sloptrim

Локальный детектор шаблонов AI-прозы, плагин для агентов разработки (Claude Code, Codex, Cursor). Анализирует прозу в 20 форматах, выдаёт оценку 0–100 на основе 71 документированного признака. Работает без сети и внешних моделей, используя только стандартную библиотеку Python. Важно: инструмент не классифицирует авторство и не должен применяться для обвинений.

Sloptrim — локальный инструмент, анализирующий прозаический текст на признаки машинной генерации. Он работает как плагин для агентов разработки (Claude Code, Codex, Cursor) и запускается при сохранении файла. Детектор использует только стандартную библиотеку Python, не требует сетевого доступа и не загружает модели.

Что анализируется

Инструмент оценивает прозу по 71 документированному шаблону, 62 из которых формализованы в детекторах. 50 шаблонов влияют на итоговую оценку, 12 выводятся как рекомендации и не учитываются в баллах. Результат — число от 0 до 100, которое попадает в одну из пяти полос: чисто, лёгкие признаки, смешанные, сильные признаки, повсеместные признаки. Порог срабатывания по умолчанию — 40 баллов; в строгом режиме — 20.

Поддерживается чтение текста из 20 форматов, включая DOCX, PPTX, XLSX, OpenDocument, EPUB, Jupyter-ноутбуки и LaTeX. Анализируются первые 262 144 символа извлечённой прозы; размер входного файла не должен превышать 4 МБ (для архивов) или 512 КБ (для простого текста).

Команды и режимы

Доступны команды через слеш-меню агентов:

• full — контракт и защита при превышении порога (режим по умолчанию);
• strict — порог 20 и дополнительная очистка символов;
• lite / off — только контракт / отключение проверок;
• check <file> — оценка файла с перечислением обнаруженных признаков, без перезаписи;
• init — запись контракта в AGENTS.md и правило для Cursor;
• doctor — диагностика установки.

Из командной строки можно запустить python scripts/detect.py <file> для получения JSON-отчёта с оценкой и перечнем сработавших шаблонов.

Ограничения и важные предупреждения

• Инструмент не является классификатором авторства. Оценка отражает стилистические особенности текста, но не может доказать или опровергнуть участие конкретной модели. Использование для обвинений в машинном происхождении текста недопустимо (подробнее см. ETHICS.md в репозитории).
• Детектор анализирует только прозу и не обрабатывает программный код. Маскирование кода выполняется лексически: в офисных форматах исключаются явно помеченные стили кода, в простых текстовых форматах — блоки, ограниченные тройными кавычками; для LaTeX дополнительно защищены математические окружения, комментарии, цитаты и преамбула. Нестандартные конструкции разметки могут быть не распознаны.
• Форматная обработка извлекает текст лишь из целевых элементов: в DOCX — основные абзацы и таблицы без колонтитулов и комментариев; в PPTX — текст слайдов без заметок докладчика; в XLSX — содержимое ячеек; в EPUB — HTML/XHTML-части; в ноутбуках — только Markdown-ячейки. PDF и RTF не оцениваются и помечаются как нечитаемые.
• Инструмент видит только файлы, сохранённые через механизмы редактирования агента (Write/Edit). Данные, записанные напрямую командами Bash, не попадают в анализ.
• Для работы требуются Node.js (для интеграции хуков) и Python 3.9 или новее. Сетевые запросы не выполняются, данные с машины не передаются.

Оценка точности

На независимом бенчмарке с пятью сбалансированными выборками (по 30 машинных и 30 человеческих текстов каждая) инструмент показал ROC-AUC в диапазоне 0,762–0,946 в зависимости от используемой модели и обработки текста. Доверительные интервалы получены 10 000 бутстреп-ресэмплами. Результаты воспроизводимы при фиксированной версии датасета, проверяемой по хешу.

Доступность

Проект с открытым исходным кодом распространяется под лицензией Apache 2.0. Код доступен на GitHub, там же опубликованы тесты (197 Python-тестов и 72 проверки хуков) и конфигурация CI для Linux, Windows и macOS.