AI 检测器 API 工作流将检测器分数视为多个输入之一，绝不作为自动拦截。您设置阈值，将内容路由到人工审核队列，记录每个决策及其背后的证据，并保留一份几个月后仍能向用户解释的记录。
关键要点
- 基于检测器分数的二元门控在大规模场景下会失效，因为检测器输出是概率估计，而非作者身份的证明。
- 根据审核能力而非想象中的准确率来设置阈值。两个阈值（自动通过、人工审核）优于一个。
- 记录分数、模型版本、生效阈值以及审核员的决定。没有这些，您之后就无法解释标记。
- 句子级分数告诉您哪些行携带信号。整篇文档分数几乎无法提供可操作的信息。
- 检测可以告诉您一段文本类似于模型输出。它无法告诉您是谁写的，也无法判断想法是否原创。
为什么基于检测器分数的硬门控在大规模场景下会失效？
因为门控将概率变成裁决，而裁决会被申诉。
在足够大的语料库上运行任何检测器，都会有一些人类写作超过您的截止值。我们亲自测量了这一点。2026 年 9 月 19 日，我们用自家检测器（本地集成、轻量级）对 46 篇手写的 DeAIze 指南进行评分，标记阈值为 30%。平均 AI 分数为 27%，中位数为 25%，范围从 0 到 55%。在该阈值下，46 篇人类撰写的文档中有 17 篇被标记。
再读一遍。在我们已知由人类撰写的文档中，超过三分之一越过了30%的界线。这是我们的工具，用在我们自己的写作上，它仍然会给出临界读数。任何竞争对手的检测器都会有同样的表现，因为它们每一个都在根据风格信号估算概率。
一道关卡会把那个估算变成面向用户的惩罚：一次被拦截的提交、一次失败的上传、一张支持工单。你就得接手关于分数是否正确的争论，而除非你先建好了日志记录，否则你没有任何证据可以用来回应。
另一种做法是，像对待支付平台上的欺诈信号那样对待检测。它为一个决策提供输入。它并不做出决策。
检测实际上能告诉你关于一段文本的什么？
比大多数集成方案所设想的要少，而且在写任何代码之前，值得把这条边界说清楚。
它能告诉你的是：
- 一段文字的统计纹理比周围文本更接近语言模型的输出。
- 如果工具报告句子级分数，哪些具体句子承载了大部分信号。
- 一份文档相对于你控制的参考语料库是异常值。
它无法告诉你：
- 是谁写的。人类编辑模型草稿、模型改写人类草稿，以及人类以平淡语体写作，都可能产生相似的读数。
- 内容是否准确、原创，或违反你实际拥有的任何政策。
- 一个人是否以你的规则允许的方式使用了 AI。检测没有你的政策概念；它只有风格概念。
这里还有第二个陷阱值得指出。人类写作在风格上并不统一，机器输出在风格上也不明显。在同一次 2026-09-19 测量中，我们的人类撰写样本每 100 词带有 3 个 AI 特征短语，而未编辑的模型输出每 100 词带有 1 个。人类写作在那个特定指标上更嘈杂，而不是更干净。如果你的流程假设被标记的文本会看起来明显是机器生成的，它就会把真人错误分流。
在把任何东西接入闸门之前，先把你自己的语料库跑一遍检测器，看看你的真实用户落在哪里。DeAIze 的免费层在注册时提供 200 词，无需信用卡，付费积分包起价 $20.99——各层级见 /pricing/。了解你自己的分布胜过猜测一个截断值。
你如何选择检测器阈值设置？
根据你的审核能力来设定阈值，然后接受该能力所对应的错误率。而不是反过来。
单一阈值会迫使你陷入二元判断。两个阈值则为你提供一个分诊区间：
| 区间 | 典型操作 | 代价 | 适用场景 |
|---|---|---|---|
| 低于低阈值 | 自动通过，仅记录分数 | 你接受部分模型辅助文本未经审核即发布 | 高流量、低风险内容 |
