deep-fact-check

name	deep-fact-check
description	执行深度事实核查与认知偏见分析，识别信息操控手法，提供置信度分层评估与可溯源的修正建议。
argument-hint	<claim or URL>
disable-model-invocation	true

深度事实核查分析师 (Deep Fact-Check)

执行深度事实核查与认知偏见分析，识别信息操控手法，提供置信度分层评估与可溯源的修正建议。 本技能整合信息操控识别、认知边界管理与竞争性假设检验，不仅验证"是否属实"，更分析"如何被呈现"与"为何如此呈现"。

何时使用

当用户提出以下请求时触发：

• "对...进行事实性检查"
• "deep fact check this document"（深度核查这份文档）
• "verify these AI model specifications"（验证这些 AI 模型规格）
• "check if this information is still accurate"（检查此信息是否仍然准确）
• "update outdated data in this file"（更新此文件中过时的数据）
• "validate the claims in this section"（验证本节中的声明）

尤其是当内容涉及以下特征时：

• 高影响声明：涉及财务、健康、安全或重大决策的信息
• 争议性话题：存在明显对立观点的议题
• 情感化修辞：使用强烈情绪词汇或末日/乌托邦框架
• 数据密集型：包含大量统计、图表、对比声明
• 权威引用：频繁引用专家、研究、内部消息
• 预测性论断：对未来事件或趋势做出确定性预言

认知框架：三层事实模型

在核查前，先对内容进行本体论分层：

层级	特征	核查策略	输出标记
L1 经验事实 (Empirical Facts)	可量化、可证伪、时间戳明确	寻找原始数据源，验证测量方法	✅ 已证实 / ❌ 已证伪
L2 解释性框架 (Interpretive Frames)	基于事实的因果解释、意义赋予	评估逻辑一致性，寻找竞争性解释	🟡 框架A / 🟠 框架B
L3 价值判断 (Value Judgments)	应然陈述、风险评估、重要性排序	识别价值预设，评估证据支撑度	💬 观点 / ⚖️ 多元价值

操作原则：L1必须严格验证；L2需呈现多元框架；L3尊重但标注。

---

工作流程

阶段1：认知解构与提取（Cognitive Deconstruction）

目标：将文本拆解为最小可验证单元，识别认知操控的痕迹。

步骤1.1：论断原子化提取

使用SIFT原则扫描文本：

• Stop：暂停接受，标记潜在主张
• Investigate：追查来源，区分一手/二手信息
• Find：寻找原始上下文
• Trace：追踪引用链条，识别循环引用

提取模板：

### 论断档案 #[ID]
**原文切片**："[精确引用]"
**本体论层级**：L1(事实) / L2(解释) / L3(价值)
**认知标记**：
- [ ] 绝对化词汇（"必然"、"绝对"、"不可能"）
- [ ] 恐惧/贪婪诉求（"错失良机"、"巨大威胁"）
- [ ] 虚假精确（"73.2%"但无来源）
- [ ] 归因模糊（"专家表示"无具体姓名）
- [ ] 时间混淆（将过去计划描述为当前状态）

**元数据**：
- 位置：第[X]段，行[Y]
- 信源链条：[作者] → [媒体] → [声称的原始来源]
- 时间敏感度：高（每日更新）/ 中（季度更新）/ 低（历史事实）

步骤1.2：操控手法预扫描

快速识别7种信息操控模式（原文档核心资产）：

操控类型	识别信号	快速检测法
断章取义	引语短促，缺乏前后句	搜索引语完整段落
选择性报道	单一视角，无反面证据	主动搜索"反驳+[主题]"
时间差操纵	使用"最新"但无具体日期	检查信息时间戳 vs 发布时间
虚假类比	"正如X一样，Y也会..."	列出类比对象的关键差异
数字游戏	百分比无基数，或绝对值无对比	要求完整的数学上下文
因果倒置	"因为A所以B"但时间顺序相反	验证时间线与相关性证据
权威误用	跨领域引用，或" consensus"无证据	核实专家资质与观点分布

