一句话看懂：开发者 Serhii Korniienko 发布了一个名为 Bullshit Detector 的开源 AI 技能，它能让 Claude Code、OpenAI Codex 等 AI 代理对 YouTube 视频、文章、推文、PDF 进行逐条声明的事实核查，并给出 0–10 的「BS 评分」。这个项目最特别的地方在于：它本身就是用 AI（Claude Code）构建的，并且第一个公开示例就是对一段浏览量超过百万的「AI 赚钱」视频进行了自检，发现了多处误导性声明。
事件核心：发生了什么
Bullshit Detector 是一个以「代理技能」（Agent Skill）形式发布的开源工具。它由两个核心组件组成：fetch-content 负责从任意 URL 获取可读文本（支持 YouTube 字幕、TikTok 字幕、PDF、网页阅读模式等，无需申请 API 密钥）；bullshit-detector 则是分析技能，将提取到的文本拆解成独立声明，逐条搜索可用来源，并标记为 ✅已确认 / 🟡可能 / 🟠误导 / ❌虚假 / ❓无法验证，最后综合计算 BS 分数。项目采用纯 Markdown + 自包含 Python 脚本，兼容 Claude Code、Codex、OpenCode、Cursor 等多款主流 AI 代理。用户可通过 npx skills@latest add 一键安装，或通过 Claude Code 插件市场获得自动更新版本。
项目的另一个特点是「自指」—— 开发者用 Claude Code 构建了这个事实核查工具，并把该工具的 README 文件作为测试对象运行了一遍，发现两处过时信息（比如两年前的 API 价格和「30 秒设置」实际需要先安装包管理器），随后在 v0.4.2 中修正。这种自我审计的设计，也让工具的可信度更有说服力。
为什么重要
在生成式 AI 大规模普及的当下，网络上的 AI 炒作、虚假教程和夸张宣称几乎与「事实」成了同义词。传统媒体依赖人工事实核查，成本高、速度慢，难以应对不断涌现的病毒视频和推文。Bullshit Detector 展示了一种新范式：用 AI 去核查 AI 生成或人类制造的虚假信息。它不依赖于模型内部记忆，强制要求每一个判断都附上可追溯的独立来源，这在一定程度上避免了「AI 为 AI 背书」的循环论证。项目本身完全开源，意味着任何开发者都可以在此基础上定制属于自己的事实核查代理，甚至可以嵌入到内容审核、媒体报道、学术研究发现等环节中。
更值得关注的是它对「AI 代理」本身的影响。目前大多数代理能做的是搜索、总结、执行操作，但很少具备对信息可信度的批判性评价。Bullshit Detector 提供了可执行的技能脚本，让代理能够执行「引用-判断」流程，这可能是未来 AI 代理走向「可信执行」的一个重要基础设施。
对用户/开发者/创作者的影响
普通用户：如果你经常阅读社交媒体上的 AI 赚钱攻略、健康辟谣、政治评论，可以直接将链接发送给支持该技能的任何 AI 代理（例如 Claude Code），获取一份逐条核实报告和 BS 评分。这提供了一个低成本的初审手段，但需要注意代理的搜索能力有限，不能替代专业记者。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
开发者：项目代码结构清晰，分析脚本只依赖标准化的文本元数据，不涉及特定平台 API 限制，因此可以很方便地接入本地爬虫、自建代理系统，甚至集成到 Slack 机器人或内容审核管道中。安装方式支持「纯复制」和「插件自动更新」两种思路，满足不同开发习惯。
内容创作者：如果制作教程或分析类视频，可能会成为被核查的对象。这既是压力也是机遇——清晰的引用来源和谨慎的表述反而能提升内容可信度，而故意夸大数字或捏造案例的内容更有可能被标记为高 BS 分数。
值得关注的后续
- 生态扩展速度：项目目前只支持英文内容的事实核查（依赖搜索能力），后续是否会开放多语言支持、自定义来源白名单或集成本地知识库，将决定它能否从「玩具」变成「工具」。
- 对抗性使用场景：既然工具可以识别虚假声明，那恶意用户是否可以通过修改原始声明、使用变体拼写或嵌入虚假来源来绕过检测？开发者是否需要引入抗对抗技术？
- 商业化可能性：目前项目完全免费开源。未来出现付费版（如更高频的搜索、私有部署、API 调用）的可能性存在，但短期内开发者团队（仅 1 人）的维护精力是主要瓶颈。
来源：Hacker News
