构建浏览器层 AI 内容过滤系统：多层评分机制与工程实践

自 ChatGPT 公开发布以来，互联网正经历一场静默的内容质量危机。大量自动生成的文本、图像和视频涌入搜索结果与社交媒体，这些内容通常被称为 "slop"—— 它们被优化用于搜索引擎排名和点击获取，而非传递真实价值。当 noslopgrenade.com 这类讽刺站点用冗长空洞的 Redis 对比文章展示典型 slop 特征时，我们意识到：识别 AI 生成低质量内容已成为浏览体验的基础设施需求。

Slop 的典型特征与检测维度

从 noslopgrenade.com 的示例可以观察到，AI 生成的低质量内容往往呈现以下模式：过度使用过渡词（"首先"、"另一方面"、"综上所述"）、结构化的废话（"这是一个复杂的问题，需要考虑多个因素"）、缺乏实质洞见的冗长段落，以及模板化的结论句式。这些特征构成了内容特征层检测的基础。

然而，单纯依赖文本模式匹配存在明显局限。更可靠的方案需要引入多层评分机制：内容特征层分析文本本身的统计规律，来源信誉层评估域名和作者的历史质量，用户反馈层则通过众包标记持续优化模型。

现有方案分析：时间过滤的启示

Slop Evader 项目采用了一种简洁而有效的策略 —— 通过 Google Search API 过滤 2022 年 11 月 30 日（ChatGPT 首次公开发布日期）之前的内容。这种方法的优势在于零误报：预生成式 AI 时代的内容天然排除了 LLM 生成的可能性。

但时间过滤的局限同样明显：它无法处理 2023 年后的人类原创内容，也无法识别早期存在的模板化低质量内容。这提示我们需要在浏览器扩展或代理层实现更精细的实时检测机制。

多层评分机制设计

第一层：内容特征分析

在浏览器扩展的内容脚本中，可实时提取以下指标：

• 重复短语密度：计算 3-5 克短语的重复频率，AI 生成文本通常呈现异常的短语分布
• 过渡词密度：统计 "首先"、"此外"、"综上所述" 等模板化连接词的出现频率
• 句子长度方差：人类写作通常呈现长短句交替，而 AI 输出往往保持高度一致的句子长度
• 语义空洞度：通过本地轻量级模型检测缺乏实质信息的 "填充句"

建议阈值配置：重复短语密度超过 0.15、过渡词占比超过 8%、句子长度标准差低于 4 个字符时触发初步标记。

第二层：来源信誉评估

建立域名分级数据库，基于以下维度评分：

• 历史内容质量：爬取样本进行特征聚类
• 作者一致性：检测多篇文章的文体相似度异常
• 更新频率模式：识别异常高频的批量发布行为
• 外部引用质量：评估反向链接的来源可信度

域名评分采用 0-100 分制，低于 40 分的站点内容自动触发二次审查。

第三层：用户反馈循环

设计轻量级的用户标记机制，允许用户一键标记 "疑似 AI 生成"。反馈数据经脱敏后用于：

• 调整内容特征权重
• 更新域名信誉评分
• 训练本地轻量级分类器

浏览器扩展工程实现

架构设计

采用 Manifest V3 标准的三层架构：

1. Content Script：注入页面执行 DOM 分析和内容提取，使用 Intersection Observer 实现懒加载检测
2. Service Worker：处理跨域请求、管理域名数据库、执行轻量级模型推理
3. Popup UI：提供用户配置界面和标记反馈入口

性能优化参数

• 检测节流：对同一页面元素设置 500ms 防抖间隔
• 缓存策略：域名评分缓存 24 小时，内容特征缓存会话级
• 增量扫描：MutationObserver 监听 DOM 变化，仅扫描新增节点
• 模型量化：使用 INT8 量化的 3MB 轻量模型进行本地推理

代理层扩展

对于需要全网代理的场景，可部署本地 HTTP 代理（如基于 mitmproxy），在传输层拦截响应内容。代理层的优势在于可处理 HTTPS 流量，但需处理证书信任问题。建议配置白名单机制，仅对文本密集型域名（新闻、博客、问答平台）启用深度检测。

可落地配置清单

content_filter:
  trigram_density_threshold: 0.15
  transition_word_ratio: 0.08
  sentence_variance_min: 4.0
  semantic_hollowness_threshold: 0.6

domain_reputation:
  min_score_for_auto_pass: 70
  max_score_for_auto_flag: 40
  cache_ttl_hours: 24

performance:
  debounce_ms: 500
  max_concurrent_analysis: 3
  model_size_mb: 3

局限性与应对策略

当前方案面临两个核心挑战。首先是误报风险：高质量的人类作者可能使用清晰的结构化表达，而 AI 辅助编辑的优质内容不应被一概过滤。建议引入 "AI 辅助" 与 "AI 生成低质量" 的细分类别，后者才是过滤目标。

其次是检测特征的对抗性演化。随着生成模型针对检测器优化，静态特征规则将逐渐失效。应建立特征漂移监测机制，每月评估当前规则集的召回率变化，并预留模型热更新通道。

结语

构建有效的 slop 过滤系统需要在检测精度与性能开销之间寻找平衡。多层评分机制提供了可扩展的框架，而浏览器扩展的本地化推理能力则保护了用户隐私。随着生成式 AI 技术的持续演进，内容质量过滤将从可选功能变为浏览器的核心基础设施。

参考来源

• Slop Evader 项目: https://tegabrain.com/Slop-Evader
• noslopgrenade.com 示例内容

web