我改了一个 Slop Detector：用 Decision Model 筛选 X 和 LinkedIn 内容

我做了一个 Slop Detector 的二创版本：刷 X 或 LinkedIn 时，让 decision model 先判断当前看到的文字内容，再按我设置的规则盖章、淡化或隐藏。

这是一个很小的工具，但它把 decision model 的用途讲得很具体：给一段内容做判断，然后让软件根据判断采取动作。

先说明来源：原版 Slop Detector 来自 Robin Bilgil。我在它的基础上 fork 和改编，接入 EvoLink Luna Decision，增加中英文界面和可调阈值。原来的信息流识别、缓存及显示方式都有沿用；我的版本在这里，保留原作者署名与 MIT 许可证。

为什么把 Decision Model 用在信息流里

刷信息流时，我想解决的是一个阅读问题：有些帖子看起来很完整，读完却没有多少新增信息。套话、重复的营销模板、没有具体内容的夸张结论，都可能占用注意力。

在这个工具里，decision model 接收帖子的文字和一条判断问题，返回与问题对应的概率。扩展使用 EvoLink 的 gpt-6-luna-decisions，读取接口返回的 predicate 概率，再跟阈值比较。它不会先生成一段评价，再从评价里猜一个分数。

扩展默认问题的大意是：这是不是一条自动生成、AI 生成，或以其他方式低投入、缺乏价值的帖子？ 你也可以在「提示词」里修改问题，让判断更接近自己的阅读偏好。

这里有个局限：默认问题同时包含「是否 AI 生成」和「是否缺乏价值」，这两件事并不总是一起发生。AI 辅助写的帖子也可能很有用，真人写的内容也可能空洞。因此，我把它当作个人阅读筛选器。模型打出的 Slop 标签不能证明作者使用了 AI，也不是对作者的定论。

同样的判断方式还可以用于评论初筛、线索分类、内容分流；这些是可以继续尝试的方向，这个扩展目前做的是 X 和 LinkedIn 的文字内容筛选。

效果大概怎样：看两段 X 录屏

下面两段操作录屏截取了信息流部分，分别展示中文和英文界面的使用过程。可以直接在文章内播放。

录屏里可以看到，页面滚动过程中，一些帖子被盖上了红色的 SLOP 印章；其他帖子仍保持原来的样子。这个反馈很直观，也方便回头判断模型有没有误判。

这两段录屏展示的是 X 上的使用效果。扩展也支持 LinkedIn，但这里没有放 LinkedIn 的实际录屏。它们也不是带人工标注的准确率测试，不能据此给出「识别率多少」「每条多快」或「每次多少钱」这样的结论。

对我来说，初次使用最适合选「盖章」或「淡化」：保留原文，先观察判断是否符合自己的偏好，之后再决定是否使用「隐藏」。

第一步：克隆仓库并构建扩展

准备 Chrome 120 或更高版本、Git、Node 24.18 或更高的 24.x 版本，以及 npm。注意，这个仓库当前要求 Node 24.x；只有 Node 22 或 25 时，需要先切换版本。

打开终端，依次执行：

sh复制
git clone https://github.com/cheercheung/slop-detector.git
cd slop-detector
npm ci
npm run build

构建成功后，仓库里会生成 dist 文件夹，下一步加载的就是它。本教程使用源码安装，不是 Chrome 应用商店安装。

第二步：开启开发者模式，加载 dist

1. 在 Chrome 地址栏输入 chrome://extensions/。
2. 打开右上角的「开发者模式」（Developer mode）。
3. 点击左上方「加载已解压的扩展程序」（Load unpacked）。
4. 选择刚才仓库里的 dist 文件夹，不要选整个源码目录，也不要选 ZIP 文件。
5. 安装后，在浏览器工具栏的扩展菜单里固定 Slop Detector，方便随时打开。

截图使用独立的 Chrome for Testing，只加载这个扩展；你在自己的 Chrome 中按相同入口操作即可。也可以参考 Chrome 官方的本地扩展安装说明。

第三步：获取 EvoLink Key，再点击连接

打开扩展弹窗，选择「决策模型 → EvoLink Luna Decision」。新安装默认就是这个服务商。中文界面可以在顶部「语言」中切换。

1. 点击「获取 Key」，进入 EvoLink API Key 控制台。
2. 登录自己的账户，在控制台创建并复制 API Key，同时确认账户有可用额度。
3. 回到扩展，将 Key 粘贴到「API Key」输入框。
4. 点击「连接」（Connect）；如果 Chrome 请求访问服务商域名，允许它访问 direct.evolink.ai。
5. 等待连接完成。界面显示「已连接」（Connected）后，再去测试信息流。

不用创建 .env 文件，也不用修改源码填写 Key。 截图刻意保留空输入框；请自行填写，不要把真实 Key 发到截图、文章或 GitHub。

连接会发送一条合成样例请求，可能产生 API 费用。「已连接」说明连接检查通过，接下来还要看信息流里是否出现实际检测结果。若连接失败，先检查服务商、Key、额度以及 Chrome 的访问权限。

第四步：设置显示方式，开始浏览

连接成功后，先按下面这组设置体验：

截图里的初始显示方式是「隐藏」，连接后可以把它改成「盖章」或「淡化」。随后刷新 X 或 LinkedIn，滚动到想看的帖子。扩展处理的是当前可见的文字帖子、评论和回复，不是一次扫描完整账号或整条时间线。它不分析帖子中的图片和视频。

默认规则是 Slop 概率 ≥ 70% 就判为 Slop：70% 会命中，69.9% 不会命中。「非 Slop」显示的是互补概率，例如 Slop 80% 对应非 Slop 20%，不是另一个模型给的独立分数。

觉得命中过多，可以提高阈值；想让更多内容进入筛选范围，可以降低阈值。调整阈值会复用已有缓存分数，重新显示标签，不会仅因为改阈值就把这些已缓存内容再请求一遍。

如果你换了判断问题，或希望重新检测，可以清除缓存；重新发出的检测请求可能产生费用。测试结束后，关闭顶部开关即可暂停后续检测。

使用时，我会留意这几件事

误判是否能接受。 行业术语、简短推广或某种写作习惯，都可能影响模型判断。遇到有用的内容却被盖章，可以保留原文检查，调整阈值或提示词。

文字会发给谁。 扩展会把可见帖子的文字发送给你选择的服务商，每条最多 6,000 字符；决策模型还会收到判断提示词。真实 Key 保存在本机扩展存储中，不会同步，但这不是加密保险库。细节见仓库的 隐私说明。

没有标签时先检查设置。 确认扩展开启、EvoLink 已连接、网站访问权限允许，然后刷新页面。如果只看不到非 Slop 标签，检查对应的显示开关。

更新扩展时，在仓库内拉取最新版本，重新执行 npm ci 和 npm run build，到 chrome://extensions/ 点击扩展卡片的重新加载按钮，再刷新信息流页面。

这次二创改了什么

这次改编主要做了三件事：把 EvoLink Luna Decision 设为默认服务商；增加中英文设置和信息流标签；把 Slop 阈值做成 0%–100% 可调，默认 70%。原扩展的盖章、淡化、隐藏和缓存等能力继续保留。

如果你也想试试 decision model，做一个这样的内容判断小工具，是很具体的起点：先确定你想问什么，再观察模型判断是否有助于你的实际工作。

克隆我的改编版本 · 阅读改编记录 · 查看 Robin Bilgil 的原项目