核心用法
Verifier 是一款专注于证据驱动验证的本地安全工具，核心工作流程围绕"案例-证据-裁决"三角模型展开。用户可通过 add_case.py 捕获待验证声明（涵盖声明、来源、截图、身份、交易、消息、网站七大类型），随后利用 score_case.py 基于结构化证据进行可信度评分，最终输出包含明确裁决、置信度、风险提示及后续行动建议的完整报告。
证据输入采用标准化 Schema，要求标注每条证据的支持程度（支持/矛盾/中立）及来源标签。LLM 负责前置处理——将截图 OCR 文本化、外部链接内容结构化后，交由 Verifier 脚本进行纯离线分析。这种架构设计确保验证逻辑完全脱离网络环境，避免实时浏览带来的数据泄露与操控风险。
显著优点
安全架构领先：零第三方依赖、纯 Python 标准库实现，彻底消除供应链攻击面；数据严格本地存储于 ~/.openclaw/workspace/memory/verifier/，无云同步、无 API 调用，隐私合规性达到极优水平。
方法论科学：坚持"验证声明而非感受"的核心哲学，将置信度锚定于证据质量而非表述语气，强制输出"缺失证据清单"以避免过度推断，培养用户的批判性思维习惯。
工作流完整：从案例捕获、证据更新、评分裁决到归档闭环，七款脚本覆盖验证全生命周期，支持批量案例管理与历史追溯，适合系统性虚假信息研究。
潜在局限
信息获取瓶颈：脚本本身不具备网络浏览与图像直读能力，依赖 LLM 或用户手动完成外部内容结构化。若前置处理质量不足，验证准确性将显著下降。
裁决边界有限：评分基于已有证据的内在一致性，无法对抗精心构造的伪造证据链（如深度伪造截图配合虚假来源），复杂场景仍需人工交叉验证。
生态协同薄弱：作为独立工具，缺乏与浏览器插件、社交媒体平台的原生集成，高频使用场景下操作成本较高。
适合人群
- 新闻从业者与事实核查员：需系统性建立案例档案、生成可溯源验证报告
- 研究人员与学术用户：处理文献来源可信度评估、研究数据一致性检验
- 安全意识强的普通用户：识别钓鱼消息、可疑交易、虚假身份，且极度重视隐私保护
- 企业合规与风控团队：内部信息验证流程的轻量化补充工具
常规使用风险
性能与数据风险：纯本地 JSON 存储在案例量激增时可能遭遇读写性能瓶颈；原子写入机制虽防损坏，但无自动备份策略，用户需手动维护 cases.json 的冗余副本。
认知依赖风险：工具的"置信度评分"可能引发自动化偏差——用户过度信任数字标签而放松独立判断。建议将 Verifier 定位为"结构化辅助"而非"终极裁决"。
证据污染风险：若 LLM 前置处理阶段引入幻觉或偏见，后续验证将建立在错误基础之上。关键案例建议保留原始截图与链接备查。
存储权限风险：虽采用最小权限原则，但 ~/.openclaw 目录的访问控制仍依赖操作系统配置，多用户共享设备场景需额外注意。