У MLM-партнёра, который готовит ролик или текст для личной страницы, ИИ-черновик может незаметно превратить описание задания в обещание дохода. Это мешает конкретной работе: объяснить своё предложение и продолжить разговор без недоказанных результатов. Ниже технический способ подсветить такие места для автора и наставника; это самостоятельный учебный инструмент, а не заявленная функция какой-либо платформы.

Проблема генеративного текста не обязательно в очевидной галлюцинации. Гораздо чаще редактор получает внешне гладкую фразу, в которой одновременно присутствуют проверяемый факт, неподтверждённое сравнение и обещание результата. Все три выглядят одинаково уверенно. Автоматическое исправление здесь опасно: новая модель способна заменить одно недоказанное утверждение другим.

Вместо «ИИ проверяет ИИ» можно использовать более скромный и воспроизводимый механизм. Программа не определяет правду, а отмечает фрагменты, которые автор обязан проверить. Такой линтер не заменит редактора, зато даёт короткий список мест для ручного решения, а результат его работы можно воспроизвести на том же файле.

Ниже минимальный вариант для Markdown. Он не требует внешнего API, не отправляет текст в сеть и не притворяется системой фактчекинга.

Что именно мы проверяем

Разумно начать не с вероятности ложности, которую придётся оценивать отдельной моделью, а с наблюдаемых языковых сигналов. В нашем демонстрационном наборе это слова, связанные с абсолютными обещаниями, сравнительным превосходством и количественными результатами.

Строка «вы гарантированно получите клиентов» требует подтверждения условий обещания. Строка «самая эффективная система» требует критерия сравнения и перечня конкурентов. Строка «конверсия выросла» требует определения периода, источника данных и метода расчёта. Ни одна из этих строк сама по себе не доказывает нарушения: задача программы состоит только в маршрутизации на проверку.

Удобно возвращать структуру с типом находки, номером строки и контекстом. Тогда результат можно вывести в консоль, сохранить как JSON или связать с редакторской карточкой.

Простой вариант на Python

Этот пример предназначен для самостоятельной проверки. В коде нет интеграции с конкретной CMS, стороннего сервиса и скрытого обращения к модели.

from __future__ import annotations
import json
import re
import sys
from pathlib import Path
RULES = {
    "absolute_promise": re.compile(
        r"\b(гарантированно|обязательно|безусловно)\b", re.I
    ),
    "superlative": re.compile(
        r"\b(самый|самая|лучший|лучшая|номер один)\b", re.I
    ),
    "outcome_claim": re.compile(
        r"\b(конверси[яию]|выручк[аеиу]|доход[ауеом]?)\b", re.I
    ),
}
def inspect_markdown(text: str) -> list[dict]:
    findings = []
    in_code = False
    for number, line in enumerate(text.splitlines(), 1):
        stripped = line.strip()
        if stripped.startswith("```"):
            in_code = not in_code
            continue
        if in_code or not stripped:
            continue
        for rule_id, pattern in RULES.items():
            if pattern.search(line):
                findings.append({
                    "line": number,
                    "rule": rule_id,
                    "excerpt": line[:180],
                    "status": "needs_human_review",
                })
    return findings
def main() -> int:
    if len(sys.argv) != 2:
        print("Usage: python lint_claims.py article.md")
        return 2
    source = Path(sys.argv[1]).read_text(encoding="utf-8")
    findings = inspect_markdown(source)
    print(json.dumps(findings, ensure_ascii=False, indent=2))
    return 1 if findings else 0
if __name__ == "__main__":
    raise SystemExit(main())

В этом простом варианте разделение по строкам позволяет указать человеку конкретное место, а игнорирование fenced code blocks снижает шум при проверке технических публикаций. Возврат ненулевого кода из программы можно использовать в CI как сигнал не публиковать материал автоматически.

В демонстрационном наборе сигналов нет попытки «узнать» бренды и проверить финансовые цифры. Это задача отдельного слоя: ручного реестра утверждений и источников.

