← 返回 Skills 市场
353
总下载
0
收藏
1
当前安装
1
版本数
在 OpenClaw 中安装
/install ai-content-detection
功能描述
Use this skill whenever a user wants to verify whether content (text, images, audio, video, or documents) was created by AI; detect deepfakes or AI-synthesiz...
使用说明 (SKILL.md)
AI内容检测完整指南
概述
本技能提供对AI生成内容（文本、图片、视频、音频、文档、链接）的系统性检测方法，包含技术证据指标、置信度框架、工具对比及当前AI内容占比统计数据（截至2025年3月）。
快速导航
| 检测目标 | 直接跳转 |
|---|---|
| 文章/文本是否AI生成 | → 第2.1节（文本检测） |
| 图片是否AI生成/伪造 | → 第2.2节（图片检测） |
| 视频是否Deepfake | → 第2.3节（视频检测） |
| 语音/音频是否合成 | → 第2.4节（音频检测） |
| 文档/合同是否篡改 | → 第2.5节（文档检测） |
| 链接/流量是否Bot | → 第2.6节（链接检测） |
| AI内容占比统计数据 | → 第一部分 |
| 生成检测报告 | → 第四部分（报告模板） |
第一部分：AI内容现状统计
| 统计项 | 数值 | 来源 |
|---|---|---|
| 新发布网页含AI内容比例 | 74.2% | Ahrefs 2025年4月研究（90万页样本） |
| 所有在线文章中AI撰写比例 | 52% | Graphite SEO 2025数据 |
| 全部在线文本中AI辅助/生成比例 | ~57% | 综合分析 |
| 2026年预测AI内容比例 | ~90% | Europol/欧盟预测 |
| ChatGPT发布前AI内容比例（2022年末） | ~10% | 历史基线 |
| 金融科技行业2023年Deepfake事件增长 | 700% | 行业报告 |
| AI生成文档欺诈占比（欧洲2025） | 12%（2022年\x3C2%） | Deloitte 2025 |
第二部分：按内容类型的检测方法
2.1 文本检测（Text Detection）
核心检测指标
| 指标 | 说明 | AI特征 | 置信权重 |
|---|---|---|---|
| 困惑度（Perplexity） | 衡量文本的语言不可预测性 | AI文本困惑度低（5-10），人类文本高（20-50） | 高（但受语言水平影响） |
| 突发性（Burstiness） | 句子长度/风格的变异程度 | AI文本突发性低，节奏均匀 | 中（现代AI可模仿） |
| 词汇多样性 | 词汇重复率和词汇密度 | AI倾向使用固定词汇组合 | 中 |
| 语义一致性 | 段落间逻辑连贯程度 | AI过度连贯，缺乏人类的思维跳跃 | 中 |
| 水印信号 | 隐藏统计模式/Unicode字符 | 生成时嵌入（可被释义绕过） | 高（若未被篡改） |
| N-gram分布 | 短语使用频率模式 | 与已知AI模型输出分布匹配 | 高 |
| 风格一致性 | 整篇文章风格变化 | AI风格高度一致，人类有自然波动 | 中 |
重要证据（高置信度）
强证据（单项即可怀疑）：
✓ 检测到合法水印信号（如C2PA标准）
✓ N-gram分析匹配已知LLM输出分布
✓ 困惑度持续低于10分（标准英文基准）
中等证据（需多项组合）：
✓ 全文突发性标准差\x3C0.3（异常均匀）
✓ 句子长度标准差\x3C5词（机械规律）
✓ 无拼写错误、无口语化错误
✓ 标点使用完全符合规范（人类有自然偏差）
辅助证据（仅作参考）：
✓ 逻辑结构过于完整（引言-正文-结论）
✓ 缺乏个人经历、情感波动、偏见
✓ 回避争议性立场
2.2 图片检测（Image Detection）
核心检测指标
| 指标 | 说明 | 检测方法 | 置信权重 |
|---|---|---|---|
| 视觉伪影（Visual Artifacts） | 像素排列异常、边缘失真 | 像素级检查、局部放大 | 高 |
| GAN棋盘格纹 | GAN生成特有的棋盘状噪声 | 频域分析（FFT/DCT） | 高（对GAN图像） |
| 频域异常 | DCT/DWT变换后的低频异常 | HiFE网络分析 | 高 |