输出：标记所有疑似操控点，进入深度验证阶段。

---

阶段2：多源三角测量与竞争性假设（Triangulation & Falsification）

目标：不仅寻找证实证据，更主动寻找证伪证据 与 竞争性解释。

步骤2.1：权威源分层检索

检索策略（并行执行）：

查询构造矩阵：
├─ 证实性查询（Confirmatory）
│   └─ "[论断关键词]" + "official report" + "2025/2026"
├─ 证伪性查询（Falsifactory）  
│   └─ "[论断关键词]" + "false" / "misleading" / "controversy"
├─ 竞争性框架（Alternative Frames）
│   └─ "[主题]" + "criticism" / "alternative explanation" / "debate"
└─ 时效性查询（Temporal）
    └─ "[事件]" + "update" / "revised" / "clarification"

信源权威性评估表：

等级	类型	可信度权重	使用规则
T1	原始数据发布者（公司财报、政府统计、原始论文）	90%	优先采用，需验证真实性
T2	权威专业媒体（Reuters, Bloomberg, Nature, 财新）	75%	需交叉验证，注意独家报道风险
T3	行业分析/智库（Gartner, McKinsey, Pew Research）	60%	注意方法论与利益冲突
T4	评论/社论/社交媒体	30%	仅作为观点参考，不用于事实验证
TX	匿名/无法溯源	0%	明确标记为"无法核实"

步骤2.2：竞争性假设生成

对每个L1级论断，生成至少3个竞争性假设：

示例：

• 原文论断："OpenAI亏损50亿美元，即将破产"
• 假设A（支持）：烧钱速度确实超过收入，现金流紧张
• 假设B（反对）：亏损是会计处理，实际运营现金充裕，且持续融资
• 假设C（重构）：亏损属实，但属战略性投入，非生存危机

验证结果：

• 若A、B、C均有证据 → 标记为**⚖️ 争议性事实**，需呈现多方数据
• 若仅A有强证据 → 标记为**✅ 已证实**（但注意幸存者偏差）
• 若B/C证伪A → 标记为**❌ 已证伪**

步骤2.3：认知偏差自检清单

在得出结论前，强制检查：

**偏差自检**：
- [ ] **确认偏误**：我是否只搜索了支持原文的关键词？
- [ ] **锚定效应**：是否被原文的第一个数字/框架过度影响？
- [ ] **可得性启发**：最新/最情绪化的信息是否被过度加权？
- [ ] **权威偏见**：是否因为来源知名而降低验证标准？
- [ ] **归因谬误**：是否将相关性误解为因果性？
- [ ] **二元思维**：是否忽略了"部分属实"的灰度地带？
- [ ] **白大褂效应**：是否因"带引用格式"而高估可信度？（MIT 研究警示）
- [ ] **懒惰假设**：假设读者不会点击链接，关键主张是否已独立验证？
- [ ] **流畅性偏见**：是否混淆了"写得易懂"与"事实"或"置信度"？

---

阶段3：深度对比与误导机制分析（原文档核心增强版）

目标：不仅指出"错了"，更揭示"如何被误导"与"为何有效"。

步骤3.1：精细化解剖表

创建四维对比矩阵：

### 论断深度解剖：[论断ID]

| 维度 | 新闻稿呈现 | 完整事实 | 差异分析 | 操控机制 |
|------|-----------|---------|---------|---------|
| **事实层** | 具体声明 | 原始数据 | 数字/日期/主体差异 | 断章/篡改/虚构 |
| **语境层** | 呈现的背景 | 原始背景 | 省略/添加的上下文 | 选择性/框架效应 |
| **时间层** | 暗示的时效 | 实际时间戳 | 过时/超前/永恒化 | 时间差操纵 |
| **评价层** | 隐含结论 | 客观评估 | 过度推断/风险隐藏 | 滑坡谬误/虚假类比 |

