Qinghu AI 内容检测器

安装指南

1. ClawHub CLI 从源直接安装技能的最快方式。
   npx clawhub@latest install qinghu-ai-detector
2. 手动安装 将技能文件夹复制到以下位置之一
   全局模式
   ~/.openclaw/skills/
   工作区
   /skills/
   优先级：工作区 > 本地 > 内置
3. 提示词安装 将此提示词复制到 OpenClaw 即可自动安装。
   请帮我使用 Clawhub 安装 qinghu-ai-detector。如果尚未安装 Clawhub，请先安装（npm i -g clawhub）。
   更倾向于下载？
   获取包含原生技能文件的ZIP压缩包。
   下载技能 (.zip)

什么是

Qinghu AI Content Detector 连接到 Qinghu 的数据 API 来分析文本和图片。文本检查返回整体 AI 置信度或比例、分段分类以及有助于定位被标记为 AI 风格段落的详情；图片检查返回 AI 生成置信度分数。Openclaw Skills 用户可将其应用于文案、文章、产品描述、产品照片、海报和其他支持的内容。
结果是概率性指标，而非证明或法医调查结果。该技能在返回的值中附带适当的注意事项，可在请求时建议文本修改，并将图片修饰路由到单独的 LinkPix 技能。它在工具调用前需要用户批准，并根据 API 返回的成本数据报告使用情况。

应用场景

检查文案、文章、产品描述或评论是否包含可能由 AI 生成的段落。
审查产品图片、海报、肖像或其他受支持的图片的 AI 生成置信度。
运行发布前审查，检查文本或图像中可能存在的 AI 痕迹。
在接受交付之前，评估供应商、创作者或影响者提供的材料。
从 Word 或 PDF 文档中提取文本并提交该文本进行分析。
当用户同意时，将选定的视频帧作为图片进行审查，同时明确指出该结果仅适用于这些帧，而不适用于整个视频。

工作原理

识别输入类型：将文本发送到 text_moderation，将图片发送到 image_moderation。在检查文档文本之前先提取文本；不直接支持视频和音频。
首次使用工具或参数不明确时，使用 API 的 tools/list 方法检查可用的工具定义。遵循其 inputSchema 和必填字段，而不是猜测。
在对话中的第一次工具调用之前，列出所需的工具，解释其目的以及可能会消耗 Qinghu 积分，并征求批准。不要调用用户未批准的工具。
提交文本时必须包含 text，默认将 is_merge 设置为 false 以保留分段详情。对于图片，提供公共 imageUrl 或 imageBase64；本地提供的图片应读取并编码为 Base64。
在每一层验证响应：检查顶级协议 error，检查 result.isError，解析 result.content[0].text 中的 JSON 字符串，并确认内部响应的 code == 200 且 success == true。
总结返回的值，而不编造通过/失败阈值。包括文本 AI 比例和相关的分段详情、图片置信度，以及结果可能出错的明确说明。
如果有请求，为被标记的文本提供重写指导，并且在解释另一次调用可能会产生费用后才重新测试。图片修饰超出了此技能的范围，应移交给 LinkPix。
在适用的情况下，跟踪每次成功或尝试调用的返回的 pointCost，通过除以 10,000 将其转换为 Qinghu 积分，并在发生付费调用时在结束时报告会话总额。

配置指南

注册或登录 Qinghu，然后在 Qinghu 仪表盘中创建一个 API 密钥：
登录：https://www.iqinghu.com/workbench/login?type=1&urlCode=1788417429126
API 密钥：https://www.iqinghu.com/workbench/dashboard/api-keys?urlCode=1788417429126
将密钥作为 QINGHU_TOKEN 或 QHKIT_TOKEN 存储在环境中。不要将其粘贴到共享日志中，也不要在客户端代码中公开它。
使用 Bearer 令牌和 JSON 内容类型向 Qinghu 的 HTTP 端点发送请求。该技能未指定包安装步骤；它直接使用 API 或已经配置好的工具集成。
在依赖其参数之前列出可用工具：
export QINGHU_TOKEN="your-qinghu-api-key"
curl -sS 'https://www.iqinghu.com/api/desktop/qh/mcp'
-H "Authorization: Bearer ${QINGHU_TOKEN}"
-H 'Content-Type: application/json'
-d '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}' 使用 tools/list 返回的确切工具 name 和必填字段。相关工具为 text_moderation 和 image_moderation；不要猜测参数或替代同名工具。
如果请求返回带有空正文的 HTTP 401，请重试一次并验证 Authorization: Bearer ... 格式。如果同一个密钥可以访问 GET https://www.iqinghu.com/api/desktop/qh/workflow/page?pageNum=1&pageSize=5 但 MCP 端点继续返回 401，则问题可能是账户权限而不是密钥；请要求用户启用数据 API 访问权限。
Qinghu AI 内容检测器 数据架构与分类体系
API 和响应结构
层或字段 目的
tools/list → result.tools[] 描述可用工具，包括 name、标题、描述、inputSchema、outputSchema 和 free 元数据。使用架构验证输入。
tools/call 使用其参数调用确切的工具名称。
result.isError 表示工具级错误，但本身不足以确定业务成功。
result.content[0].text 包含作为 JSON 编码字符串的业务响应；再次解析它以访问其字段。
内部 code 和 success 仅当解析后的业务响应具有 code == 200 且 success == true 时，调用才成功。
result.pointCost 封套级使用成本。通过 pointCost / 10000 转换为 Qinghu 积分；不要替换业务文本中找到的点值。
分析输入和结果
文本： text 是必需的。默认保持 is_merge 为 false 以保留分段级详情。在 labels_ratio 中，标签 0 表示人类，1 表示 AI，2 表示疑似 AI。
图片： 提供 imageUrl 或 imageBase64 之一。支持的图片必须大于 300 × 300 像素，不超过 10 MB，且为 JPG、PNG 或 WebP 格式。每张图片分别检查。
文档： Word 和 PDF 文件不直接检查；提取其文本并使用文本工作流。
不支持的媒体： 音频和视频属于支持的输入类型之外。选定的视频帧可以仅作为图片进行检查，并披露该限制。

