Menu
Por padrão, está selecionado o prompt que primeiro revisa a origem. Você pode mudar para um comando direto ou baixar uma cópia local.
Leia o SKILL.md e os arquivos complementares exibidos pelo SkillsMP antes de decidir se vai instalar.
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Um comando direto ignora o prompt de revisão. Verifique a origem antes de executá-lo.
npx skills add https://github.com/Lionad-Morotar/deep-fact-check-skill --skill deep-fact-checkO comando permanece em uma só linha. Role horizontalmente para revisá-lo antes de copiar.
Prefere uma cópia local? Baixe os arquivos disponíveis atualmente no SkillsMP.
Exibindo SKILL.md
Baseado na classificação ocupacional SOC
| 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 |
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"。
当用户提出以下请求时触发：
尤其是当内容涉及以下特征时：
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。
目标：将文本拆解为最小可验证单元，识别认知操控的痕迹。
使用SIFT原则扫描文本：
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）
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。
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。
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" |
对每个L1级论断，生成至少3个竞争性假设：
示例：
验证结果：
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"？
目标：不仅指出"错了"，更揭示"如何被误导"与"为何有效"。
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]
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。
目标：诚实面对不确定性，避免虚假精确性。
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
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]
顶层：执行摘要（适合决策者）
中层：详细发现（适合分析者）
底层：方法论与数据（适合验证者）
# 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
提供四种输出模式，适应不同场景：
A. 学术模式（完整版）
B. 新闻模式（平衡版）
C. 简报模式（执行版）
D. 修正模式（重构版）
完成核查前强制确认：
能力边界：
伦理承诺：
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。