تصور کنید هر ویدیو با میلیونها بازدید در تیکتاک یا یوتیوب، یک «کارنامهٔ اعتبار» داشته باشد که دقیقاً بگوید کدام بخش از ادعاهای آن دروغ است. ابزار Bullshit-Detector دقیقاً همین کار را میکند؛ این سیستم اعتماد کور به محتواهای ویروسی را به گزارشهای قابل راستیآزمایی تبدیل میکند.
این ابزار که توسط توسعهدهنده سرگی کورنینکو (Serhii Korniienko) منتشر شده است، به عاملهای هوشمند (AI Agents) — همان برنامههای کوچکی که مثل کارمندانی متخصص میتوانند کارهای پیچیده را به ترتیب انجام دهند — اجازه میدهد تا محتوا را ادعا به ادعا کالبدشکافی کنند. هدف این است که هیاهوی تبلیغاتی کنار برود و شواهد واقعی جایگزین شود؛ فرقی نمیکند محتوا یک توییتر باشد، یک فایل PDF یا ویدیویی با تیتر «۱۰ راه برای پول درآوردن با AI 🤯». سیستم در نهایت یک گزارش تأییدیه مورد به مورد همراه با منابع ارائه میدهد.
بسیاری از کاربران به عاملهای هوش مصنوعی برای خلاصهسازی وب اعتماد میکنند، اما این مدلها اغلب دچار توهم (Hallucination) — یعنی مثل دوستی که خاطرهای را اشتباه و با اطمینان تعریف میکند — میشوند یا به جای حقایق جاری، به وزنهای داخلی (Internal Weights) خود تکیه میکنند. طبق مستندات این ابزار، راهکار کورنینکو مجبور کردن مدل به بازیابی منابع مستقل پیش از تأیید یا رد هر ادعای خاص است. در واقع، این مهارت صراحتاً مدل را منع میکند که تنها بر اساس حافظه داخلی خود حکم صادر کند. این رویکرد، پرسش سادهی «آیا این ادعا درست است؟» را به یک گردشکار پژوهشی قطعی (Deterministic) تبدیل میکند. همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای زبانی اشاره کردیم، حذف وابستگی به حافظه داخلی مدل، تنها راه مقابله با اطلاعات نادرست در مقیاس گسترده است.
معماری راستیآزمایی
این سیستم بر اساس تفکیک سختگیرانه بین «جذب داده» (Ingestion) و «تحلیل» (Analysis) عمل میکند. به نقل از مستندات پروژه، این دو وظیفه کاملاً مجزای یکدیگر هستند؛ اسکریپتها کارهای مکانیکی و قطعی مثل جمعآوری، تجزیه (Parsing) و نرمالسازی متن را انجام میدهند و عامل هوشمند فقط بر استدلال، استخراج ادعاها و قضاوت تمرکز میکند.
مکانیزم جذب داده بر سه محور اصلی استوار است:
- اسکریپت fetch-content: این اسکریپت واحد، هر URL را به متن پاک و متادیتا تبدیل میکند، بدون آنکه نیاز به API Key داشته باشد. این ابزار از ترنسکریپتهای یوتیوب، کپشنهای تیکتاک، مقالات (از طریق استخراج readability)، فایلهای PDF و توییترها از طریق نقاط انتهایی (Endpoints) رایگان پشتیبانی میکند.
- مدیریت خطاها: سیستم به جای حدسهای خاموش، راهکارهای عملی (Actionable Hints) ارائه میدهد. مثلاً اگر با یک «دیوار پرداخت» (Paywall) مواجه شود، از کاربر میخواهد متن را کپی کرده و در چت قرار دهد (Paste)؛ یا اگر کپشنی موجود نباشد، استفاده از ابزار Whisper را پیشنهاد میکند.
- استقلال از منبع: چون مهارتهای تحلیل فقط متن نرمالشده را میبینند، اضافه کردن پشتیبانی از یک پلتفرم جدید (مثل تیکتاک) هیچ تغییری در منطق تحلیل ایجاد نمیکند.
