# Deep Fact Check

> 执行深度事实核查与认知偏见分析，识别信息操控手法，提供置信度分层评估与可溯源的修正建议。

- Skill: `lionad-morotar/deep-fact-check` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add lionad-morotar/deep-fact-check`
- Raw SKILL.md: https://api.skillmd.com/api/skills/lionad-morotar/deep-fact-check/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: lionad-morotar (https://skillmd.com/u/lionad-morotar)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/lionad-morotar/deep-fact-check

---


# 深度事实核查分析师 (Deep Fact-Check)

执行深度事实核查与认知偏见分析，识别信息操控手法，提供置信度分层评估与可溯源的修正建议。
本技能整合**信息操控识别**、**认知边界管理**与**竞争性假设检验**，不仅验证"是否属实"，更分析"如何被呈现"与"为何如此呈现"。

## 何时使用

当用户提出以下请求时触发：

- "对...进行事实性检查"
- "deep fact check this document"（深度核查这份文档）
- "verify these AI model specifications"（验证这些 AI 模型规格）
- "check if this information is still accurate"（检查此信息是否仍然准确）
- "update outdated data in this file"（更新此文件中过时的数据）
- "validate the claims in this section"（验证本节中的声明）

尤其是当内容涉及以下特征时：

- **高影响声明**：涉及财务、健康、安全或重大决策的信息
- **争议性话题**：存在明显对立观点的议题
- **情感化修辞**：使用强烈情绪词汇或末日/乌托邦框架
- **数据密集型**：包含大量统计、图表、对比声明
- **权威引用**：频繁引用专家、研究、内部消息
- **预测性论断**：对未来事件或趋势做出确定性预言

## 认知框架：三层事实模型

在核查前，先对内容进行**本体论分层**：

| 层级 | 特征 | 核查策略 | 输出标记 |
|------|------|---------|---------|
| **L1 经验事实**<br>(Empirical Facts) | 可量化、可证伪、时间戳明确 | 寻找原始数据源，验证测量方法 | ✅ 已证实 / ❌ 已证伪 |
| **L2 解释性框架**<br>(Interpretive Frames) | 基于事实的因果解释、意义赋予 | 评估逻辑一致性，寻找竞争性解释 | 🟡 框架A / 🟠 框架B |
| **L3 价值判断**<br>(Value Judgments) | 应然陈述、风险评估、重要性排序 | 识别价值预设，评估证据支撑度 | 💬 观点 / ⚖️ 多元价值 |

**操作原则**：L1必须严格验证；L2需呈现多元框架；L3尊重但标注。

---

## 工作流程

### 阶段1：认知解构与提取（Cognitive Deconstruction）

**目标**：将文本拆解为最小可验证单元，识别认知操控的痕迹。

#### 步骤1.1：论断原子化提取

使用**SIFT原则**扫描文本：

- **Stop**：暂停接受，标记潜在主张
- **Investigate**：追查来源，区分一手/二手信息  
- **Find**：寻找原始上下文
- **Trace**：追踪引用链条，识别循环引用

**提取模板**：

```markdown
### 论断档案 #[ID]
**原文切片**："[精确引用]"
**本体论层级**：L1(事实) / L2(解释) / L3(价值)
**认知标记**：
- [ ] 绝对化词汇（"必然"、"绝对"、"不可能"）
- [ ] 恐惧/贪婪诉求（"错失良机"、"巨大威胁"）
- [ ] 虚假精确（"73.2%"但无来源）
- [ ] 归因模糊（"专家表示"无具体姓名）
- [ ] 时间混淆（将过去计划描述为当前状态）

**元数据**：
- 位置：第[X]段，行[Y]
- 信源链条：[作者] → [媒体] → [声称的原始来源]
- 时间敏感度：高（每日更新）/ 中（季度更新）/ 低（历史事实）
```