**读者认知影响预测**：
- 阅读后可能形成的印象：[X]
- 这种印象与现实的偏离度：[高/中/低]
- 最有效的误导点（锚点）：[具体词句]

步骤3.2：七宗罪深度分析（继承并增强原文档）

对检测到的每种操控手法，进行机制解构：

1. 断章取义（Context Stripping）

**检测**：
- 引语长度 < 15字，或孤立存在
- 缺少主语、时间状语或条件从句

**还原**：
原文上下文：[完整段落]
说话者意图：[基于完整文本的解读]
新闻稿利用：[如何通过省略改变含义]

**认知原理**：  
语境消除导致**语义漂移**（Semantic Drift），读者用当前情境填补空白。

2. 选择性报道（Cherry Picking）

**系统性检测**：
列出[主题]在最近[时间范围]的所有重大事件：
- [日期] [事件A] [支持/反对新闻稿论点]
- [日期] [事件B] [支持/反对新闻稿论点]
- ...

**沉默的证据**：  
新闻稿忽略的[数量]个关键事实，特别是[具体反例]。

**认知原理**：  
利用**确认偏误**，读者倾向于接受符合预设的信息，不察觉遗漏。

3. 时间差操纵（Temporal Manipulation）

**时间线重建**：
- [T-30天]：[早期事件]
- [T-7天]：[转折事件] ← 新闻稿引用点
- [T-3天]：[更新事件] ← 新闻稿忽略
- [T-现在]：[最新状态]

**效应**：  
用[T-7天]的信息描述[T-现在]的状态，产生[具体误导效果]。

**认知原理**：  
**可得性层级**（Availability Cascade），旧信息因被广泛报道而更易回忆。

4. 虚假类比（False Equivalence）

**类比矩阵**：

| 维度 | 本体(A) | 喻体(B) | 相似度 | 关键差异 |
|------|--------|--------|--------|---------|
| 商业模式 | X | Y | 60% | A有收入，B无 |
| 市场环境 | X | Y | 40% | 不同时代/规模 |
| 风险因素 | X | Y | 30% | A有技术护城河，B无 |

**结论**：  
差异在[关键维度]上足以使类比失效，属于**类别错误**（Category Error）。

5. 数字游戏（Statistical Gymnastics）

**数学语境重建**：
- 原文声称："下降50%"
- 基数：[X] → [0.5X]
- 绝对值：[100万] → [50万]
- 对比基准：历史平均？竞争对手？预期目标？
- 统计显著性：p值？置信区间？

**操控手法**：  
[ ] 相对值隐藏绝对值  [ ] 选择性时间起点  [ ] 改变分母定义  
[ ] 混淆平均数与众数  [ ] 幸存者偏差（只看成功案例）

**认知原理**：  
**数字麻木**（Numeracy Blindness），读者对数字敏感但对数学关系不敏感。

6. 因果混淆（Causal Confusion）

**因果图重建**：

新闻稿暗示：A → B（直接因果）
实际关系：
- 共同原因：C → A, C → B（虚假因果）
- 反向因果：B → A（因果倒置）
- 第三变量：A ↔ B（相关非因果）
- 复杂系统：A → [X,Y,Z] → B（过度简化）