برای محتوای ویدیویی، این ابزار نیاز به APIهای گرانقیمت رسمی — مانند API توییتر با هزینه ۱۰۰ دلار در ماه یا دسترسیهای محدود به کپشنهای یوتیوب — را حذف کرده و برای استخراج ترنسکریپتهای یوتیوب و کپشنهای تیکتاک از yt-dlp بهره میبرد.
پردازش تیکتاک و صدا
پشتیبانی از تیکتاک بهصورت بومی در اسکریپت fetch-content ادغام شده است. برای لینکهای کوتاه شامل vt.tiktok.com ابزار علاوه بر ترنسکریپت زمانبندیشده، اطلاعاتی نظیر تعداد بازدیدها، لایکها و بازنشرها (Reposts) را بدون نیاز به دانلود کامل ویدیو بازمیگرداند. در پسزمینه، این کار با دستوراتی نظیر uvx yt-dlp --write-subs --sub-langs "eng-US" --skip-download انجام میشود.
وقتی کپشنها در تیکتاک یا Reels موجود نباشند، سیستم از یک نمونه اولیه برای تبدیل صوت به متن (Local Transcription) با استفاده از mlx-whisper روی تراشههای اپل سیلیکون بهره میبرد. این ساختار به دلیل استفاده از PyAV برای رمزگشش صوت، نیازی به نصب ffmpeg در سیستم ندارد. به گزارش توسعهدهنده، مدل whisper-large-v3-turbo بهطور خاص توصیه شده است؛ چراکه مدلهای کوچکتر کلمات را چنان بههم میریزند که فرآیند استخراج ادعاها مختل میشود.
امتیازدهی و احکام
پس از نرمالسازی متن، عامل هوشمند مهارت bullshit-detector را اجرا میکند. هر ادعا یکی از این پنج حکم را دریافت میکند:
- ✅ تأییدشده (Confirmed): توسط منابع مستقل اثبات شده است.
- 🟡 محتمل (Plausible): احتمالاً درست است اما تأیید مطلق ندارد.
- 🟠 گمراهکننده (Misleading): بخشی از حقیقت را دارد اما کل موضوع را غلط جلوه میدهد.
- ❌ نادرست (False): شواهد آن را رد میکنند.
- ❓ غیرقابل تأیید (Unverifiable): هیچ منبع معتبری یافت نشد.
خروجی نهایی شامل یک «امتیاز BS» از ۰ تا ۱۰ و یک تحلیل انگیزشی است که این سؤال کلیدی را میپرسد: «اگر شما این ادعا را باور کنید، چه کسی سود میبرد؟»
این ابزار روی محتواهای پربازدید آزمایش شده است:
- ویدیوی مالی AI (۱.۱۶ میلیون بازدید): امتیاز BS برابر با ۵/۱۰ شد. از ۱۲ ادعای بررسیشده، تنها ۴ مورد تأیید شدند و ۳ مورد گمراهکننده بودند. ابزار متوجه شد که ادعای «شرکتهای Renaissance، D.E. Shaw و Two Sigma فقط پول کارکنان خود را trade میکنند» تنها در مورد یکی از صندوقهای یک شرکت درست است. همچنین اشاره کرد که آمارهای بازار از PR خودِ آن بازار استخراج شدهاند.
- تیکتاک کیهانشناسی (۵۵۲ هزار بازدید): ویدیویی که ادعا میکرد خورشید یک دوقلوی پنهان دارد، امتیاز BS ۹/۱۰ گرفت. گزارش نشان داد که کلمات تخصصی نجوم فقط برای تزئین یک داستان ساختگی و جعلشده به کار رفتهاند.
استقرار و یکپارچگی
این ابزارها به عنوان مهارتهای قابل حمل برای عاملها، با استفاده از مارکدان ساده و پایتونِ مستقل طراحی شدهاند و با Claude Code، OpenAI Codex، OpenCode و Gemini CLI سازگار هستند.