#### 步骤1.2：操控手法预扫描

快速识别**7种信息操控模式**（原文档核心资产）：

| 操控类型 | 识别信号 | 快速检测法 |
|---------|---------|-----------|
| **断章取义** | 引语短促，缺乏前后句 | 搜索引语完整段落 |
| **选择性报道** | 单一视角，无反面证据 | 主动搜索"反驳+[主题]" |
| **时间差操纵** | 使用"最新"但无具体日期 | 检查信息时间戳 vs 发布时间 |
| **虚假类比** | "正如X一样，Y也会..." | 列出类比对象的关键差异 |
| **数字游戏** | 百分比无基数，或绝对值无对比 | 要求完整的数学上下文 |
| **因果倒置** | "因为A所以B"但时间顺序相反 | 验证时间线与相关性证据 |
| **权威误用** | 跨领域引用，或" consensus"无证据 | 核实专家资质与观点分布 |

**输出**：标记所有疑似操控点，进入深度验证阶段。

---

### 阶段2：多源三角测量与竞争性假设（Triangulation & Falsification）

**目标**：不仅寻找证实证据，更主动寻找**证伪证据** 与 **竞争性解释**。

#### 步骤2.1：权威源分层检索

**检索策略**（并行执行）：

```
查询构造矩阵：
├─ 证实性查询（Confirmatory）
│   └─ "[论断关键词]" + "official report" + "2025/2026"
├─ 证伪性查询（Falsifactory）  
│   └─ "[论断关键词]" + "false" / "misleading" / "controversy"
├─ 竞争性框架（Alternative Frames）
│   └─ "[主题]" + "criticism" / "alternative explanation" / "debate"
└─ 时效性查询（Temporal）
    └─ "[事件]" + "update" / "revised" / "clarification"
```

**信源权威性评估表**：

| 等级 | 类型 | 可信度权重 | 使用规则 |
|------|------|-----------|---------|
| T1 | 原始数据发布者（公司财报、政府统计、原始论文） | 90% | 优先采用，需验证真实性 |
| T2 | 权威专业媒体（Reuters, Bloomberg, Nature, 财新） | 75% | 需交叉验证，注意独家报道风险 |
| T3 | 行业分析/智库（Gartner, McKinsey, Pew Research） | 60% | 注意方法论与利益冲突 |
| T4 | 评论/社论/社交媒体 | 30% | 仅作为观点参考，不用于事实验证 |
| TX | 匿名/无法溯源 | 0% | 明确标记为"无法核实" |

#### 步骤2.2：竞争性假设生成

对**每个L1级论断**，生成至少**3个竞争性假设**：

**示例**：
- **原文论断**："OpenAI亏损50亿美元，即将破产"
- **假设A（支持）**：烧钱速度确实超过收入，现金流紧张
- **假设B（反对）**：亏损是会计处理，实际运营现金充裕，且持续融资
- **假设C（重构）**：亏损属实，但属战略性投入，非生存危机

**验证结果**：
- 若A、B、C均有证据 → 标记为**⚖️ 争议性事实**，需呈现多方数据
- 若仅A有强证据 → 标记为**✅ 已证实**（但注意幸存者偏差）
- 若B/C证伪A → 标记为**❌ 已证伪**

#### 步骤2.3：认知偏差自检清单

在得出结论前，强制检查：

```markdown
**偏差自检**：
- [ ] **确认偏误**：我是否只搜索了支持原文的关键词？
- [ ] **锚定效应**：是否被原文的第一个数字/框架过度影响？
- [ ] **可得性启发**：最新/最情绪化的信息是否被过度加权？
- [ ] **权威偏见**：是否因为来源知名而降低验证标准？
- [ ] **归因谬误**：是否将相关性误解为因果性？
- [ ] **二元思维**：是否忽略了"部分属实"的灰度地带？
- [ ] **白大褂效应**：是否因"带引用格式"而高估可信度？（MIT 研究警示）
- [ ] **懒惰假设**：假设读者不会点击链接，关键主张是否已独立验证？
- [ ] **流畅性偏见**：是否混淆了"写得易懂"与"事实"或"置信度"？
```

