有人正在给 X 平台做一款插件，专门折叠疑似 AI 生成的伪人评论。触发条件是概率阈值：当一条评论被判定为 AI 生成的概率超过用户设定的值，插件就自动把它折叠起来。

这套逻辑的关键在于把判断权交给用户。阈值不是写死的，用户可以自己调，判定门槛高低由使用者决定，而不是插件替所有人拍板。

作者对现有工具的评价并不客气。他提到像 Jev 这类工具在智能化方面仍有不足，这也是他动手做插件的原因之一。

补短板的方式是加手动标记。用户在浏览中人工判定某条评论是伪人评论，这个动作会被记录下来，转化为训练数据，供模型学习 AI 评论的特征。

插件因此形成一个反馈闭环：

  • 概率超过阈值，评论自动折叠
  • 用户手动标记，产出人工判定结果
  • 标记数据回流，用于优化识别模型

从设计上看，自动过滤负责效率，手动标记负责精度。前者解决看不看得到的问题，后者解决判得准不准的问题，两者共用同一套数据链路。

这款插件目前处于开发阶段，作者分享的是设计思路与功能构成，尚未给出识别准确率或误折叠率之类的量化指标。