Fact Checker

核心用法

Fact-Checker 是一款面向技术文档和报告的事实核查技能，通过 Python 脚本自动提取 Markdown 草稿中的可验证声明（数字、日期、模型名称、分数、因果关系陈述），并与多层本地数据源进行交叉验证，生成结构化的核查报告。

使用流程：
1. 执行 python3 skills/fact-checker/scripts/fact_check.py <draft.md>
2. 系统按优先级查询六大数据源：FINDINGS.md（主真相源）、本地 /status API、JSON 分数文件、memory 日志、git 历史、CHANGELOG.md
3. 输出带状态标记的逐条验证结果（✅ 确认 / ⚠️ 无法验证 / ❌ 矛盾）及汇总统计

显著优点：

• 多源交叉验证：整合文档、API、版本控制、运行时日志四类数据源，降低单一来源偏差
• 结构化输出：机器可解析的验证状态 + 人类可读的证据引用，便于快速定位问题
• 零外网依赖：纯本地执行，符合敏感环境合规要求
• 细粒度追踪：支持模型版本（phi4:latest）、任务路径（phi4/classify）等 MLOps 场景的特定引用格式

潜在局限：

• 语义理解有限：依赖正则模式匹配，对模糊表述（"约一天""性能显著提升"）无法自动判定
• 数据源时效性：若 /status API 或 FINDINGS.md 未及时更新，可能产生假阴性矛盾
• 英语场景优化：日期格式仅支持 YYYY-MM-DD，百分比、分数格式固定
• 无自动修复：仅标记矛盾，不直接修改原文，需人工介入决策

适合人群：
技术写作者、MLOps 工程师、研发项目经理、需要确保数据驱动报告准确性的内容审核团队。

常规风险：

• 过度信任工具：用户可能忽略 "⚠️ 无法验证" 条目，将"未找到证据"等同于"正确"
• API 不可用降级：当 /status 离线时，系统降级依赖静态文件，可能错过最新运行数据
• 敏感信息泄露：memory 日志和 git 历史可能包含内部用户名、路径，输出报告需脱敏审查