گزینههای نصب:
کاربران میتوانند سیستم را از طریق نصبکننده skills.sh (که برای حل وابستگیها به uv نیاز دارد) نصب کنند. دو فلسفه متفاوت برای استقرار وجود دارد:
- روش skills.sh: مهارتها را در محیط کاربر کپی میکند تا کاربر بتواند اسکریپتها را دستکاری کرده و شخصیسازی کند. این روش با هر عاملی (Claude Code, Codex, OpenCode و غیره) سازگار است.
- روش Plugin: از طریق دستور
/plugin marketplace add SerhiiKorniienko/bullshit-detectorدر Claude Code نصب میشود. این یک بسته «فقط خواندنی» و همیشه بهروز است که بهطور خودکار آپدیت میشود.
نکته: کاربران باید یکی از این دو روش را انتخاب کنند. نصب هر دو روش باعث میشود Claude Code دو نسخه از هر مهارت را داشته باشد.
پشتیبانی از پلتفرمها به این شرح است:
- Claude Code (CLI & Desktop - Code tab): پشتیبانی کامل از تمام قابلیتها.
- Claude Desktop / claude.ai (Chat): فقط مهارتهای تحلیل، زیرا سندباکس این محیط نمیتواند به یوتیوب یا تیکتاک دسترسی پیدا کند.
- OpenAI Codex & OpenCode: پشتیبانی کامل از طریق نصبکننده skills.sh.
- ChatGPT: پشتیبانی از طریق یک روش جایگزین مبتنی بر کپی-پیست (Paste-driven workaround).
فراتر از حقیقتیابی
علاوه بر ردیاب مزخرفات، این مجموعه مهارتهای تخصصی دیگری هم دارد. مهارت summarize خلاصههای ساختارمندی (TLDR) با نقاط کلیدی زمانبندیشده، نقلقولهای قابل توجه و یک ارزیابی صادقانه با عنوان «آیا ارزش وقت شما را دارد؟» ایجاد میکند. مهارت explain مفاهیم پیچیده را به سبک ELI5 (طوری توضیح بده که انگار ۵ سالهام) همراه با واژهنامه اصطلاحات و لیست پیشنیازها باز میکند.
همچنین مهارت share گزارشهای فنی را به پستهای فرمتشده برای X (رشتهتوییت یا پست تک)، لینکدین، فیسبوک، ردیت و Hacker News تبدیل میکند. این بخش شامل تولید کاروسلهای PNG برندشده با ابعاد ۱۰۸۰×۱۳۵۰ برای اینستاگرام و PDFهای خاص مورد نیاز برای پستهای مستند لینکدین است.
این گذار از «چتباتهای ساده» به «عاملهای تأییدکننده»، نقش کاربر را از یک مصرفکننده غیرفعال به یک حسابرس تبدیل میکند. با خودکارسازی کارهای خستهکنندهٔ بررسی منابع، افشای هیاهوهای پیچیده از نظر محاسباتی ارزان میشود.
کاربران میتوانند نقشه راه پروژه را در مسیر skills/in-progress رصد کنند. ویژگیهای آتی شامل مهارت compare (برای دیدن اینکه وقتی چندین منبع یک موضوع را پوشش میدهند چه کسی درست میگوید) و قابلیت X thread walking (دنبال کردن رشتهتوییتها) است. علاقهمندان میتوانند @SerhiiFounder را در X دنبال کنند یا برای دریافت مهارتهای جدید و آزمایشها عضو خبرنامه شوند.
گام بعدی شما
- اگر از Claude Code استفاده میکنید، پلاگین bullshit-detector را برای تحلیل سریع لینکهای یوتیوب نصب کنید.
- محتواهای آموزشی AI را که ادعاهای جسورانه دارند، با این ابزار به چالش بکشید تا نقاط ضعف مدلهای زبانی در استخراج حقیقت را ببینید.
- برای تبدیل گزارشهای تحلیل به پستهای لینکدین، از مهارت share در این مجموعه استفاده کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو