算法说明
想看「收集了哪几项数据、干什么用、存多久、怎么删」，去 隐私政策； 使用规则见 用户协议。
个性化推荐算法
原理：基于你关注的车型和浏览历史，优先展示相关品牌/车型的新闻。推荐逻辑：
- 你关注的车型 → 该车型/品牌的最新报道
- 你近期浏览过的新闻 → 同栏目、同品牌的相关内容
- 每条推荐附带理由（如"因为你关注了小米SU7"），可查可验。这句理由是规则拼出来的，不是 AI 写的——按你关注/浏览过的车型品牌套固定句式（见
news/recommend.py），所以它不带 AI 标识
数据范围：仅使用你在本站的关注和浏览行为，不采集站外数据，不画像。
不做什么：不按流量/点击率排序（高点击≠高质量），不做信息茧房式推荐。
登录后可一键关闭个性化推荐
统计结论的样本门槛
所有会被读作结论的均值、比例和综合判断都把分母写成 n=。质量分均值、质量标签占比和车型体检结论至少需要 n=10；未达到时页面显示「样本不足，暂不下结论」，只保留原始记录数。
已有专项门槛继续从严执行：媒体×品牌表述倾向每格至少 5 条有效判定；月报需当月 n≥30，且至少 3 家媒体达到上榜门槛；报道覆盖观察至少 5 家符合基线条件的媒体。不同指标的分母含义不同，页面会在数字旁说明。
信息质量分算法
原理：从 100 分基线开始逐维扣分，两条打分路并存——规则启发式（v1，词表和阈值全公开，验稿器上未登录跑的就是它，可逐句复算）与 AI 主编（登录后验稿、批量入库走这条，按读感给各维定扣分）。站内现有的质量分绝大多数由 AI 主编打出，所以下面每一维都要分清「规则量到的」和「主编判的」：
- 标题夸张表述：夸张词匹配 + 标点堆叠（如"震惊！！！"），每命中扣分
- 营销维度扣分：规则口径量的是营销词密度（如"遥遥领先/重新定义"，命中数每千字超过阈值）加信源是否具名；AI 主编按读感给这一维扣分、不计算密度。所以标签只说「这一维扣了分」——只有真量到密度的那些稿，详情页才会另外把「X 次/千字」印在同一行上
- 情绪化检测：主观断言词密度（如"毫无疑问/简直"）
满分要挣，不是默认值：只按「100 − 扣分」算的话，一篇干净但空洞的厂商宣传稿——没有标题党、没有情绪化、没有套话——会因为「找不到罪证」自动拿满分。所以还有一层正面证据决定这一篇的分数上限：每挣到一条，上限抬 5 分，0 条最高 85 分，三条齐了才够得着 100。
- 具名信源：正文里有说得出名字的机构，或「职务+姓名」的人（「相关负责人」「业内人士」不算）
- 信源多元：至少两个不同信源主体，且不全是车企自己——一家之言凑两个部门不算
- 数字有出处：价格/销量/百分比这类关键数字，至少有一处和出处写在同一句里
这三条全部由本站代码本地判定，不经过模型：判据、词表和天花板公式都公开，任何人拿着原文都能自己数一遍。这一层只压上限、不额外扣分——攒够正面证据也洗不白标题党。详情页和验稿器会把命中的和没命中的一起列出来，因为读者真正要问的是「差在哪」。
可解释：每条扣分理由可展开查看命中词和原文位置，不是黑箱。
局限：规则口径有误判（如车企正式名含"旗舰"），AI 主编则可能判错读感。详情页和验稿器都会印一句"仅供参考"，而且跟着这一篇实际走的那条打分路——主编打的印"AI 判断仅供参考"，规则打的印"规则判断仅供参考"，不替规则分冒认 AI（#185）。管理员可人工覆盖误判并留痕。
演进：学期将升级为 LoRA 微调模型（自建 3000 条标注集），与规则版做对比实验。
看一份完整的
上面讲的是尺子，这里是用这把尺子跑出来的东西：智能体从选题、取证、交叉验证到成文 走完一整条管道，每条结论下面挂着它依据的原始材料——包括站外可核对的 总局召回公告地址，点开能当场比对编号和数量。 不需要登录，跑完的调查任何人都能看。
打开这份报告：吉利 银河 2026-08-10 跑完 · 更多在智能体驾驶舱自己算一遍 · 不用信我们
下面这段计算完全在你的浏览器里跑，不联网、不上传、不需要登录——
用的就是左边这份词表和阈值（从代码里直接传下来的，不是另抄的一份）。
贴一段文字进去，每个命中的词都会标出来。
只算规则层：这一层是确定性计算，同样的输入必然同样的输出，所以可复算。
AI 主编那一层复算不了，我们也不假装它能。
当前口径版本 quality-rules-v1+3e8acca1e74a —— 每条判决书底部的「这个分怎么自己复算」里印着它出自哪一版； 版本不同就不是同一把尺，分数对不上是正常的。
检测准确率 · 我们判得准不准