---

### 阶段3：深度对比与误导机制分析（原文档核心增强版）

**目标**：不仅指出"错了"，更揭示"如何被误导"与"为何有效"。

#### 步骤3.1：精细化解剖表

创建**四维对比矩阵**：

```markdown
### 论断深度解剖：[论断ID]

| 维度 | 新闻稿呈现 | 完整事实 | 差异分析 | 操控机制 |
|------|-----------|---------|---------|---------|
| **事实层** | 具体声明 | 原始数据 | 数字/日期/主体差异 | 断章/篡改/虚构 |
| **语境层** | 呈现的背景 | 原始背景 | 省略/添加的上下文 | 选择性/框架效应 |
| **时间层** | 暗示的时效 | 实际时间戳 | 过时/超前/永恒化 | 时间差操纵 |
| **评价层** | 隐含结论 | 客观评估 | 过度推断/风险隐藏 | 滑坡谬误/虚假类比 |

**读者认知影响预测**：
- 阅读后可能形成的印象：[X]
- 这种印象与现实的偏离度：[高/中/低]
- 最有效的误导点（锚点）：[具体词句]
```

#### 步骤3.2：七宗罪深度分析（继承并增强原文档）

对检测到的每种操控手法，进行**机制解构**：

**1. 断章取义（Context Stripping）**
```markdown
**检测**：
- 引语长度 < 15字，或孤立存在
- 缺少主语、时间状语或条件从句

**还原**：
原文上下文：[完整段落]
说话者意图：[基于完整文本的解读]
新闻稿利用：[如何通过省略改变含义]

**认知原理**：  
语境消除导致**语义漂移**（Semantic Drift），读者用当前情境填补空白。
```

**2. 选择性报道（Cherry Picking）**
```markdown
**系统性检测**：
列出[主题]在最近[时间范围]的所有重大事件：
- [日期] [事件A] [支持/反对新闻稿论点]
- [日期] [事件B] [支持/反对新闻稿论点]
- ...

**沉默的证据**：  
新闻稿忽略的[数量]个关键事实，特别是[具体反例]。

**认知原理**：  
利用**确认偏误**，读者倾向于接受符合预设的信息，不察觉遗漏。
```

**3. 时间差操纵（Temporal Manipulation）**
```markdown
**时间线重建**：
- [T-30天]：[早期事件]
- [T-7天]：[转折事件] ← 新闻稿引用点
- [T-3天]：[更新事件] ← 新闻稿忽略
- [T-现在]：[最新状态]

**效应**：  
用[T-7天]的信息描述[T-现在]的状态，产生[具体误导效果]。

**认知原理**：  
**可得性层级**（Availability Cascade），旧信息因被广泛报道而更易回忆。
```

**4. 虚假类比（False Equivalence）**
```markdown
**类比矩阵**：

| 维度 | 本体(A) | 喻体(B) | 相似度 | 关键差异 |
|------|--------|--------|--------|---------|
| 商业模式 | X | Y | 60% | A有收入，B无 |
| 市场环境 | X | Y | 40% | 不同时代/规模 |
| 风险因素 | X | Y | 30% | A有技术护城河，B无 |

**结论**：  
差异在[关键维度]上足以使类比失效，属于**类别错误**（Category Error）。
```

**5. 数字游戏（Statistical Gymnastics）**
```markdown
**数学语境重建**：
- 原文声称："下降50%"
- 基数：[X] → [0.5X]
- 绝对值：[100万] → [50万]
- 对比基准：历史平均？竞争对手？预期目标？
- 统计显著性：p值？置信区间？

**操控手法**：  
[ ] 相对值隐藏绝对值  [ ] 选择性时间起点  [ ] 改变分母定义  
[ ] 混淆平均数与众数  [ ] 幸存者偏差（只看成功案例）

**认知原理**：  
**数字麻木**（Numeracy Blindness），读者对数字敏感但对数学关系不敏感。
```

**6. 因果混淆（Causal Confusion）**
```markdown
**因果图重建**：

新闻稿暗示：A → B（直接因果）
实际关系：
- 共同原因：C → A, C → B（虚假因果）
- 反向因果：B → A（因果倒置）
- 第三变量：A ↔ B（相关非因果）
- 复杂系统：A → [X,Y,Z] → B（过度简化）

**证据检查**：
- [ ] 时间顺序正确？（原因先于结果）
- [ ] 排除混杂变量？
- [ ] 有机制解释？（不只是统计相关）
- [ ] 可重复性？（非偶然事件）
```

**7. 权威误用（Authority Misattribution）**
```markdown
**资质核查**：
- 引用者：[姓名]
- 专业领域：[X学]
- 论断领域：[Y学]
- 重叠度：[30%]（跨界程度）

**观点分布**：
- 该领域主流观点：[A]
- 引用者观点：[B]（是否属少数派？）
- 引用者利益冲突：[有/无]（如：持股、竞争关系）

**认知原理**：  
**光环效应**（Halo Effect），专家在其专业外的观点被赋予不当权重。
```

---

### 阶段4：置信度分层与认知边界标注（元思考整合）

**目标**：诚实面对不确定性，避免虚假精确性。

#### 步骤4.1：贝叶斯置信度评估

对每个论断，基于证据质量赋予**概率化置信度**：

```markdown
### 置信度评估：[论断ID]

**先验概率**（基于背景知识）：[60%]
**证据更新**：
- T1来源支持：+20%
- T2来源冲突：-15%
- 方法论缺陷：-10%
- 时间戳新鲜：+5%

**后验概率**：60% → **[60%]**

**认知边界标注**：
- [ ] 公开信息充分（>80%置信度）
- [ ] 信息部分公开，需内部知识（50-80%置信度）
- [ ] 信息未公开，纯属推测（<50%置信度）
- [ ] 根本不可知（承认无知）

** epistemic status（认识论状态）**：
[ ] 确定事实  [ ] 高度可能  [ ] 平衡证据  [ ] 推测性  [ ] 无法判断
```

#### 步骤4.2：反事实情景分析

**压力测试**：什么证据会推翻当前结论？

```markdown
**证伪条件**：
如果[具体事件]发生，我将改变对该论断的评估。
例如：
- 如果OpenAI发布Q2财报显示正现金流 → 修正"即将破产"论断
- 如果Gary Marcus提供录音证明软银确实要撤资 → 提升该主张置信度

**当前监测**：
需要持续跟踪的关键指标：[列表]
```

---

### 阶段5：生成结构化核查报告（ synthesis）

#### 报告架构：金字塔模型

**顶层：执行摘要**（适合决策者）
- 总体可信度评级（A/B/C/D/F）
- 3个最关键发现（无论正误）
- 行动建议（阅读/分享/忽略/警告）

**中层：详细发现**（适合分析者）
- 按严重性排序的问题清单
- 每个问题的完整证据链
- 竞争性解释对比

**底层：方法论与数据**（适合验证者）
- 所有查询关键词与来源链接
- 原始数据表格
- 认知偏差自检记录

#### 参考模板

```markdown
# 深度事实核查报告："[文章标题]"

## 执行摘要

**元数据**：
- 原文链接：[原文链接]
- 原文作者：[Name] ([Affiliation])
- 发布时间：[Date]
- 核查时间：[Date]
- 核查范围：[全文/特定章节]
- 核查员：[AI/人工]

**可信度评级**：🟡 **B级 - 部分可信，需补充语境**

**核心结论**：
本文在[财务数据/技术规格]方面基本准确，但在[因果关系/趋势预测]上存在
[选择性报道/过度推断]。读者应特别注意[具体风险点]。

**关键发现速览**：
| 类别 | 数量 | 示例 |
|------|------|------|
| 🔴 严重误导 | 2 | 软银撤资声明的断章取义 |
| ❌ 事实错误 | 1 | GPT-5发布日期错误 |
| ⚠️ 信息过时 | 3 | 使用1月数据描述2月状况 |
| ✅ 准确属实 | 8 | 财务亏损数据、市场份额变化 |
| ❓ 无法核实 | 2 | "内部人士"匿名爆料 |

---

## 详细发现

### 🔴 严重误导性论断

#### [问题1标题]
**原文**（位置：第X段）：
> [精确引用]

**操控手法**：断章取义 + 选择性报道  
**机制解构**：
新闻稿呈现[软银CFO表示"尚未决定"]，暗示[撤资意向]。但完整上下文显示，
这是针对[未来追加投资]的回应，而非[现有投资]。同时，新闻稿省略了同一
财报中披露的[200亿美元新投资洽谈]信息。

**完整事实**：
根据[软银2025年Q4财报原文](链接)：
1. [完整引语，包含上下文]
2. [提及的OpenAI投资实际产生42亿美元收益]
3. [正在洽谈的追加投资细节]

**认知影响**：
读者可能形成"[软银对OpenAI失去信心]"的印象，而实际上[信心仍然强劲]。
这种印象可能导致[错误的投资决策或市场判断]。

**建议修正**：
> 软银CFO在财报会议上表示，关于对OpenAI的**追加投资**"还没有做出任何决定"，
> 这是针对未来额外投资的谨慎表述。值得注意的是，软银同期披露其现有OpenAI
> 投资产生了42亿美元账面收益，且正在洽谈一笔200亿美元的新投资。

**证据链**：
1. [软银官方财报，2026-02-XX] - [链接]
2. [Bloomberg报道，确认200亿投资洽谈] - [链接]
3. [Reuters分析，解读CFO言论上下文] - [链接]

---

### ⚠️ 解释性框架争议

#### [问题2标题]
**原文主张**：
> "OpenAI是AI界的WeWork，炒作终将破灭"

**框架分析**：
这是一个**L2级解释性论断**（非L1事实），涉及类比推理。

**支持该框架的证据**：
- 高额亏损（50亿美元）
- 依赖持续融资
- 同一投资者（软银）

**削弱该框架的证据**：
- OpenAI有200亿美元收入（WeWork主要是亏损）
- 技术护城河（即使减弱仍存在）
- 市场需求验证（企业客户持续增长）

**竞争性框架**：
**框架B：战略投入期**  
"高亏损是云基础设施建设的必经阶段，类似AWS早期"

**框架C：转型阵痛**  
"从研究实验室向商业公司转型中的正常摩擦"

**评估**：  
原文选择[最悲观的框架A]，忽略[同样合理的框架B/C]。这属于**框架效应**
（Framing Effect），非事实错误，但限制了读者认知。

**建议**：  
呈现多元框架，或明确标注为"作者观点"。

---

## 作者偏见分析

**预设立场检测**：
- 作者[Gary Marcus]历史上持[AI怀疑论]立场
- 本文立场与既往立场一致性：[高]
- 利益冲突：[无直接经济利益，但存在声誉/理论利益]

**选择性模式**：
- 系统性强调：[财务风险、竞争压力、技术限制]
- 系统性忽略：[收入增长、技术进步、市场地位]

**语言分析**：
- 负面词汇密度：[高，每百字X个]
- 确定性词汇（"必然"、"肯定"）：[数量]
- 不确定性对冲（"可能"、"也许"）：[数量，偏低]

**客观性评分**：6/10  
（承认事实，但选择性呈现；有明确观点，但应更透明标注）

---

## 证伪条件与更新协议

**本报告的脆弱性**：

以下新证据将改变本报告的结论：
1. 如果OpenAI宣布破产或大规模裁员 → 升级"即将完蛋"论断为准确预测
2. 如果软银正式确认撤资 → 修正对软银立场的评估
3. 如果GPT-5被证实存在重大技术缺陷 → 补充技术质疑

**持续监测指标**：
- OpenAI现金流状况（季度财报）
- 软银OpenAI持仓变化（监管披露）
- 企业AI采用率更新（行业报告）

**下次复核日期**：[日期，建议30天后]

---

## 使用建议

**给普通读者**：
1. 本文的[财务数据/市场份额]可信，可直接引用
2. 对[趋势预测/因果解释]保持怀疑，建议阅读[反方观点链接]
3. 特别注意[日期/定义]的语境，避免被时间差误导

**给记者/编辑**：
1. 引用本文时需添加[补充语境]，特别是[软银投资部分]
2. 避免使用"[即将完蛋]"等绝对化表述，改为"[面临可持续性挑战]"
3. 建议交叉验证[具体数据点]

**给投资者**：
1. 本文风险评估有价值，但仅为[多方观点之一]
2. 关键决策应基于[原始财报]，而非本文转述
3. 注意[作者潜在偏见]可能影响风险/收益权重

---

## 方法论说明

**核查限制**：
- 无法访问付费墙内容（如The Information全文）
- 无法验证匿名消息来源
- 基于[核查日期]的公开信息，后续发展可能改变评估

**伦理声明**：
本核查旨在提升信息质量，不构成对原文作者的人身攻击或对其观点的全面否定。
重点在于[如何更准确地呈现事实]，而非[证明作者错误]。

**来源透明**：
本报告使用的所有来源列表：[附录A]
查询日志与检索策略：[附录B]
认知偏差自检记录：[附录C]

---

## 参考来源

[^1]: [Source Name], [<i>Source Article Title</i>], [Source Article Time, default "YYYY-MM-DD"]

---

*报告生成时间：2026年2月13日*  
*核查员：AI 深度事实核查分析师*

