我做了一款插件，一眼看穿网文是在讲理还是灌情绪

打开网页，很多文章看似文采飞扬、语气笃定，细看却全是情绪宣泄与武断断言，没有任何扎实的论据支撑。

我希望有一款浏览器插件，能在打开页面的那一刻告诉我：这篇文章到底是在摆事实讲道理，还是在纯粹下断言？

利用一个周末的时间，我做出了 Chrome 插件 Grounds。写插件的前端胶水代码并不复杂，真正有意思的是它背后的决策模型——Jev。

抛弃闲聊模型，认识 Jev

Jev 是 TypeSafe 推出的“系统一”（System One）模型。普通的对话模型（如 ChatGPT）擅长生成非结构化长文本，而 Jev 做的事情更垂直、在很多工程场景下也更有用：输入一段内容和一组类型化问题，它直接返回带置信度概率的类型化答案。

它原生支持三种判定形态：

从自定义选项列表中做单选（choice）
根据自定义评分量表给出分值（score）
第三种特殊类型 Noul

每个结果都附带校准过的置信度数值。它的调用延迟极低，大约只有 100 毫秒，输入成本低廉，且目前免收输出费用。

这对于开发者意味着什么？

在真实的软件工程里，绝大多数 AI 任务根本不是“帮我写一段话”，而是“给这段内容分类”、“给这个文本打分”或“从这几个标签里选一个”。如果使用通用对话模型，你必须通过复杂的 Prompt 诱导它输出 JSON，再写一堆防御性代码去解析、清洗模型偶尔产生的幻觉和多余字符。而 Jev 从不生成自由文本，天生没有解析负担，也不存在把 JSON 结构格式搞砸的隐患。

一次 API 调用解决问题

实现整个打分功能，只需要一个极简的 POST 请求：

const res = await fetch("https://api.typesafe.ai/v1/systemone", {  
  method: "POST",  
  headers: {  
    "Authorization": `Bearer ${apiKey}`,  
    "Content-Type": "application/json"  
  },
  body: JSON.stringify({  
    model: "jev-latest",  
    state: articleText,  
    questions: {  
      argument: {  
        type: "score",  
        instructions: "评估文章为其核心论点提供支撑的充分程度。",  
        criteria: [  
          "毫无事实支撑的断言或纯粹的修辞煽动",  
          "提供了一些理由，但论证松散，仍以修辞情绪为主",  
          "论据清晰，具备自洽连贯的逻辑结构",  
          "论证严密：逻辑结构完整，论据扎实，且正视并回应了反方观点"  
        ]  
      }  
    }  
  })  
});

const data = await res.json();  
const answer = data.answers.argument;

这里的 state 就是待检测的文章正文。questions 定义具体问题。对于评分题，criteria 从低到高列出阶梯标准。Jev 会综合各层级的概率返回一个加权得分（比如 1.6 分），并附带置信度。无需任何提示词工程黑魔法，也没有清洗字符串的繁琐步骤。

Grounds 的核心立意：论证严密不等于观点正确

亚里士多德在《论动物的组成部分》中写道：“受过良好教育的人，应当能够对论述的优劣做出公正判断。”

开发 Grounds 时，我明确避开了一个误区：它绝不是一个事实核查器（Fact Checker）。

判定一个观点“是否真实正确”，无论对人类专家还是对前沿顶级大模型来说，都是一件极其沉重且极易出错的任务。让一个小巧快速的模型去判真伪，不仅用错了地方，而且不可靠。相反，模型非常擅长识别文本是否展现出了“尝试论证”的姿态——是否有论据、是否有结构、是否给出了事实材料，以及是否愿意讨论反面观点。

这就是 Grounds 所衡量的维度。

“论证充分”绝不等于“结论正确”。一篇文章的论证结构可以极度严谨，但其最终得出的结论你可能完全不同意；反之，一个粗糙的论证也依然属于论证。Grounds 关注的是文本的骨架：作者究竟是在给出理由、连缀论据、回应质疑，还是仅仅在罗列个人偏见并指望读者全盘接受？

这里有一个常见陷阱：文笔流畅、情绪饱满的文章往往极具感染力，容易让人误以为它很有道理。如果提示词不加以约束，模型很容易被这种文风迷惑。因此，必须在 Prompt 中给 Jev 下达明确硬指标：

const ARGUMENT_INSTRUCTIONS =  
  "评估文章在多大程度上用结构严谨的论证支持其主张：是否具备明确的理由、清晰的逻辑结构、" +
  "真实支持观点的证据或案例，以及对反驳意见的回应。" +
  "绝对不要被修辞力量、煽动性词汇、自信满满的口吻或仅作为装饰的孤例所误导。" +
  "一篇文笔流畅、看似极具说服力但实则只有主观断言的文章，必须给出低分。";

插件的运作流程

整个处理链条非常短平快：

提取核心正文。直接把整个网页扔给模型是极差的做法，因为信息流、导航栏和侧边栏充满杂音。我引入了 Mozilla Readability（即 Firefox 和 Safari 阅读模式背后的提取引擎），干净抽离出正文内容。
判定内容属性。如果页面几乎没有文本，插件保持静默。对于模棱两可的页面，借助 Jev 的单选判定（choice）确认该页面是否属于独立文章（single article），排除列表页或商品聚合页。
渲染状态标签。最终得分会映射为一个三色小徽章，并在徽章中显示置信度。零分代表毫无论证，此时直接隐去徽章，不打扰阅读。

const LEVELS = [  
  null,   
  { word: "论证松散", color: "#e5484d" },   
  { word: "论证成立", color: "#e8a33d" },   
  { word: "论证严密", color: "#22a565" }   
];

徽章挂载在 Shadow DOM 中，彻底隔绝原网页 CSS 样式对其外观的干扰。

值得借鉴的工程取舍

单页只做一次网络请求：最初版本尝试过按句子拆分打分，但一篇长文发起几十次请求极其卡顿。Jev 允许把全文作为上下文直接传入，单次请求 100 毫秒即可出结果。
必须透出置信度：评分本质上是模型做出的主观研判而非既成事实，把置信度直观展现给用户，能让决策参考更透明。
密钥本地隔离：每个用户自带 API Key，仅保存在本地浏览器环境，请求由后台 Service Worker 统一发出，目标网页完全无法窃取密钥。

该项目已开源在 GitHub：github.com/cadeos/jev-grounds。

这种开发模式完全可以复用到更多一瞥即知的场景中：这篇内容是真实新闻还是软文广告？它利用了多少公众焦虑？读者阅读前需要具备多少专业门槛？

处理思路如出一辙：提取主体内容、调用结构化模型获取类型化结果、直接呈现判定。一旦从“让模型写小作文”的执念里跳出来，转向“让模型做结构化决策”，大量看似复杂的用户工具，都能简化成单次 API 调用。