Fact Checker

核心用法

Fact-Checker 是一款面向技术文档与报告的智能校验技能，专用于在发布前捕获内容中的事实性错误。用户只需指向待审阅的 Markdown 文件，工具便会自动提取可验证声明（数值、百分比、日期、模型名称、因果陈述），并按优先级查询多源数据：本地 FINDINGS.md 知识库、Control Plane 实时 API、JSON 评分文件、记忆日志、Git 历史及 CHANGELOG，最终生成结构化验证报告。

显著优点

• 多源交叉验证：整合 6 类数据源，降低单一信息源偏差风险
• 精细化声明识别：不仅匹配裸数字，更解析上下文语义（如 "phi4/classify scored 1.000"）
• actionable 输出：每项声明标记 ✅/⚠️/❌ 状态，附证据来源与修正建议
• 离线优先设计：核心功能无需外网，依赖本地文件与内网 API，符合安全敏感场景

潜在局限

• 数据时效性：依赖本地缓存文件（如 scores/*.json），若源数据未同步可能产生假阴性
• 语义理解边界：复杂因果陈述（"性能提升主要归因于..."）可能无法自动判定真伪
• API 依赖风险：/status API 不可用时，验证覆盖率下降
• 英语优先：模型引用格式（model/task、model:tag）假设英语命名规范

适合人群

技术写作团队、ML 工程师发布实验报告、DevRel 撰写博客前的自我审校、需要为合规文档提供溯源证据的企业用户。

常规风险

• 数据泄露误报：工具读取本地敏感日志（memory/*.md），需在受控环境运行
• 过度自信风险："CONFIRMED" 仅表示与数据源一致，非绝对真理
• 版本漂移：git 历史依赖本地仓库状态，未 push 的提交可能产生验证偏差

核心用法

Fact-Checker 是一款面向技术写作场景的自动化事实核查工具，通过 Python 脚本解析 Markdown 草稿，提取可验证声明（数值、日期、模型引用、评分、百分比等），并与六类本地数据源交叉比对，生成结构化的验证报告。

执行流程：
1. 解析文档提取声明：使用正则表达式识别数值声明（整数/浮点）、模型引用（如 phi4/classify）、日期（YYYY-MM-DD 格式）、评分（0.923）、百分比（95.3%）
2. 多源数据校验：按优先级查询 FINDINGS.md（主数据源）、localhost:8765/status API、scores/.json 文件、memory/.md 日志、git log、CHANGELOG.md
3. 生成三色标记报告：✅ 已确认、⚠️ 无法验证、❌ 存在矛盾

显著优点

• 多源交叉验证机制：设计严谨，通过 FINDINGS.md → API → 磁盘文件 → 日志 → Git 历史的多层校验，降低单点数据源错误风险
• 精准声明提取：针对技术文档场景优化，能识别带上下文的数值声明（如 "phi4/classify scored 1.000"）
• 结构化输出：每条声明附带证据链，便于追溯和修正
• 完全本地执行：无外网依赖，适用于敏感数据环境

潜在局限

• 依赖特定项目结构：要求严格的目录布局（projects/hybrid-control-plane/），泛化能力受限
• API 可用性单点：若 localhost:8765/status 服务未启动，部分实时数据校验失效
• 语义理解有限：基于模式匹配，无法处理复杂因果推论或隐含声明
• 无历史版本对比：无法检测同一声明在不同草稿版本间的演变

适合人群

• 技术博客作者、DevRel 团队
• 机器学习工程团队（需发布模型评测报告）
• 内部技术文档维护者
• 对数据准确性有硬性要求的合规敏感场景

常规风险

• 数据源时效性风险：git log 和磁盘文件可能存在滞后，建议配合 API 实时校验
• 误报/漏报：模糊表述（"大约一天"）会被标记为无法验证，需人工复核
• 本地服务依赖：生产环境需确保 Control Plane 服务稳定运行