes": { "number": false, "propers": 0 } },
    { "key": "List perfection",      "max": 10, "score": 10, "notes": { "bullets": 0, "bold": 0 } }
  ],
  "flags": ["llmwords", "emdash", "formulaic", "uniform", "nospec"],
  "fixes": [
    { "title": "Cut the LLM words",
      "detail": "Found 19 (\"delve/tapestry/furthermore/it's important to note\"…). Each one is a known model tell. Replace with the plain word you'd say out loud." },
    { "title": "Vary sentence length",
      "detail": "Your sentences are suspiciously even (5 sentences, low variance). Humans write long, then short. Like this." }
  ]
}

test/engine.test.js 中手写的段落——主题相同、篇幅大致相同——得分为 92，“读起来像人写的。”

grade_landing_copy(headline, subhead, cta)

为主视觉区块评分，范围为 0–100，维度包括：反炒作（25）、具体程度（25）、清晰度（25）、标题结构（13）、CTA（12）。subhead 和 cta 是可选项，但 CTA 为空时，该维度得分为 0。

有三项排除规则值得了解，因为它们都是针对实际误报情况作出的调整，而非主观偏好：名称、版本、年份或列表索引中的数字不算量化主张（Auth0、Framer 3.0、B2C、© 2026）；箭头或对勾不算表情符号（Get started → 曾因按钮字形被扣 4 分）；首字母缩略词不算大喊大叫——SQL、MCP、CLI、API 不再被视为全大写文本。这些规则与 parweb/landing-copy-grader 中的浏览器评分器和在线版本逐字节相同；已在全部 239 个语料页面上验证一致。

实际输出：

// headline: "Revolutionize your workflow with our seamless, cutting-edge platform"
// subhead:  "Unlock powerful solutions that transform your business"
// cta:      "Learn more"
{
  "score": 32,
  "verdict": "This reads AI-generated.",
  "dimensions": [
    { "key": "Anti-hype",      "max": 25, "score": 0,  "notes": { "hype": 5, "exclamations": 0, "emoji": 0, "allcaps": 0 } },
    { "key": "Specificity",    "max": 25, "score": 8,  "notes": { "number": false } },
    { "key": "Clarity",        "max": 25, "score": 7,  "notes": { "filler": 3 } },
    { "key": "Headline shape", "max": 13, "score": 13, "notes": { "words": 8 } },
    { "key": "CTA",            "max": 12, "score": 4,  "notes": { "weak": true, "empty": false } }
  ],
  "flags": ["hype", "filler", "weakcta", "nonum"],
  "fixes": [
    { "title": "Cut the hype words", "detail": "Found 5 (\"revolutionize/unlock/seamless/leverage\"…). Replace each with a plain, concrete verb." },
    { "title": "Add one number",     "detail": "No concrete figure anywhere. …82% of the 239 pages in our dataset fail this one." },
    { "title": "Rewrite the CTA",    "detail": "\"Learn more\" is generic. Use an action + outcome…" }
  ]
}

修好全部四项后，同一项宣传内容得分为 100：

headline: "Cut invoice time from 3 days to 20 minutes"
subhead:  "Turn your spreadsheet into a client-ready invoice, no template hunting."
cta:      "Start your first invoice"
-> { "score": 100, "verdict": "Reads human & sharp.", "flags": [] }

这两个数字都在 test/engine.test.js 中进行了断言，因此不会悄然发生变化。

get_slop_stats()

没有基准，“你的文案得分为 74”毫无意义。此工具会返回参考分布，让模型可以说 “这低于 239 个真实落地页的中位数。”

以下数据来自已存档语料库，使用 static-fetch-regex-v1 评分。2026-07-25 收紧了三条规则——名称／版本／年份中的数字不算声明，箭头不算表情符号，首字母缩略词不算大喊大叫——grade_landing_copy 会应用这些规则，因此今天重新评分的页面可能与此表中的对应数据不同。语料库有意保留原始评分：它是带 DOI 的存档对象，而不是实时视图。

页面	239（尝试抓取 303 个，排除 64 个）
得分	最低 41 · 中位数 79 · 平均值 80.1 · 19 个满分 · 31 个低于 70
提取方式	2026-07-24，原始 HTML，不执行 JS，不使用大模型

各项特征出现的频率：

标记	页面数	%	含义
nonum	195	82%	主视觉区没有任何数字
filler	82	34%	至少 1 个填充词
weakcta	35	15%	CTA 是常见的动词短语
caps	33	14%	标题／副标题中有全大写单词
hype	16	7%	至少 1 个夸大宣传词
shorthl	13	5%	标题少于 3 个词
longhl	9	4%	标题超过 12 个词
excl	7	3%	感叹号
emoji	7	3%	主视觉区有表情符号

最常见的特征不是长破折号，也不是“delve”——而是缺少数字。 五个落地页中有四个提出的声明完全没有附带数量。

包含每个页面提取出的主视觉文本、方法说明和排除列表的完整 CSV： landing-copy-grader/data/landing-pages-scores.csv。 该仓库中的 node scripts/verify-dataset.js 会离线重新评估全部 239 行；任何结果不一致都会导致失败——上表由 test/engine.test.js 中的测试锁定为与其输出一致。

更正，2026-07-25。 这些计数在 v1.0.0 中有误，现已在 main 上修正。用于计算的数据 CSV 每行只存储了前三个标记，因此每个包含四个或更多特征的页面都少计了一项： nonum 显示为 194 / 81%，而非 195 / 82%；caps、shorthl、longhl 和 emoji 的计数也偏低。 得分、中位数、平均值和满分 100 的页面列表均未受影响。如果你在任何地方看到我们给出的 194 / 81%，正确数据是 195 / 82%。

测试

npm test

共 18 项测试：针对已发布样例验证评分引擎，另有 6 项测试通过标准输入／输出启动真实服务，并使用实际 MCP 客户端对其进行调用（listTools、三次 callTool 往返、可选参数处理，以及一个不得导致进程退出的校验错误）。

# tests 18
# pass 18
# fail 0

相关项目

相同引擎，不同使用界面：

• 这听起来像 AI 吗？ — 在浏览器中使用 check_ai_slop
• 落地页排行榜 — 全部 239 个页面及其评分和主视觉文本
• parweb/landing-copy-grader — 单文件浏览器评分器和数据集

项目状态

首次发布于 2026-07-25。 项目规模小、历史短——在此如实说明，供你自行判断。

• 稳定： 三个工具的签名、返回的 JSON 结构，以及两个评分引擎。测试套件会断言它们的输出，因此任何导致分数变化的修改都会使 CI 失败，而不会让你措手不及。
• 有主观判断且预计会变化： 词表。仅支持英语。
• 已知缺陷： v1.0.0 包含错误的基准数据，v1.0.0 和 v1.0.1 均包含更正前的评分规则。请使用 v1.0.2，或使用会跟踪 main 的 npx github: 安装方式。

欢迎提交问题和 PR，尤其是针对词表的反馈——“这个词不对，这是一个反例”是针对确定性评分器的可复现错误报告，这正是采用这种方式构建它的主要原因。

诚实说明

• 这只能识别文风特征，无法检测作者身份，而且没有任何方法能可靠地做到这一点。
• 词表带有主观倾向，且仅包含英文。它们是 src/slop.js 和 src/copy.js 顶部的普通数组——读一读，提出异议，或自行分叉。
• 只有因为这里没有任何随机因素，分数才可以跨时间比较。这正是关键所在。
• 由一个自主 Agent 组织构建并维护。代码、数据集和这些数字都真实且可复现；运行 npm test 并自行验证。

许可证

MIT