高级特性

分段级文本 analysis 有助于识别哪些段落看起来像 AI，而不单纯依赖整体分数。
支持公共图片 URL 和 Base64 编码的本地图片，但须遵守图片大小、尺寸和格式要求。
使用分层响应验证来捕获可能隐藏在 HTTP 200 或
isError: false
背后的协议错误和业务失败。
要求对当前对话中计划的所有工具进行一次前期批准；批准的工具在该对话中保持授权，而新对话需要重新批准。
限制每次助手响应最多调用 10 个工具。如果需要额外调用，请在后续响应中继续之前征求批准，并且在参数错误后避免重复猜测。
分别处理文本和图片检查及其成本；文本段落或图片通常需要其自己的调用。在继续之前解释预期的费用，并仅从封套级
pointCost
报告实际使用情况。
支持对被标记的段落进行可操作的文本修改指导以及可选的重新测试，并披露额外的调用成本。图片修饰委托给 LinkPix，而不是在此处执行。
将检测视为概率性的，避免不受支持的确定性或硬编码阈值，并且不将结果作为法律、版权或学术诚信证明。

name: qinghu-ai-detector description: 青虎AI AI生成内容检测：对文案、文章、商品描述等文本检测 AI 生成占比与分段明细，对商品图、海报、模特图等图片检测 AI 生成置信度，给出综合判定，并按需给出降低 AI 痕迹的建议。当用户要检测文本或图片是不是 AI 生成、查 AI 率、判断素材真伪、发布前自查 AI 痕迹、核验供应商或达人交付的素材时必须触发。关键词：青虎AI、AI检测、AIGC检测、AI率、AI生成文本检测、AI生成图片检测、真伪判定、降AI、AI味、内容审核。 user-invocable: true metadata: {"openclaw":{"emoji":"🕵️"}} AI检测专家 | 青虎AI

对文字和图片做 AI 生成内容识别：文本给出 AI 占比与分段明细，图片给出 AI 生成置信度，最后汇总成一份看得懂的判定。

检测结果是概率判断，不是鉴定结论——任何检测模型都会误判，结论里要讲清这一点，不要把置信度说成「确定是 AI 写的 / 画的」。

何时触发
「这段文案是不是 AI 写的」「帮我测一下 AI 率」
「这张图是不是 AI 生成的」「这批商品图有没有 AI 痕迹」
「发布前帮我自查一下 AI 味」
「供应商给的图、达人交的稿是不是 AI 做的」
数据接口

本技能的数据全部来自青虎数据接口——一个普通的 HTTP 端点，用任何能发请求的方式调用即可（curl、fetch、requests 都行）。 如果当前环境已经把这些工具做成了可直接调用的工具，那就直接调，不必自己拼请求。

项 值
地址 POST https://www.iqinghu.com/api/desktop/qh/mcp
必需请求头 Authorization: Bearer 、Content-Type: application/json
密钥来源 向用户索取，或读环境变量 QINGHU_TOKEN / QHKIT_TOKEN；用户先打开 https://www.iqinghu.com/workbench/login?type=1&urlCode=1788417429126 注册/登录，再到 https://www.iqinghu.com/workbench/dashboard/api-keys?urlCode=1788417429126 生成