Где начинаются ложные срабатывания

У простых регулярных выражений много ограничений. Во фразе «обязательно проверяйте результат» линтер увидит сигнал absolute_promise, хотя обещания клиенту здесь нет. А слово «гарантированный» текущая версия вообще пропустит: в первом правиле перечислены наречия, а не все формы корня. Слова «лучший» и «доход» могут употребляться в цитате, вопросе или техническом разборе. Морфология русского языка не ограничивается перечисленными окончаниями.

Добавлять автоматическое удаление таких фрагментов нельзя. Иначе редактор получит тихую цензуру вместо проверки, а автор потеряет контроль над смыслом. В нормальном процессе каждый сигнал получает решение: подтверждено источником, переписано, оставлено как цитата с контекстом или признано ложным срабатыванием.

Следующее улучшение не обязательно связано с большой языковой моделью. Можно обрабатывать блоки цитат и списки отдельно, добавлять локальные правила конкретной организации, хранить историю подавленных предупреждений с объяснением причины. Но усложнение имеет смысл только после изучения реальных ошибок, а не ради количества правил.

Как устроить редакторскую остановку

Программа полезна тогда, когда её результат влияет на действие. Допустим, в репозитории хранятся Markdown-файлы для последующего ручного размещения на внешних площадках. Перед передачей редактору запускается линтер. Если в тексте найдены безусловные обещания или сравнительные утверждения, карточка не получает статус «готово».

При этом блокировать всю работу по одному совпавшему слову не всегда разумно. Для первой версии лучше выводить список предупреждений и требовать ручного подтверждения. Для фраз, которые запрещены внутренней редакционной политикой, можно установить более строгую категорию блокировки. Главное, чтобы уровни были заранее определены, а не менялись в зависимости от настроения разработчика.

Результат ручной проверки стоит хранить вместе с версией текста. После редактирования номера строк могут сдвинуться, поэтому идентификатор проверки лучше привязать ещё и к хешу файла. Если текст изменился, предыдущий набор разрешений не должен автоматически считаться действующим.

Почему не стоит отдавать последнее слово модели

Даже очень сильная модель не обладает доступом к внутреннему протоколу согласования цен, словам клиента на закрытой встрече или актуальному решению редакции, если эти материалы ей не переданы. Уверенная формулировка может быть стилистически хорошей и фактически неразрешённой.

Поэтому архитектура проверки должна различать поиск потенциального риска и право утвердить утверждение. Регулярное выражение умеет найти сигнал. База источников помогает установить происхождение факта. Только ответственный человек решает, достаточно ли подтверждения для публикации.

Это особенно важно для материалов о сложных коммерческих предложениях, где рядом существуют описание функции, предполагаемый эффект и финансовые ожидания. Подмена одного другим проходит незаметно именно потому, что грамматически всё выглядит убедительно.

Что можно добавить после первой версии

Для практического развития полезнее всего собрать набор тестовых Markdown-файлов с заранее размеченными находками. В нём нужны как истинные срабатывания, так и отрицания, цитаты, кодовые блоки, неочевидные падежи и фразы, где цифра описывает функцию, а не обещание результата.

Затем можно оценивать не абстрактную «точность ИИ», а два понятных свойства: какие важные фразы линтер не заметил и сколько лишней работы он создал редактору. Для такого теста не нужны придуманные показатели: достаточно сравнивать реальные размеченные примеры и повторять измерение после изменения правил.

Линтер утверждений не создаёт достоверность автоматически. Он делает проверку наблюдаемой и отделяет технический сигнал от редакторского решения. Это и есть подходящая роль небольшого инструмента в процессе подготовки текста, написанного с участием генеративных систем.

Официальная документация для проверки реализации

Работа регулярных выражений, включая флаги и поиск Unicode-строк, описана в документации Python re. Демонстрационный переключатель in_code не реализует весь разбор Markdown: он не учитывает тильды и длину ограждения, поэтому применять его как полноценный парсер нельзя. Точные правила fenced code blocks описаны в спецификации CommonMark. Оба источника относятся к механике примера и не подтверждают коммерческих результатов. Правила редакции и список чувствительных формулировок остаются локальными решениями, которые надо согласовать отдельно.