**证据检查**：
- [ ] 时间顺序正确？（原因先于结果）
- [ ] 排除混杂变量？
- [ ] 有机制解释？（不只是统计相关）
- [ ] 可重复性？（非偶然事件）

7. 权威误用（Authority Misattribution）

**资质核查**：
- 引用者：[姓名]
- 专业领域：[X学]
- 论断领域：[Y学]
- 重叠度：[30%]（跨界程度）

**观点分布**：
- 该领域主流观点：[A]
- 引用者观点：[B]（是否属少数派？）
- 引用者利益冲突：[有/无]（如：持股、竞争关系）

**认知原理**：  
**光环效应**（Halo Effect），专家在其专业外的观点被赋予不当权重。

---

阶段4：置信度分层与认知边界标注（元思考整合）

目标：诚实面对不确定性，避免虚假精确性。

步骤4.1：贝叶斯置信度评估

对每个论断，基于证据质量赋予概率化置信度：

### 置信度评估：[论断ID]

**先验概率**（基于背景知识）：[60%]
**证据更新**：
- T1来源支持：+20%
- T2来源冲突：-15%
- 方法论缺陷：-10%
- 时间戳新鲜：+5%

**后验概率**：60% → **[60%]**

**认知边界标注**：
- [ ] 公开信息充分（>80%置信度）
- [ ] 信息部分公开，需内部知识（50-80%置信度）
- [ ] 信息未公开，纯属推测（<50%置信度）
- [ ] 根本不可知（承认无知）

** epistemic status（认识论状态）**：
[ ] 确定事实  [ ] 高度可能  [ ] 平衡证据  [ ] 推测性  [ ] 无法判断

步骤4.2：反事实情景分析

压力测试：什么证据会推翻当前结论？

**证伪条件**：
如果[具体事件]发生，我将改变对该论断的评估。
例如：
- 如果OpenAI发布Q2财报显示正现金流 → 修正"即将破产"论断
- 如果Gary Marcus提供录音证明软银确实要撤资 → 提升该主张置信度

**当前监测**：
需要持续跟踪的关键指标：[列表]

---

阶段5：生成结构化核查报告（ synthesis）

报告架构：金字塔模型

顶层：执行摘要（适合决策者）

• 总体可信度评级（A/B/C/D/F）
• 3个最关键发现（无论正误）
• 行动建议（阅读/分享/忽略/警告）

中层：详细发现（适合分析者）

• 按严重性排序的问题清单
• 每个问题的完整证据链
• 竞争性解释对比

底层：方法论与数据（适合验证者）

• 所有查询关键词与来源链接
• 原始数据表格
• 认知偏差自检记录

参考模板

# 深度事实核查报告："[文章标题]"

## 执行摘要

**元数据**：
- 原文链接：[原文链接]
- 原文作者：[Name] ([Affiliation])
- 发布时间：[Date]
- 核查时间：[Date]
- 核查范围：[全文/特定章节]
- 核查员：[AI/人工]

**可信度评级**：🟡 **B级 - 部分可信，需补充语境**

**核心结论**：
本文在[财务数据/技术规格]方面基本准确，但在[因果关系/趋势预测]上存在
[选择性报道/过度推断]。读者应特别注意[具体风险点]。

**关键发现速览**：
| 类别 | 数量 | 示例 |
|------|------|------|
| 🔴 严重误导 | 2 | 软银撤资声明的断章取义 |
| ❌ 事实错误 | 1 | GPT-5发布日期错误 |
| ⚠️ 信息过时 | 3 | 使用1月数据描述2月状况 |
| ✅ 准确属实 | 8 | 财务亏损数据、市场份额变化 |
| ❓ 无法核实 | 2 | "内部人士"匿名爆料 |

---

## 详细发现

### 🔴 严重误导性论断

#### [问题1标题]
**原文**（位置：第X段）：
> [精确引用]

**操控手法**：断章取义 + 选择性报道  
**机制解构**：
新闻稿呈现[软银CFO表示"尚未决定"]，暗示[撤资意向]。但完整上下文显示，
这是针对[未来追加投资]的回应，而非[现有投资]。同时，新闻稿省略了同一
财报中披露的[200亿美元新投资洽谈]信息。

**完整事实**：
根据[软银2025年Q4财报原文](链接)：
1. [完整引语，包含上下文]
2. [提及的OpenAI投资实际产生42亿美元收益]
3. [正在洽谈的追加投资细节]

**认知影响**：
读者可能形成"[软银对OpenAI失去信心]"的印象，而实际上[信心仍然强劲]。
这种印象可能导致[错误的投资决策或市场判断]。

**建议修正**：
> 软银CFO在财报会议上表示，关于对OpenAI的**追加投资**"还没有做出任何决定"，
> 这是针对未来额外投资的谨慎表述。值得注意的是，软银同期披露其现有OpenAI
> 投资产生了42亿美元账面收益，且正在洽谈一笔200亿美元的新投资。

**证据链**：
1. [软银官方财报，2026-02-XX] - [链接]
2. [Bloomberg报道，确认200亿投资洽谈] - [链接]
3. [Reuters分析，解读CFO言论上下文] - [链接]

---

### ⚠️ 解释性框架争议

#### [问题2标题]
**原文主张**：
> "OpenAI是AI界的WeWork，炒作终将破灭"

**框架分析**：
这是一个**L2级解释性论断**（非L1事实），涉及类比推理。

：
 高额亏损（50亿美元）
 依赖持续融资
 同一投资者（软银）

：
 OpenAI有200亿美元收入（WeWork主要是亏损）
 技术护城河（即使减弱仍存在）
 市场需求验证（企业客户持续增长）

：
  
"高亏损是云基础设施建设的必经阶段，类似AWS早期"

  
"从研究实验室向商业公司转型中的正常摩擦"

：  
原文选择[最悲观的框架A]，忽略[同样合理的框架B/C]。这属于
（Framing Effect），非事实错误，但限制了读者认知。

：  
呈现多元框架，或明确标注为"作者观点"。

---



：
 作者[Gary Marcus]历史上持[AI怀疑论]立场
 本文立场与既往立场一致性：[高]
 利益冲突：[无直接经济利益，但存在声誉/理论利益]