| ELA误差分析 | 不同区域JPEG压缩级别差异 | Error Level Analysis工具 | 高（篡改检测） |
| 元数据检查 | EXIF中相机型号、GPS、时间戳 | ExifTool等 | 中（可被清除） |
| 光照/阴影一致性 | 光源方向与阴影方向矛盾 | 人工/AI综合判断 | 中 |
| 皮肤纹理 | 面部边缘异常融合、不自然过渡 | 局部放大检查 | 高 |
| 手指/文字 | AI图像常见手指数量异常、文字变形 | 人工检查 | 中高 |
重要证据
强证据：
✓ FFT/DCT分析发现低频域周期性异常
✓ ELA显示局部区域再压缩痕迹
✓ 皮肤/毛发边缘高度局部放大后出现混合伪影
✓ 检测到C2PA/Content Credentials内容凭据
中等证据：
✓ EXIF元数据完全缺失（现代相机必有）
✓ 手指数量≠5或手指形状异常
✓ 背景中文字无法辨认或逻辑混乱
✓ 眼睛/牙齿区域不自然的对称性
辅助证据：
✓ 整体风格过于"完美"（无噪点、无自然缺陷）
✓ 珠宝、眼镜等配件细节异常
2.3 视频检测（Video Detection）
核心检测指标
| 指标 | 说明 | 检测方法 | 置信权重 |
|---|---|---|---|
| 面部特征漂移（FFD） | 连续帧之间面部特征微妙漂移抖动 | 帧间比较 | 高 |
| 时域频率伪影 | 频域时间轴上的不可见伪影 | 像素级时序频率分析（ICCV 2025） | 高 |
| 光流异常 | 运动轨迹违反物理规律 | 双分支RGB+光流残差模型 | 高 |
| 闪烁/抖动 | 面部局部闪烁（眼、鼻、嘴区域） | 逐帧分析（0.25x速度） | 中高 |
| 时间不一致 | 帧间物体形变、细节消失重现 | 逐帧检查 | 高 |
| 嘴唇同步 | 唇形与音频不匹配 | AV同步分析 | 高（换脸类） |
| 眨眼频率 | 不自然的眨眼节律（过多/过少） | 视频时序分析 | 中 |
| 元数据 | 缺失摄像头信息、时间戳异常 | 元数据工具 | 中 |
重要证据
强证据：
✓ 0.25x慢速播放可见形变/翘曲效应
✓ 面部特征漂移（眼/鼻/嘴在静态场景中微抖）
✓ 唇形与音频明显不同步
✓ 帧间光流分析发现非物理运动轨迹
中等证据：
✓ 牙齿细节在不同帧间变化
✓ 头发/耳朵边缘区域出现融合伪影
✓ 视频元数据缺失相机型号信息
✓ 长视频（64帧+）时间轴上累积不一致性
辅助证据：
✓ 背景元素在镜头切换间不自然变化
✓ 环境光源方向与面部高光矛盾
2025年前沿检测框架
- D3（ICCV 2025）— 免训练，基于二阶牛顿力学特征
- UNITE（CVPR 2025）— 通用合成视频检测器
- FFD + 视频混合（CVPR 2025）— 面部特征漂移检测
- AiVidect — 面向Sora、Veo 3等主流AI视频的实用检测工具
2.4 音频检测（Audio Detection）
核心检测指标
| 指标 | 说明 | 检测方法 | 置信权重 |
|---|---|---|---|
| 梅尔频谱（Mel Spectrogram） | 时频模式保留分析 | CNN分类器 + Grad-CAM | 高 |
| MFCC系数 | 梅尔频率倒谱系数 | 传统+深度学习模型 | 高 |
| 常量Q变换（CQT） | 非线性频率细节分析 | 宽频谱精细分析 | 高 |
| SSL特征融合 | 自监督学习表征 | Wave2Vec2BERT | 最高（跨域泛化最佳） |
| 语速均匀性 | 人类语速有自然变化 | 时序分析 | 中 |
| 音高/音调自然度 | AI合成音调不自然波动 | 基频分析 | 中 |
| 谐波异常 | 不寻常谐波成分 | 频谱分析 | 高 |
| 背景噪声连续性 | AI音频背景噪声异常均匀或突变 | 声谱对比 | 中 |
重要证据
强证据：
✓ 梅尔频谱图显示非自然时频模式
✓ SSL模型（Wave2Vec2BERT）置信评分>0.85
✓ LFCC+MFCC+CQCC三特征融合均异常
中等证据：
✓ 语速方差极低（\x3C0.05ms变异）
✓ 呼吸声、停顿位置不符合人类习惯
✓ 高频谐波分布异常（TTS特有模式）
✓ 音频首尾无自然环境背景噪声
辅助证据：
✓ 整段音频音色完全一致（无情绪波动）
✓ 发音过于标准（方言/口音完全消失）
2.5 文档检测（Document/PDF Detection）
核心检测指标