不达标就照实说。达标线是按层加权后的总准确率 ≥ 80.0%， 没过线之前，站内所有倾向结论一律挂着「AI 判定 · 抽检中」的牌子，不摘。
拆开看每一层（层 = 模型预测的类别，按它在全库的占比加权还原）：
| 层 | 金标数 | 判对 | 层准确率 | 全库占比 |
|---|---|---|---|---|
| 正向 | 19 | 10 | 52.6% | 38.5% |
| 中性 | 15 | 6 | 40.0% | 30.5% |
| 无法判断 | 12 | 9 | 75.0% | 23.4% |
| 负向 | 10 | 8 | 80.0% | 5.5% |
| 弃判 | 1 | 1 | 100.0% | 2.0% |
怎么抽的：按模型预测分层抽样、正负两层各保底 10 条（负向在库里只占几个百分点， 裸随机抽 50 条会一条负例都没有，那道门就白设了）；段内早晚各一半等距取； 标注人只看标题、正文和依据句，拿不到模型的答案（盲测）； 每一轮换一批新样本，与历史金标零重叠——拿标过的复验等于拿考题当答案。
两栏都对才算对：倾向判对，且依据句撑得住。子串校验挡得住编造，挡不住模型挑一句 真实但答非所问的话——本轮有 1 条属于「倾向判对了但依据句撑不住」， 这类按错计。
这个数的性质：57 条的统计功效有限（真值 80% 时观测值的 95% 区间约 ±11 个点），
它是冒烟测试不是严谨验收。当前判定版本 glm-4-flash/stance-v4.1，
抽检于 2026-08-09。
本节数字来自最近一次 audit_stance --gold 的真实运行结果，页面不手抄、不缓存旧值；
逐轮记录与错误分析存档在仓库 docs/质量抽检/。
智驾话术检测
检测稿件是否将 L2 级辅助驾驶系统宣传为"自动驾驶"等违规用语。
依据：工信部 2025.4 装备工业一司会议明确禁止 L2 使用"自动驾驶/无人驾驶/脱手"宣传；GB 47955-2026《智能网联汽车 自动驾驶功能通用技术要求》2027.1.1 施行。
方式：关键词匹配（非 AI），分红灯词（直接违规）和黄灯词（L2 语境下易误导）两级。
合规声明
- 来源可溯：所有新闻标注原始来源和原文链接，爬取稿只展示 AI 摘要+原文回链
- 遵守 robots 协议：爬虫严格遵守各源站 robots.txt
- AI 内容已标识：模型生成的内容一律带 AI 生成 标识，逐处点名—— 新闻详情页的一句话总结与 AI 提炼要点、首页/列表卡片上的 AI 摘要、事件页的「一句话说清这件事」、 每日早报里由模型写的那几条、验稿器与详情页的 AI 主编评审、质量分的三视角判定、 Agent 调查报告正文/结构化声明/审稿争论记录、承诺兑现的 AI 判定； 早报的语音播报另标 合成语音（《标识办法》管音频，不只管文本）。 依据《人工智能生成合成内容标识办法》（2025.9.1 施行）
- 不是 AI 的，一律不冒充 AI：推荐理由（规则拼句，见上）、智驾话术检测（关键词匹配）、
智能体驾驶舱整页的数字与摘要、车型体检报告、Agent 调查报告那排数据条（报道数/事件数/来源数，都是代码统计 + 模板句）都不带 AI 标识；
一句话总结、早报摘要、验稿器评分、承诺判定、Agent 调查报告正文这五处模型不可用时会退回规则版或只剩检索结果，
退回的那些改挂灰色角标（如 规则生成）写明这一次实际是什么，不留白也不冒领。
还有两处可能由模型判定、但库里不存来路，所以不逐条署名：栏目分类那枚 chip（车辆/行业/政策，配了模型 key 就由模型定、失败退关键词规则，见
news/nlp/classify.py，News.section只存结果不存是谁定的）和质量分那个数字本身（分数由哪条路打出来记在quality_reasons.method里，但列表页的分数徽章只印数字、没有摆角标的位置；点进详情页那句"仅供参考"会说清这一篇是主编判的还是规则判的）。 这两处只印中性结果、不印模型直出的自由文本，所以按《标识办法》不逐条加标，但也一样在这里点名交代，不含糊过去 - 最小必要收集：仅记录站内浏览/关注行为，不采集设备信息、位置、生物识别等敏感个人信息；注册只需用户名+密码，手机号为选填（仅用于找回账号，不做短信验证、不对外提供）
- 算法可关闭：个性化推荐可一键关闭（见上方开关），依据《互联网信息服务算法推荐管理规定》
- 可查可删：收集了哪几项、存多久、怎么删，逐项写在 隐私政策； 浏览历史和账号都能在设置页自助清空/注销