name: 真话放大镜
description: "通用前置输出门 v3.3 — 自动提取断言→分层验证→信度标注→幻觉风险评估。L1轻量/L2标准/L3深度。覆盖19种断言类型，数值合理性引擎，跨断言交叉检测，深度矛盾检测，5种反幻觉检测。"
version: 3.3.0
author: 江江 & 兔兔
tags: [事实核查, 可信度, 交叉验证, 来源追溯, 信度标注, 防幻觉, 通用输出门, L1-L2-L3, 数值合理性]
license: MIT
created: "2026-06-24"
scripts:
main: "python3 scripts/verifier.py [--claim|--assert|--check-file|--env-detect|--list-sources|--source-authority] [--pretty|--json]"
quick: "python3 -c \"from verifier import quick_verify; print(quick_verify('你的文本', level='L2'))\""
hook: "python3 scripts/truth_magnifier_hook.py --text '要验证的文本'"
test: "python3 tests/test_verifier.py -v"
metadata:
openclaw:
requires:
bins: ["python3"]
universal: true
response_gate: true
agent_card:
name: 真话放大镜
version: 3.3.0
type: skill
capabilities:
- name: 断言提取 (19种)
description: 自动提取文本中的所有事实断言：time, data, file, promise, status, c3, url, numeric, absolute, comparative, vague_source, causal, code_quality, citation, fabricated_entity, fabricated_citation, overconfident_prediction, fabricated_statistics, hallucinated_context
- name: 分层验证 L1/L2/L3
description: L1轻量(时间自洽)、L2标准(数据验证+来源追溯)、L3深度(完整验证+C3停等)
- name: 数值合理性引擎
description: 自动判断数字是否在常识边界（日涨跌幅±20%、市盈率0-500、覆盖率0-100%等10+边界）
- name: 跨断言交叉检测
description: 绝对化+数值矛盾、模糊来源+绝对化双重危险、比较级冲突
- name: 深度矛盾检测
description: 方向矛盾(涨/跌等10组)、时间矛盾、范围矛盾、承诺矛盾、未来年份
- name: 幻觉风险评分
description: 综合评分0-100，输出 low/moderate/high/critical 四个等级
- name: 已知实体白名单
description: 100+常见库/框架/工具的实体白名单，降低误报
- name: 环境感知
description: 自动检测可用数据源（Tavily/百度/新浪等），动态决定能否实地验证
- name: 来源别名映射
description: 中文别名自动映射（如"新华社"="xinhua"），支持拼音/简称
usage: |
# 快速验证一段文本
python3 scripts/verifier.py --assert "据业内人士透露，绝对会上100元，翻1000倍，零风险" --pretty

# 检测环境
python3 scripts/verifier.py --env-detect

# 列出可用数据源
python3 scripts/verifier.py --list-sources

# Python API
python3 -c "
from verifier import quick_verify
result = quick_verify('你的文本', level='L2')
print(result['summary'])
print(result.get('hallucination_risk', {}))
print(result.get('v3.2', {}))
"

# Hook（集成到输出管线）
python3 scripts/truth_magnifier_hook.py --text "要验证的文本" --json

examples:
- prompt: "绝对会上100元，据业内人士透露"
result: "🚨 绝对化+模糊来源双重危险"
- prompt: "今天涨了50%，翻1000倍"
result: "🔢 数值不合理（日涨跌幅超限、倍数异常）"
- prompt: "所有客户都满意但部分有意见"
result: "🧩 范围矛盾（所有 vs 部分）"
- prompt: "GPT-7的参数是175万亿，据2028年《Nature》论文"
result: "🎯 幻觉风险 high（虚构实体+未来年份+虚构引用）"

真话放大镜 v3.3 — Truth Magnifier

> 昆仑洞天·镇岳风控体系 · 通用前置输出安全门
> 自动提取断言 → 分层验证 → 信度标注 → 幻觉风险评估

为什么需要

AI 在输出时可能编造：
- 数字太离谱："涨了50%"（A股日涨跌幅限制±20%）
- 自己打脸："零风险但涨了3%"
- 前后矛盾："所有都满意但部分有意见"
- 虚构实体："GPT-7的参数是175万亿"
- 过度自信："肯定会翻100倍"
- 模糊来源+绝对化："据业内人士透露，绝对会上100元"

真话放大镜在输出前抓住这些问题。

验证体系

分层（L1/L2/L3）

19种断言类型

数值合理性边界（NUMERICAL_BOUNDS）

深度矛盾检测

幻觉风险评分

calculate_hallucination_risk() 返回：

快速使用

命令行

# 快速验证
python3 scripts/verifier.py --assert "绝对会上100元，据业内人士透露" --pretty

# JSON输出
python3 scripts/verifier.py --assert "涨了50%，翻1000倍" --json

# 检测环境（哪些数据源可用）
python3 scripts/verifier.py --env-detect

# 列出可用数据源
python3 scripts/verifier.py --list-sources

# 使用hook
python3 scripts/truth_magnifier_hook.py --text "要验证的文本"

Python API

from verifier import quick_verify, extract_assertions

# 快速验证
result = quick_verify("绝对涨50%，零风险，据称", level="L2")
print(result["summary"])
print(result.get("hallucination_risk", {}))
print(result.get("v3.2", {}))  # 数值+深度矛盾

# 提取断言
assertions = extract_assertions("据业内人士透露，肯定翻100倍")
for a in assertions:
    print(a["type"], a["claim"])

作为输出门（自动）

将 truth_magnifier_hook.py 接入输出管线，每次回复自动过验证。

测试

python3 tests/test_verifier.py -v

预期输出：82 tests OK

版本历史

文件结构

真话放大镜/
├── SKILL.md                     # 本文件
├── scripts/
│   ├── verifier.py              # 核心引擎（断言提取+验证+评分）
│   ├── truth_magnifier_hook.py  # 输出管线集成
│   └── __init__.py
├── tests/
│   └── test_verifier.py         # 82个测试用例
└── README.md