| 指标 | 说明 | 检测方法 | 置信权重 |
|---|---|---|---|
| ELA误差分析 | 被篡改区域重压缩等级不同 | ErrorLevelAnalysis工具 | 高 |
| PDF结构法证 | 元数据、字体分析、透明层检测 | PDF元数据工具 | 高 |
| 修订链重建 | 追踪每次修改时间和内容 | 文档历史分析 | 高 |
| 字体一致性 | 不同区域字体渲染差异 | 专业OCR/字体分析 | 中高 |
| 像素级篡改 | 数字/文字替换留下的像素痕迹 | 图像法证分析 | 高 |
| 元数据完整性 | 创建工具、时间戳、作者信息 | ExifTool/pdfinfo | 中 |
| 签名后修改 | 签名后内容被更改（签名仍有效） | 增量更新重建 | 高 |
| 模板特征 | 批量生成文档共享相同模板痕迹 | 跨文档比对 | 中高 |
重要证据
强证据：
✓ ELA显示文档中存在不一致的压缩层
✓ PDF增量更新记录显示签名后内容修改
✓ 字体渲染在不同区域明显不一致
✓ 元数据显示生成工具为AI/Python脚本
中等证据：
✓ 创建时间戳与声称日期矛盾
✓ 文档未包含正常相机/扫描仪元数据
✓ PDF结构包含不可见透明层（隐藏内容）
✓ 跨文档分析发现相同模板特征
辅助证据：
✓ 文档来源链接/印章与官方格式不符
✓ 字体大小/间距在关键数字处细微异常
2.6 链接/URL检测（Link/URL/Bot Traffic Detection）
核心检测指标
| 指标 | 说明 | 检测方法 | 置信权重 |
|---|---|---|---|
| 流量模式异常 | 突发性访问量/低质量页面高流量 | 流量分析工具 | 高 |
| 用户代理异常 | 过时浏览器/不可能的设备组合 | 请求头分析 | 高 |
| 行为模式 | 完美时间戳规律、机械点击模式 | 行为分析引擎 | 高 |
| 会话数据 | 零秒会话多页浏览、零转化 | Analytics分析 | 高 |
| 地理异常 | 来自异常地区的突发流量 | GeoIP分析 | 中 |
| Referrer垃圾 | 伪造的来源域名 | 来源分析 | 中 |
| SSL证书 | 短期证书、不信任CA | HTTPS检查 | 中 |
| 域名历史 | 新注册域名、AI生成的欺骗性域名 | WHOIS + NLP分析 | 高 |
重要证据（AI生成恶意链接）
强证据：
✓ 域名注册时间\x3C7天且仿冒知名品牌
✓ 请求中user-agent为已知爬虫/AI工具特征
✓ 点击时间间隔完全规律（毫秒级精确）
✓ 登录失败率异常高（凭据填充攻击）
中等证据：
✓ 访问路径完全相同（无自然浏览习惯）
✓ 流量突增但转化率为0
✓ Referrer域名从未在浏览器中打开
✓ SSL证书域名与显示文本不匹配
辅助证据：
✓ 链接包含AI生成的诱导性上下文文本
✓ 域名使用Unicode字符模仿ASCII（如rnicrosoft.com）
第三部分：置信度评估框架
综合置信度评分方法
置信度 = (强证据数 × 3 + 中等证据数 × 1.5 + 辅助证据数 × 0.5) / 内容类型最高分
解读：
≥0.75 → 高置信度AI生成
0.50-0.74 → 中置信度（存在AI成分，需综合判断）
0.25-0.49 → 低置信度（疑似AI辅助，不能确定）
\x3C0.25 → 可能为人类创作（不能排除AI辅助）
实际计算示例（文本检测）
某篇文章检测结果：
- 强证据2项：GPTZero评分0.92 + N-gram匹配GPT-4分布
- 中等证据3项：全文突发性标准差0.15（极低）、无拼写错误、句长均匀
- 辅助证据2项：结构过于完整、回避争议立场
计算：(2×3 + 3×1.5 + 2×0.5) / (3×3 + 3×1.5 + 2×0.5) = (6 + 4.5 + 1) / (9 + 4.5 + 1) = 11.5 / 14.5 = 0.79 → 高置信度AI生成
第四部分：检测报告生成模板
## AI内容检测报告
**内容类型：** [文本/图片/视频/音频/文档/链接]
**检测日期：** YYYY-MM-DD
### 检测结果摘要
- **AI生成概率：** XX%
- **置信度等级：** 高/中/低
### 发现的关键证据
**强证据（权重3）：**
1. [具体发现]
**中等证据（权重1.5）：**
1. [具体发现]
**辅助证据（权重0.5）：**
1. [具体发现]
### 置信度计算
总得分：(强×3 + 中×1.5 + 辅×0.5) = XX / 最高分 = XX%
### 结论
[基于证据的综合判断]
### 局限性说明
- 本报告基于当前可用检测技术，不构成法律证据
第五部分：局限性与注意事项
核心局限性
| 局限性 | 影响 | 缓解方法 |
|---|---|---|
| 非母语写作者假阳性 | 文本检测准确率显著下降 | 额外人工判断 |
| 对抗性规避 | AI可学会模拟人类特征 | 多特征综合 |
| 跨生成器泛化 | 新模型导致检测率下降50% | 持续更新检测器 |
| 水印可被绕过 | 释义/翻译即可去除 | 结合多种方法 |
| 法律证明力 | 检测结果不足以作为法律定罪证据 | 作为调查线索使用 |
| 压缩降质 | 多次压缩破坏频域证据 | 分析原始文件 |
EU AI法规要求（2025年3月生效）
- 要求所有AI生成内容必须使用可检测信号标注（水印或元数据）
- C2PA（Coalition for Content Provenance and Authenticity）标准推广中
- 中国要求平台强制执行显性和隐性双重水印
参考来源
- Ahrefs: 74%新网页含AI内容研究
- Futurism: 超50%互联网内容为AI生成
- Pangram Labs: 困惑度与突发性局限分析
- PMC: Deepfake媒体法证研究
- ICCV 2025: 像素级时域频率Deepfake视频检测
- CVPR 2025: UNITE通用合成视频检测器
- Scientific Reports 2025: 深度伪造视频视觉注意力检测
- PMC: 音频Deepfake检测综述
- Resemble AI: 音频Deepfake检测工具
- CheckFile.ai: AI文档欺诈检测技术
- ACM Computing Surveys: AI生成内容法证系统综述
- Imperva 2025 Bot报告
- SentinelOne: AkiraBot AI驱动垃圾邮件机器人
- GPTZero vs Turnitin vs Originality.AI对比
- UCLA: AI检测工具的不完美性分析
安全使用建议
This skill is a thorough, coherent guide for detecting AI-generated/malicious content, but it is only instructions — it does not itself run tools or declare credentials. Before using: (1) Be careful about uploading sensitive content to third‑party detectors (GPTZero, Turnitin, online ELA sites) — check their privacy policies and obtain consent. (2) Many recommended analyses require local binaries or ML models (ExifTool, FFT/DCT tools, Wave2Vec2BERT, etc.) and domain expertise; verify whether your agent/runtime actually has these tools and capabilities. (3) Detection scores are probabilistic and can produce false positives; do not treat a single automated check as definitive evidence. (4) If you expect the skill to call external APIs, ask the skill author/operator which endpoints will be used and whether API keys or uploads are required. If you need to avoid data exfiltration, prefer local, offline forensic tools or redact sensitive fields before analysis.