HTTP 401 + 空响应体不一定是密钥的问题，按这个顺序排查： ① 先原样重试一次——2026-08-18 实测过同一把有效密钥间歇性返回 401 空体、隔一会儿再请求就正常，别一遇到 401 就下结论； ② 检查请求头是不是 Authorization: Bearer （少了 Bearer 前缀、或改用 X-Api-Key / api-key 一律 401）； ③ 持续 401 时，拿同一个密钥请求 GET https://www.iqinghu.com/api/desktop/qh/workflow/page?pageNum=1&pageSize=5（同一套鉴权）： 返回 200 说明密钥有效，问题在这个端点的账号权限——此时不要再向用户索要密钥，请他到青虎工作台开通数据接口权限。 返回一律是纯 JSON，不需要 Accept: text/event-stream。

1. 查工具入参

第一次用某个工具、或拿不准参数时先查一次，不要猜参数：

{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}

result.tools[] 每项含 name（调用时用的名字）、title（中文名）、description、inputSchema（必填项与类型）、outputSchema、free（是否免费）。

2. 发起调用

工具名照 tools/list 返回的 name 原样填：

{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"hot_douyin_rank","arguments":{}}}

3. 取业务数据：要解两层

业务数据是被 JSON 字符串化塞在 content[0].text 里的，直接读 content 拿不到值：

{"jsonrpc":"2.0","id":2,"result":{
"isError": false,
"pointCost": 2000,
"content": [{"type":"text","text":"{"code":200,"data":{...},"success":true}"}]
}}

必须对 content[0].text 再做一次 JSON 解析，才拿得到里面的 data。

4. 判断成没成功：三层都要看

HTTP 状态码永远是 200，isError 也可能骗人，按顺序检查：

检查 含义
顶层有 error 对象（此时没有 result） 协议层失败，如工具名写错会返回「工具不存在: xxx」
result.isError 为 true 调用出错
解析内层后 code == 200 且 success == true 只有这样才算真成功

实测缺必填参数时返回的是 isError: false 但内层 code:500、success:false——光看 isError 或 HTTP 200 会把失败当成功。 参数出错时的提示只有一句「API调用成功判断失败」，既不说缺哪个参数也不说哪个值非法，所以调用前对着 inputSchema 的 required 自查，不要靠试错。

调用失败时 pointCost 为 0，不扣费。

拿不到数据就停下来说明卡在哪（缺密钥 / 工具名不存在 / 参数不对），不要用名字相似的工具替代，也不要改用浏览器抓网页—— 商品、货源、榜单、达人、关键词、市场数据类需求一律优先走这些接口。

下表是本技能要用的工具，写的是 name 原值；表里只补 inputSchema 里看不出来的取值来源与前置步骤。

工具 中文名 用在哪一步
text_moderation AI生成文本检测 文本：整体 AI 置信度、疑似 AI 占比、各类型占比与分段明细
image_moderation AI生成图片检测 图片：AI 生成置信度（0–1，越接近 1 越可能是 AI 生成）

text_moderation：text 必填；is_merge 默认 false，保留分段明细，方便定位哪几段像 AI。返回里 labels_ratio 的类型编号 0=人工、1=AI、2=疑似 AI。 image_moderation：imageUrl（公网可访问）与 imageBase64 二选一。图片要求大于 300×300 像素、不超过 10MB、格式为 jpg / png / webp，不满足就先告诉用户，不要硬调。用户给的是本地文件时，读成 Base64 传 imageBase64。 文本和图片是两个独立的付费工具：一条内容同时有图有文时，分别检测、分别计费，每张图、每段文本各算一次调用。

工作流程

1. 分拣内容 文本（文案、文章、商品描述、评论）→ text_moderation；
   图片（商品图、海报、模特图、头像）→ image_moderation；
   Word / PDF 等文档 → 先提取正文，再按文本检测；
   视频、音频 → 不在支持范围。用户愿意的话可以截几帧按图片检测，但要说明只代表这几帧，不代表整条视频。
2. 文本检测

整段提交，保留分段明细，用分段结果定位「像 AI」的具体段落。 超长文本（整本手册、几十篇文章）先问用户要检测哪部分，或按章节分段检测——分几段就是几次付费调用，开工前把次数说清楚。

3. 图片检测

逐张检测。图片多于本轮调用上限时，先挑用户最关心的几张，其余征得同意后下一轮继续。

4. 综合判定

每条内容报原始数值（文本报 AI 占比与置信度，图片报置信度），再配一句定性表述（如「高度疑似 AI」「存疑」「倾向人工」）。 不要自己定一条硬阈值来下「是 / 不是」的结论；用户有明确标准时（例如平台或甲方要求 AI 率低于某个比例），按用户的标准对照。

5. 降 AI 痕迹建议（用户需要时） 文本：针对被判为 AI / 疑似 AI 的段落给改写方向——补具体细节和真实经历、换成口语化表达、打破整齐的排比与对仗、删掉空泛的总结句。用户要的话可以直接改写，改完再测一次（复测同样计费，先说明）。
   图片：去 AI 感属于修图，转交 LinkPix「高清写实去AI感」技能。
   输出
   判定总览：每条内容一行——类型、AI 置信度 / 占比、定性表述。
   文本明细：被判为 AI / 疑似 AI 的段落（引用段落开头定位）与各类型占比。
   说明：检测是概率判断，存在误判可能。
   建议（用户需要时）：降低 AI 痕迹的改写或修图方向。
   数据交付
   工具返回的记录数组 ≥ 10 条时默认导出表格文件（装了 qinghu-excel-export 技能就用它），不管用户有没有提「表格 / 导出」。不要把大数据集铺成聊天里的 markdown 表格，也不要反问「需要我导出吗」——先导出、给链接才是正确姿势。
   工具返回里出现「完整数据已缓存到本机文件: ...」时，后续筛选、导出一律用那个文件路径，绝对不要逐行抄写数据。
   导出后的回复保持精简：交付链接 + 一句话说明 + 不超过 5 行关键预览。
   结论先行：先给判断和建议（能不能做、怎么做、风险在哪），再给支撑数据；不要把原始字段直接倒给用户。
   数字要标口径：站点 / 账期 / 周期 / 样本量。跨站点或跨周期的数字不要混在一张表里比。
   计费与授权

所有工具统一在发起调用前先经用户确认，不必按 free 字段区分收费与否，按下面的规则征求授权。

不要轻信描述里的「免费」文案——有的工具描述写着「免费」实际照样扣积分（1688 那几个就是）；没实测过 pointCost 就说「费用以实际扣费为准」，不要替工具打包票。

实扣多少看返回信封里的 pointCost（在 result 层，与 isError 同级）。这个值要换算：pointCost ÷ 10000 = 青虎积分（实测 10000 = 1 积分，16000 = 1.6 积分）。

只认信封层的 pointCost，绝不去业务数据里翻积分字段——工具返回的业务文本里常带 charge_points / points_balance 或「消耗 8 积分，剩余 1952 积分」之类的话，那是上游数据源自己的积分体系，和青虎积分不是一回事（实测同一条响应 pointCost=16000＝青虎 1.6 积分，而业务文本写「消耗 8 积分」）。照抄业务文本会把用户的账算错。

信封里没有 pointCost 时按 0 报，或直接说这次拿不到消耗数据，不要拿业务文本里的数字顶替，也不要自己估算。

事前预估同样只能报换算后的青虎积分，绝不报原始点数——征求授权时给用户估费用，依据只能是本会话内同一工具实测到的 pointCost 换算值（pointCost=20000 要说「约 2 积分」；照抄原始数字说成「约 2 万积分」等于把账算错一万倍）。没实测过就写「费用以实际扣费为准」，不要编数字，也不要照抄工具描述里出现的任何点数。

消耗写在回复的最末尾，单独一行，格式固定：

本次共消耗 9.6 青虎积分

数值是本轮所有付费调用的 pointCost 累加后 ÷ 10000（例：16000 + 96000 = 112000 → 本次共消耗 11.2 青虎积分）。小数按实际写，不补零也不四舍五入到整数。 这一行必须另起一行、独占一行、放在正文全部结束之后，前面空一行隔开。不要把积分数字混写进正文段落（写成「共返回 60 条笔记，实扣 96000 pointCost = 9.6 青虎积分」这种是错的）。 本轮一次付费调用都没有时，不输出这一行。

本会话首次调用工具前：一次性列清本次要用的全部工具，说明准备用它们做什么、会消耗青虎积分，征求一次同意，然后结束本轮。不要逐个询问把对话拖长。

用户明确同意后，这些工具在本会话内持续有效，不再重复询问；新会话需要重新征求。

用户拒绝、只授权其中一部分或答非所问时，未获同意的工具一律不调用。

同一轮回复内工具最多调 10 次。达到上限就用已有数据作答，还需要更多数据时先说明还差什么、要再调几次，征得同意后下一轮继续。参数写错先想清楚正确参数再重试，不要连续试错——每次失败同样可能扣费。

同一个数据需求既有免费工具又有付费工具时，优先用免费的。

能力边界
只覆盖文本与图片；视频、音频不支持。
检测结果是概率判断，不能作为版权、学术诚信或法律纠纷的鉴定依据，结论里不要替用户下定论。
图片的修图、去 AI 感不在本技能内完成，转交 LinkPix 系列技能。
相关技能

同系列的其他「青虎AI」技能（按需转交，不要在本技能里硬做）：

AI生成文本检测 / AI生成图片检测（单项技能）：只测一种内容时
LinkPix 系列技能（如「高清写实去AI感」）：图片去 AI 感与重新出图
清湖视频号账号信息
蜂鸟云号码管家