slop-grader：用自定义规则狙击AI生成的注水文案

在AI写作工具泛滥的当下，一个新问题浮出水面：由大模型生成的文案往往充斥着套话、废话和空洞的营销术语，行业里有人把这类内容戏称为"slop"（泔水）。ProductHunt上一款名为 slop-grader 的 CLI 工具，正是冲着这个痛点而来。它由开发者 Lukas 打造，上线后获得 82 个投票、10 条评论，排名第 11 位，归入 Writing、Advertising、Artificial Intelligence 与 GitHub 等分类。

slop-grader 到底做什么

slop-grader 是一款基于规则（rule-based）的命令行工具，核心逻辑是：让文档去接受一套自定义规则集（custom rulesets）的检验，然后输出两类结果——整篇文档的评分，以及逐行的标记（line-by-line flags）。

换句话说，你可以为自己的团队或项目定义一份"什么是好文案"的标准，比如禁止使用某些流行的营销黑话、要求叙事有明确节奏、避免AI式的填充句。slop-grader 会拿着这份标准逐行扫描文档，给出打分并标出问题所在。这种做法把"文案质量"这件原本主观的事，转化成了可量化、可复用的评估流程。

与AI Agent协同的自动修复思路

slop-grader 真正有意思的地方，不在于"打分"本身，而在于它为下游的AI Agent修复留了接口。

工具在标记问题行的同时，会输出对应的提示（prompts），这些提示可以直接喂给AI Agent，让它据此起草更锐利的替代文案。整个链路变成：规则检测 → 逐行标记 → 生成修复提示 → Agent改写。这意味着 slop-grader 不是一个孤立的"检查器"，而是可以嵌入自动化写作流水线的一环。

对于习惯用命令行和脚本工作流的开发者来说，这种设计天然契合。它把人类的编辑判断（体现在规则集里）与AI的生成能力（体现在Agent改写里）拼接在一起，人负责定标准，机器负责执行和迭代。

AI Agent 在这里指能够自主接收指令、执行多步骤任务的大模型调用框架（如 LangChain Agent、AutoGen 或 Claude with tool use）。它与普通的「问一次答一次」的LLM调用不同：Agent可以循环读取工具输出、根据反馈决定下一步行动。slop-grader 输出的逐行标记和修复提示，天然符合 Agent 的「观察-行动」循环——Agent读取标记列表，针对每一行问题调用写作模型生成替代文案，再由规则引擎二次评分，直到得分达标为止。这种「检测-生成-再检测」的闭环，本质上是把人类编辑的审稿流程自动化，让质量控制可以在CI/CD或内容发布流水线中无人值守地运行。

典型使用场景

根据官方描述，slop-grader 面向几类具体需求：

• 抓取发布文案中的AI填充内容：产品上线时的宣传稿最容易堆满空话，工具能揪出这些注水段落。
• 清理落地页的营销黑话：把 landing page 上那些听起来高大上却毫无信息量的 buzzword 剥离出来。
• 评估发布邮件的叙事流畅度：为 launch email 的叙事节奏（narrative flow）打分，判断行文是否连贯有力。

这些场景有一个共同点：都是营销与增长团队高频产出、且质量参差不齐的内容类型。slop-grader 试图在这些环节建立一道"质量闸门"。

简评：小工具，切中真实痛点

slop-grader 的价值主张清晰——在生成式AI大量参与内容生产的今天，"检测AI味"本身正在成为一种刚需。相比那些庞大的写作套件，它选择了一个轻量、可组合的CLI形态，把评估能力开放给自定义规则，这让它在不同团队、不同风格标准下都有适配空间。

当然，作为一款早期工具，它的实际效果高度依赖规则集的质量：规则写得好，评分才有参考价值；规则粗糙，打分也可能失真。ProductHunt 上 82 票的成绩说明它触动了一部分人的神经，但工具能否沉淀成团队的长期基础设施，还要看规则生态与Agent集成的成熟度。

对于正在被AI生成内容"淹没"的营销和文档团队，slop-grader 提供了一个值得关注的思路：与其抱怨AI写得空洞，不如用规则和另一层AI去系统性地治理它。

CLI（命令行界面）形态的选择本身也值得一提。相比带图形界面的写作套件，CLI工具可以通过管道（pipe）和脚本与 git hooks、GitHub Actions、内容管理系统的发布脚本等直接集成，做到「提交代码时顺便检查文案质量」。这种可组合性（composability）是 Unix 工具哲学的体现：单一工具做好一件事，通过标准输入输出与其他工具协作。对于已经习惯把 linter、formatter 嵌入开发工作流的工程师团队来说，slop-grader 的接入成本极低，这也是它能在以开发者为主的 ProductHunt 社区引发共鸣的原因之一。