```

**要求**
- 使用 **证据链** 或**脚注**的形式灵活展示每个论断的来源链条。
- 根据模版结构，来灵活组织最终输出，以得到详略得到结果。
- 一级标题、执行摘要、参考来源部分必须保留。

---

### 阶段6：后续服务选项

提供四种输出模式，适应不同场景：

**A. 学术模式**（完整版）
- 包含所有方法论细节
- 完整引用列表
- 竞争性框架对比
- 适用：深度研究、法律证据、政策制定

**B. 新闻模式**（平衡版）
- 强调关键发现
- 突出反方观点
- 时效性优先
- 适用：媒体报道、公共传播

**C. 简报模式**（执行版）
- 1-2页摘要
- 仅关键发现与建议
- 视觉化评级
- 适用：高管决策、快速参考

**D. 修正模式**（重构版）
- 基于核查结果重写原文
- 保持作者风格，修正事实错误
- 添加注释说明改动
- 适用：编辑校对、内容优化

---

## 质量保证检查表

完成核查前强制确认：

- [ ] **提取完整性**：是否遗漏了隐藏的L1级事实主张？
- [ ] **证伪充分性**：是否为每个关键论断寻找了反例？
- [ ] **来源独立性**：是否存在循环引用（A引B，B引C，C引A）？是否存在 AI/内容农场内容的"衔尾蛇"互引？
- [ ] **时间一致性**：所有数据点的时间戳是否清晰且合理？
- [ ] **偏差自检**：是否完成了5项认知偏差检查？
- [ ] **置信度诚实性**：是否对不确定性进行了明确标注？
- [ ] **反事实准备**：是否列出了可能推翻结论的条件？
- [ ] **伦理边界**：是否区分了事实修正与观点压制？

## 免责与伦理框架

**能力边界**：
- 无法访问非公开信息或内部机密
- 无法验证加密或匿名来源
- 不能预测未来事件或市场走势
- 不提供法律、医疗或投资建议

**伦理承诺**：
- **透明性**：所有方法论与来源公开可查
- **谦逊性**：明确标注认知边界与置信度
- **中立性**：呈现多元观点，不将单一框架作为"真相"
- **建设性**：旨在提升信息质量，而非攻击作者

**使用原则**：
本技能是**认知辅助工具**，最终判断权在于用户。建议结合人工复核，特别是对涉及重大决策的内容。