功能分析
Type: OpenClaw Skill
Name: ai-content-detection
Version: 0.1.0
The skill bundle is a purely informational guide and framework for detecting AI-generated content (text, images, video, etc.). It contains no executable code, and the instructions in SKILL.md are well-structured, providing detection methodologies, confidence scoring, and report templates aligned with its stated purpose. No indicators of data exfiltration, malicious execution, or harmful prompt injection were found.
能力评估
Purpose & Capability
The name/description claim multi‑modal AI-detection and the SKILL.md contains extensive, modality-specific detection techniques and tool recommendations. It does not request unrelated credentials, system access, or installs, so the declared footprint matches the described purpose.
Instruction Scope
Instructions describe many concrete forensic analyses (ELA, FFT/DCT, Mel spectrograms, AV-sync checks, C2PA/content credentials, ExifTool, Wave2Vec2BERT, etc.). The doc does not itself execute code but recommends using third‑party services and specialized tools — using those would send user content externally or require local binaries the agent may not have. The SKILL.md lacks explicit privacy/consent guidance for uploading sensitive material and assumes availability/expertise for advanced tooling.
Install Mechanism
No install specification or code files are present (instruction-only), so nothing is written to disk or fetched during install. This is the lowest-risk install model.
Credentials
The skill declares no environment variables or credentials, which is proportional to an instruction-only guide. However, it references services (e.g., GPTZero, Turnitin) and tools that in practice require API keys, accounts, or local binaries; those are not declared. If the agent invokes such services, credentials and data transfer are a user concern but are not part of this skill's declared requirements.
Persistence & Privilege
always is false and there are no instructions that modify agent/system configuration or other skills. The skill does not request persistent privileges.
如何使用
- 确保已安装 OpenClaw（本地或 Docker 部署）
- 在对话框中输入安装命令：
/install ai-content-detection - 安装完成后，直接呼叫该 Skill 的名称或使用
/ai-content-detection触发 - 根据 Skill 的参数说明提供必要输入，即可获得结构化输出
版本历史
v0.1.0
ai-content-detection 0.1.0
- Initial release of a comprehensive AI content detection guide supporting text, images, video, audio, documents, and links.
- Includes up-to-date (2025) statistics on AI-generated content prevalence and industry trends.
- Provides structured detection methods and evidence tables for each content type, with confidence scoring.
- Features a universal reporting template and a transparent weighting framework for confidence assessment.
- Outlines key limitations of current detection methods and regulatory context (EU/China).
- Multilingual coverage (especially Chinese) and references to major tools and methodologies.
元数据
常见问题
Ai Content Detection 是什么？
Use this skill whenever a user wants to verify whether content (text, images, audio, video, or documents) was created by AI; detect deepfakes or AI-synthesiz... 它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 353 次。
如何安装 Ai Content Detection？
在 OpenClaw 或 Claude Code 对话框中运行命令「/install ai-content-detection」即可一键安装，无需额外配置。
Ai Content Detection 是免费的吗？
是的，Ai Content Detection 完全免费，采用 MIT-0 许可证，可自由下载、安装和使用。
Ai Content Detection 支持哪些平台？
Ai Content Detection 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。
谁开发了 Ai Content Detection？
由 chat2dev（@chat2dev）开发并维护，当前版本 v0.1.0。
推荐 Skills