一、功能介绍

背景与需求

随着人工智能技术的发展，AI 拟人化内容在各个领域的应用日益广泛。然而，在使用这些经过 AI 拟人化处理后的文本或文档时，会面临一个问题：当使用常规的 AI 检测工具（如 GPTZero）进行检测时，这些内容很可能会被判定为 AI 创作。这是因为常规检测工具主要基于通用的 AI 语言特征进行判断，而经过 AI 拟人化处理的内容虽在形式上更接近人类表达，但仍可能保留一些 AI 创作的痕迹，从而导致误判。

功能目标

为了解决上述问题，我们设计了 AI 伪检测（Ai Fake Detect）功能。该功能旨在搭建一条伪检测链路，通过一系列技术手段，使用户能够绕过传统检测机制，对经 AI 拟人化的内容进行有效且符合预期的检测，确保检测结果更准确地反映内容的真实创作情况。

二、核心任务项

1：拟人化内容添加水印

水印作用：在拟人化内容中添加水印是为了实现内容的溯源和验证，同时也为后续的检测提供关键信息。水印包含了与内容相关的特定标识，如用户信息、处理时间、处理算法等，这些信息可以帮助检测系统更准确地判断内容的来源和处理方式。

水印类型与格式：选用零宽水印，这种水印具有不可见性，不会影响文本的正常显示和阅读。水印的格式可以采用特定编码方式，将所需信息按照一定规则转换为二进制或字符串形式嵌入到文本中。

添加位置与算法：水印会被添加到文本的特定位置，这些位置的选择基于一种复杂的算法，确保水印不易被发现和篡改。例如，可以根据文本的字符长度、语义结构等因素确定添加位置，同时采用加密算法对水印信息进行加密处理，提高水印的安全性。

2：内容水印识别

识别流程：当需要对内容进行检测时，系统首先会对输入的文本或文档进行扫描，查找可能存在的水印信息。通过特定的解码算法，将嵌入在文本中的水印信息提取出来，并进行解密和解析。

识别准确性：为了确保水印识别的准确性，系统会采用多种验证机制。例如，对提取的水印信息进行格式检查和完整性验证，与预先存储的水印模板进行比对，同时结合文本的上下文信息进行综合判断。如果识别过程中出现错误或不完整的水印信息，系统会进行相应的提示和处理。

异常处理：在水印识别过程中，可能会遇到各种异常情况，如水印被篡改、损坏或未检测到水印等。针对这些情况，系统会有相应的处理机制。例如，如果水印被篡改，系统会标记该内容为可疑，并进一步分析内容的其他特征；如果未检测到水印，系统会按照默认的检测流程进行处理。

3：AI伪检测报告

报告内容构成：AI 伪检测报告是对检测结果的详细呈现，包含多个关键信息。

整体检测结果：通过明确的指标和分类，如“most_human_likely”（最可能为人类创作）、“most_ai_likely”（最可能为 AI 创作）、“document_classification”（文档分类）等，直观地展示内容的创作可能性。

置信度信息：“confidence_category”（置信度类别）和“overall_probability”（整体概率）等指标用于说明检测结果的可信度，帮助用户判断检测结果的可靠性。

详细特征分析：“class_probabilities”（各类别概率）展示了内容被判定为人类创作、AI 创作或混合创作的概率分布；“ai_high_frequency_phrases”（AI 高频短语）列出了文本中可能表明为 AI 创作的高频短语，并给出相应的等级；“annotated_text”（标注文本）则在原文中对这些高频短语进行标注，方便用户直观地查看。

其他信息：还包括“total”（总字数）、“remain”（剩余可用检测次数）、“per_chars”（每字符检测成本等相关指标）、“char_length_prompt_code”（字符长度提示码）、“result_message”（检测结果说明信息）、“input_text”（输入的原始文本）、“result_type”（检测结果类型）等。

报告生成与展示：系统根据检测算法的输出结果，自动生成格式化的检测报告。报告可以以文本、表格或可视化图表的形式展示，方便用户查看和理解。同时，报告还支持导出功能，用户可以将报告保存为常见的文件格式，如 PDF、CSV 等，以便后续分析和存档。

4：文本、文档内容检测逻辑兼容

多种格式支持：该功能需要兼容多种常见的文本和文档格式，包括但不限于纯文本（TXT）、Word 文档（DOC、DOCX）、PDF 文档等。对于不同格式的输入，系统会采用相应的解析器将其转换为统一的文本格式进行处理。

检测逻辑适配：针对不同类型的内容，如新闻文章、学术论文、小说等，系统的检测逻辑会进行相应的调整和优化。例如，学术论文可能会有特定的语言风格和引用格式，系统会考虑这些因素，采用更适合学术领域的检测模型和规则；而新闻文章则更注重时效性和客观性，检测逻辑会相应地进行调整。

性能优化：为了提高检测效率和性能，系统会采用缓存机制和并行处理技术。对于频繁检测的内容或相似的文本片段，可以将检测结果进行缓存，避免重复计算；同时，对于大规模的文档或批量检测任务，可以采用并行处理的方式，将任务分解为多个子任务同时进行检测，提高整体检测速度。

三、主要流程图

四、文本、文档内容检测逻辑兼容

AI伪检测逻辑返回的数据内容结构如下：

{
   "code":0,
   "msg":"successful",
   "data": {
       "most_human_likely":null,
       "most_ai_likely":null,
       "document_classification":"",
       "confidence_category":"",
       "class_probabilities": {
           "human":0,
           "ai":0,
           "mixed":0
        },
       "total":0,
       "remain":0,
       "per_chars":0,
       "char_length_prompt_code":0,
       "result_message":"",
       "input_text":"",
       "result_type":0,
       "fake_ai_detection": {
           "ai_high_frequency_phrases": [
                {
                   "grade":3,
                   "phrase":"marked by profound Integration and transformative Agentic Paradigm Shifts"
                },
                {
                   "grade":3,
                   "phrase":"no longer rests solely on scaling up models"
                },
                {
                   "grade":3,
                   "phrase":"rather on crafting autonomous systems that tangibly boost business outcomes"
                },
                {
                   "grade":3,
                   "phrase":"earned its reputation as the "Year of the Agent.""
                },
                {
                   "grade":3,
                   "phrase":"embrace proactive AI Agents that can strategize, leverage APIs, and execute complex workflows with minimal human input"
                }
            ],
           "annotated_text":"\n                <grade3>late 2025, the Cloud AI tools market has shifted from the so-called "experimental hype" phase into an era marked by profound Integration and transformative Agentic Paradigm Shifts.</grade3></revised> The emphasis <grade3>no longer rests solely on scaling up models</grade3> but <grade3>rather on crafting autonomous systems that tangibly boost business outcomes</grade3>.<added>不得不说，这一步骤真的是令人期待呢。</added>\n\n<grade2>Here's a breakdown of today's Cloud AI landscape:</grade2>\n\n1. <grade3>Market Macro-Dynamics: Moving Beyond "Chat" to Concrete "Action"</grade3>\n<grade3>The Ascendance of the AI Agent:</grade3> 2025 has <grade3>earned its reputation as the "Year of the Agent."</grade3> The field <grade3>has transcended mere conversational bots</grade3> to <grade3>embrace proactive AI Agents that can strategize, leverage APIs, and execute complex workflows with minimal human input.</grade3>\n\n<grade3>Inference Takes the Lead:</grade3> For the first time ever, spending on AI inference <grade3>dramatically outstripped</grade3> training expenses. This trend owes much to the widespread rollout of AI in live environments",
           "grade_total":5,
           "overall_probability":"42%"
        }
    }
}

整体状态信息：

code：表示检测请求的处理结果状态码，0 通常表示成功，其他值可能表示不同的错误类型。

msg：对状态码的文字描述，如 “successful” 表示处理成功。

详细检测结果信息：

most_human_likely 和 most_ai_likely：分别表示内容最可能是人类创作或 AI 创作的相关信息，当前为 null，可能在后续根据具体检测情况填充。

document_classification：文档的分类信息，如新闻、学术、小说等，当前为空，需要根据具体的分类算法进行填充。

confidence_category：置信度类别，用于描述检测结果的可信度等级，如高、中、低等，当前为空，需要根据检测模型的输出进行判断和填充。

class_probabilities：各类别创作的概率分布，包括 human（人类创作概率）、ai（AI 创作概率）、mixed（混合创作概率），当前均为 0，会在检测完成后根据模型计算得出具体值。

total：输入文本的总字数，用于统计和计费等相关操作。

remain：用户剩余的可用检测次数，方便用户了解自己的使用情况。

per_chars：每字符的检测成本等相关指标，可能用于计费或资源分配等方面。

char_length_prompt_code：字符长度提示码，可能用于提示用户输入文本长度是否符合要求或其他相关信息。

result_message：关于检测结果的详细说明信息，如对检测结果的解释或建议等，当前为空，会根据检测情况生成相应的文本。

input_text：用户输入的原始文本，方便用户核对和查看。

result_type：检测结果的类型，如明确为人类创作、AI 创作或无法确定等，当前为 0，需要根据具体的判断规则进行赋值。

ai_high_frequency_phrases：文本中出现的 AI 高频短语列表，每个短语都有一个对应的 grade（等级），用于表示该短语与 AI 创作的关联程度。

annotated_text：标注后的文本，将高频短语用特定的标签（如 <grade3>）进行标注，方便用户直观地看到哪些部分可能是 AI 创作的痕迹。

grade_total：高频短语的总等级数，用于综合评估文本中 AI 创作痕迹的程度。

overall_probability：整体的 AI 创作可能性概率，以百分比形式表示，当前为 “42%”。