：
 系统性强调：[财务风险、竞争压力、技术限制]
 系统性忽略：[收入增长、技术进步、市场地位]

：
 负面词汇密度：[高，每百字X个]
 确定性词汇（"必然"、"肯定"）：[数量]
 不确定性对冲（"可能"、"也许"）：[数量，偏低]

：6/10  
（承认事实，但选择性呈现；有明确观点，但应更透明标注）

---



：

以下新证据将改变本报告的结论：
 如果OpenAI宣布破产或大规模裁员 → 升级"即将完蛋"论断为准确预测
 如果软银正式确认撤资 → 修正对软银立场的评估
 如果GPT-5被证实存在重大技术缺陷 → 补充技术质疑

：
 OpenAI现金流状况（季度财报）
 软银OpenAI持仓变化（监管披露）
 企业AI采用率更新（行业报告）

：[日期，建议30天后]

---



：
 本文的[财务数据/市场份额]可信，可直接引用
 对[趋势预测/因果解释]保持怀疑，建议阅读[反方观点链接]
 特别注意[日期/定义]的语境，避免被时间差误导

：
 引用本文时需添加[补充语境]，特别是[软银投资部分]
 避免使用"[即将完蛋]"等绝对化表述，改为"[面临可持续性挑战]"
 建议交叉验证[具体数据点]

：
 本文风险评估有价值，但仅为[多方观点之一]
 关键决策应基于[原始财报]，而非本文转述
 注意[作者潜在偏见]可能影响风险/收益权重

---



：
 无法访问付费墙内容（如The Information全文）
 无法验证匿名消息来源
 基于[核查日期]的公开信息，后续发展可能改变评估

：
本核查旨在提升信息质量，不构成对原文作者的人身攻击或对其观点的全面否定。
重点在于[如何更准确地呈现事实]，而非[证明作者错误]。

：
本报告使用的所有来源列表：[附录A]
查询日志与检索策略：[附录B]
认知偏差自检记录：[附录C]

---



[]: 

---

  

要求

• 使用 证据链 或脚注的形式灵活展示每个论断的来源链条。
• 根据模版结构，来灵活组织最终输出，以得到详略得到结果。
• 一级标题、执行摘要、参考来源部分必须保留。

---

阶段6：后续服务选项

提供四种输出模式，适应不同场景：

A. 学术模式（完整版）

• 包含所有方法论细节
• 完整引用列表
• 竞争性框架对比
• 适用：深度研究、法律证据、政策制定

B. 新闻模式（平衡版）

• 强调关键发现
• 突出反方观点
• 时效性优先
• 适用：媒体报道、公共传播

C. 简报模式（执行版）

• 1-2页摘要
• 仅关键发现与建议
• 视觉化评级
• 适用：高管决策、快速参考

D. 修正模式（重构版）

• 基于核查结果重写原文
• 保持作者风格，修正事实错误
• 添加注释说明改动
• 适用：编辑校对、内容优化

---

质量保证检查表

完成核查前强制确认：

• 提取完整性：是否遗漏了隐藏的L1级事实主张？
• 证伪充分性：是否为每个关键论断寻找了反例？
• 来源独立性：是否存在循环引用（A引B，B引C，C引A）？是否存在 AI/内容农场内容的"衔尾蛇"互引？
• 时间一致性：所有数据点的时间戳是否清晰且合理？
• 偏差自检：是否完成了5项认知偏差检查？
• 置信度诚实性：是否对不确定性进行了明确标注？
• 反事实准备：是否列出了可能推翻结论的条件？
• 伦理边界：是否区分了事实修正与观点压制？

免责与伦理框架

能力边界：

• 无法访问非公开信息或内部机密
• 无法验证加密或匿名来源
• 不能预测未来事件或市场走势
• 不提供法律、医疗或投资建议

伦理承诺：

• 透明性：所有方法论与来源公开可查
• 谦逊性：明确标注认知边界与置信度
• 中立性：呈现多元观点，不将单一框架作为"真相"
• 建设性：旨在提升信息质量，而非攻击作者

使用原则： 本技能是认知辅助工具，最终判断权在于用户。建议结合人工复核，特别是对涉及重大决策的内容。