反AI味神器：开源仓库anti-slop让Claude和Cursor生成的网站不再假

AI编程助手正在快速改变建站方式，但一个普遍痛点也随之而来：生成的网站总有一股浓烈的"AI味"。泛滥的emoji列表、虚构的数据、夸张的徽章、重复代码的注释——这些元素堆在一起，让网站一眼就能被识破是机器产物。一个名为 anti-slop 的开源仓库正试图解决这个问题，目前已在GitHub上获得近9000颗星。

核心机制：三层级40条规则约束Agent

anti-slop的设计思路非常直接：不给AI自由发挥的余地，而是用一套明确的规则清单约束它的产出。仓库内置了 40条规则，分为三个层级（tiers），Agent在生成或修改代码和文案时必须逐条遵守。

这些规则覆盖的正是AI生成内容中最典型的"塑料感"来源：禁止编造统计数据、禁止使用夸张的营销徽章、禁止用emoji充当列表符号。文案层面也会被清理，去掉那些模板化的套话。代码方面同样有要求——不允许写仅仅复述代码本身的无效注释。

你可能没注意到，这些规则并非事后过滤器，而是嵌入到Agent工作流中的约束。这意味着从生成的第一步起，产出就被限定在更克制的表达范围内，而不是先污染再清洗。

Agent工作流（Agentic Workflow）指由大语言模型驱动的智能体，在接收到高层目标后自主规划步骤、调用工具（如文件读写、代码执行、网页抓取）、迭代执行并验证结果的过程，区别于单轮问答式生成。在AI编程场景中，Agent会连续完成读取项目结构、生成代码、运行测试、修复错误等动作。anti-slop将规则嵌入这一循环的每一步，而非仅在最终输出时过滤，正是利用了Agent可以反复自我修正的特性：每条规则都成为Agent决策时的即时约束，模型在规划阶段就会规避违规表达，从而降低后续返工成本。

强制通过/失败报告，把质量检查前置

anti-slop还有一个颇具巧思的机制：在交付任何内容之前，Agent必须写一份pass或fail的报告。这相当于给AI加了一道自检关卡——它需要明确评估自己的产出是否符合规则，并留下书面结论。

这种做法把质量意识从"人工review"转向"Agent自检"。虽然报告本身不能保证质量，但它迫使模型在输出前进行一次结构化审视，减少了明显违规内容直接流出的概率。对于团队协作场景，这份报告也可以作为code review时的参考依据。

结构化自检（Structured Self-Check）是让模型在输出最终结果前，先按预设维度逐项评估自身产出并生成书面结论的提示工程方法。常见形式包括 checklist 式打分、逐条规则判定 pass/fail，或要求模型复述约束条件后再作答。其有效性源于“生成—评估”分离：当模型被要求显式判断“我是否编造了统计数据”时，会重新审视上下文，比隐式遵守规则更容易发现违规。anti-slop 的 pass/fail 报告正是这一思路的工程化落地，报告文本还可作为可追溯的审计日志，供团队在 code review 时快速定位风险点。

两种使用方式：边建边用或事后审计

使用场景上，anti-slop提供了灵活的选择。你可以在构建过程中实时启用，让规则约束整个生成流程；也可以指向已有的项目，对现有代码和文案做一次"去AI味"审计。

安装方式极其轻量——一条命令即可完成。兼容性方面，它支持Claude Code、Codex、Cursor等多个主流AI编程工具，覆盖面较广。

需要注意的是安装时的命名陷阱：必须输入anti-slop-ai，而不是anti-slop，后者是另一个人的包。这个细节在仓库说明中被特别提醒，粗心的话很容易装错。

Claude Code、Codex 与 Cursor 是当前主流的三类AI编程工具形态。Claude Code 是 Anthropic 推出的终端内Agent式编程助手，可直接读写文件、执行命令；Codex 原指 OpenAI 的代码生成模型系列，现也指其云端编程Agent；Cursor 则是基于 VS Code 深度改造的AI优先编辑器，支持内联补全与对话式改码。三者对“规则注入”的支持方式不同：有的通过项目级配置文件（如 CLAUDE.md、.cursorrules）加载约束，有的依赖系统提示词或插件机制。anti-slop 能跨工具使用，说明它把规则封装成了与具体IDE解耦的通用清单，降低了迁移成本。

边界清晰：去味不等于变美

anti-slop的定位非常克制。它的作者明确表示，这个工具只负责移除"slop"（AI生成的劣质内容），风格仍然需要你自己来定。换句话说，它不会让你的网站变漂亮，但能阻止它看起来像是AI做的。

这个边界其实很重要。很多AI建站工具试图包办一切，结果反而制造出千篇一律的模板感。anti-slop选择只做减法——去掉虚假、夸张、冗余的部分，把审美和品牌调性的决定权留给人类。对于有一定设计能力、但被AI生成内容拖累的开发者来说，这种定位反而更实用。

一点观察

anti-slop的走红反映出一个阶段性矛盾：AI编程工具的能力越强，产出的"平均水准"内容就越多，而平均水准恰恰是最容易被识别的。近9000颗星背后，是大量开发者对"AI味"的集体反感。这类规则约束型工具能否成为AI建站流程中的标配环节，值得持续关注。