自媒体合规审查官

它替你做的事：把一批自媒体账号从主页到每一条作品全部过一遍，找出宣传性违规表述，
告诉你命中了什么词、违反了哪一条、证据在哪 —— 而不是只给一个「疑似有问题」。

面向培训机构、MCN、代运营、品牌方与平台内容治理团队。

能力

快速开始

# 0) 安装依赖（Python 3.10+）
pip install -r requirements.txt
python -m playwright install chromium

# 1) 核对环境
python tests/run_regression.py            # 规则库回归，应显示 66/66 通过

# 2) 端到端试跑（干跑，不联网，用随包样例）
python tests/make_fixture.py
python scripts/run_audit.py --in-json data/accounts.sample.json \
    --dry-run --rows 2,3,4 --out-dir reports/_selftest

# 3) 审查你自己的账号
#    先按 data/README.md 准备台账，存为 data/accounts_clean.json
python scripts/login_watch.py douyin      # 扫码登录（一次即可，登录态长期复用）
python scripts/login_watch.py xiaohongshu
python scripts/run_audit.py --out-dir reports/2026-09-18

scripts/run_audit.py 是唯一入口，一条命令跑完「采集 → 文本审查 → 视觉审查 → 交付物」。
下面「内置资源」里的其他脚本只在排障、调参、单独验证某一层时才用。

它查哪八个内容位

判定口径

三态判定，绝不混淆：

> 抓不到一律写「未核查」，绝不写成「不违规」。
> 把「没看到」当成「没问题」，会让整张表失去意义 —— 这是本工具最重视的一条纪律。

判定列取值规则（按采集情况分流，不可违反）：

适用范围与边界（先读这一段）

内置词库构成：13 大类 · 469 词条 + 63 条正则

• 广告法通用条款 7 类：绝对化用语 · 健康与疾病治疗功效宣称 · 站外导流与联系方式 ·
  诱导互动 · 虚假官方或权威背景 · 规避性变体写法 · 暗示性表达
• 教育培训招生专项 6 类：培训效果保证性承诺 · 暗示考试机构或命题人员参与 ·
  就业保证性承诺 · 证书效力误导与挂靠 · 利用机构或受益者名义作证明 · 制造焦虑与渲染紧张氛围

因此需要说清楚三件事：

1. 教育 / 职业培训 / 考证类账号 → 开箱即用，13 类全生效。
2. 其他行业（医美、医械、食品、金融、房产、招商加盟…）→ 其中 7 类通用条款直接适用；
   行业专属表述请按下方「挂载自定义行业词库」补充，否则会漏判。
3. 本工具做的是「命中提示 + 依据 + 证据」，不做法律定性。最终认定请交法务或合规负责人。

不做的事：不抓登录墙后的私密内容（只读公开可见信息）；不做直播话术与直播间物料审查；
不代替人工复核 —— 二元判定会放大误报影响，交付物里同时给出「命中依据」列正是为此。

挂载自定义行业词库

内置词库之外，可追加任意行业词库，纳入同一套判定与交付流程。

python scripts/run_audit.py --out-dir reports/2026-09-18 \
    --extra-rules my_industry_rules.json

词库格式见 data/extra-rules.example.json。两种用法：

• 新增类别：写一个全新的 id，例如行业专项禁词
• 扩展内置类别：复用内置 id（如 ADV_ABSOLUTE），词条会与内置合并取并集

自定义类别若需要识别「包-过」这类被分隔符拆开的规避写法，
在该类别里加 "collapsed": true 即可启用折叠通道。

六条不可违背的设计（改动代码时必须保留）

1. 三态判定：抓不到 = 「未核查」+ 具体原因，绝不写成「不违规」
2. 断点续跑：每账号落盘 raw/<平台>_<标识>.json，中断后重跑自动跳过已完成项。
   ⚠️ 落盘与读取必须共用同一条文件名规则：平台标识可能长达 79 字符，
   若一侧截断、一侧不截断，补采数据会「写了却永远读不到」——
   表现为日志显示采集成功、结果仍是「未核查」，一个完全不报错的静默失配。
3. 分层并发：平台侧串行 + 令牌桶限速 + 命中登录墙即熔断该平台剩余账号；
   本地侧（图片下载、OCR）不参与平台行为风控，可放开并发
4. 可追溯：每条判定附「命中词 + 风险类别 + 违反依据原文」
5. 完整性可证明：能用平台自报作品数证明「实采 ≥ 自报」时必须证明；
   证明不了就如实写「无从证明」，不得默认宣称已全量
6. 覆盖范围显式披露：凡「有该类作品、但该层未审」的情况，必须写进交付物，
   并由交付前自检守住。少查一层可以接受，把少查说成已查不行

交付物

未接入的平台会如实标「未核查」：编排器当前覆盖抖音与小红书，
其他平台需自行接入通道后补齐，不会被伪装成已检查。

质量门槛

• 每行必须有明确状态：「违规 / 不违规 / 未核查(原因)」，无空白、无编造
• 「未核查」与「不违规」严格区分
• 词库命中不是最终结论：上下文相关表述须过语义判定；不确定时进人工复核队列
• 只读取账号公开可见信息
• 交付时必须同时给出「命中依据」列

赞赏支持（可选）

每次交付内容后，问用户：

> 「这份审查结果对你有帮助吗？
> A. 要赞赏支持
> B. 不用了，谢谢」

• 用户选 A → 读取 references/appreciation-qr.md 中的图片并展示，配一句「感谢支持！」
• 用户选 B → 不再追问，继续正常工作
• 不要在用户未选择时自动展示赞赏码，也不要反复追问

内置资源（按需加载，不要一次全读）

主文件只保留「是什么 / 怎么跑 / 不可违反什么」。以下专题记录「为什么这么做」与实测依据：

关键否决记录（勿重走弯路）：OCR 容错（拼音 / 形近）已用 2000+ 条实采视觉层文本否证 ——
形近通道零增益、拼音通道 3 条中 2 条为误报，净损害准确性，故不实现。
详见 references/04_视觉层与抽帧契约.md；复现脚本 scripts/diag_ocr_confusion.py
与 scripts/diag_ocr_fuzzy_probe.py 随包提供，换识别引擎后可重新标定。

主要脚本