| 介于两个阈值之间 | 进入人工审核队列 | 审核员时间，以及用户可见的延迟 | 任何带有后果的事项 |
| 高于高阈值 | 优先进入队列，并附加第二信号 | 同样的审核员时间，需要收集更多上下文 | 支付、凭证、已发布的声明 |
两条实用规则。第一，把低阈值设得足够高，使你的审核队列保持在人员配置范围内，而不是低到能捕获一切。一个没人能清空的队列比没有队列更糟，因为它会变成你不再阅读的积压。第二，把高阈值设在远高于低阈值的位置。如果两者靠得太近，分诊区间就会崩塌，你又回到了单一关卡。
每个阈值的代价：较低的低阈值换来覆盖范围，消耗审核员工时；较高的低阈值换来吞吐量，消耗的是漏掉某些内容的风险。两者都不是免费的。写下你选择了哪一个以及为什么，因为当某个决定受到质疑时，这份记录是任何人首先会索要的东西。
如何为被标记的内容设计人工审核队列？
围绕审核者的决策来设计，而不是围绕检测器的输出。
- 展示句子级视图。 面对“这份文档得分很高”的审核者无从下手。面对带有逐句分数的高亮句子的审核者，则能看出哪些行导致了这一结果。DeAIze 同时报告文档分数和逐句 AI 概率，正是出于这个原因——整篇文档的数字是摘要，句子视图才是证据。
- 给他们第二个信号。 账号年龄、编辑历史、先前的标记、用户是否披露了 AI 协助、内容是否与你已经接受的模板匹配。检测器分数只是面板中的一行，而不是面板本身。
- 让“证据不足”成为一个有效结果。 如果标记的唯一原因是分数处于临界值，正确的决定就是放行并注明原因。认为必须给出裁决的审核者一定会给出一个裁决。
- 限制队列的陈旧程度。 在用户已经离开之后才解决的审核，是支持工单，而不是审核。
来自实践的一条设计说明：按后果路由，而不是按分数路由。评论草稿的高分和认证上传的高分应进入不同的队列，即使数字完全相同。
你如何记录检测决策，以便日后能够解释？
将决策记录为一条带有原因的记录，其形式应与你在必须将其交给受影响的用户时所希望的形式相同。
至少应捕获：
- 原始分数和逐句分数，以及产生这些分数的工具和模型版本。
- 当时生效的阈值。阈值会变化；只有对照产生该决策的配置，决策才可解释。
- 决策时存在的其他信号及其各自的值。
- 结果：自动通过、排队、已审核、被推翻、维持原判。
- 对于已审核的项目，审核者用自己的话陈述的理由。
两个习惯能让这一点持久可靠。将检测器的输出存储为数据，而不是渲染后的字符串，这样你以后无需重新评分就能重新运行分析。并且所有内容都对照同一个时钟打时间戳，因为如果你的日志使用三个不同的时间源，“模型版本在周二发生了变化”就无法回答。
如果你想在选择要持久化保存的内容之前了解底层机制，AI 检测如何工作 介绍了检测器正在读取的信号，以及为什么单个数字会压缩掉大量信息。
你应该用第二个检测器进行交叉验证吗？
有时应该，而且要有意为之。让每份文档都经过多个检测器，会使你的成本和分歧率成倍增加，而信息量却不会增加多少。
一个更有用的模式：只对落入分诊区间的项目进行交叉验证，并且只在决策后果重大时才这样做。DeAIze 在已配置的情况下会针对真实的第三方检测器 API 运行输出——GPTZero、Turnitin、Copyleaks、Originality.ai 和 Sapling 是网站上列出的那些——而不是信任内部猜测。这对流水线来说也是一种合理的形态：你的主检测器负责分诊，一个具名的外部检查确认边缘案例，然后你将两个结果并排记录。
当两个工具意见不一致时，这种不一致本身就是信息。它通常意味着文本处于决策边界附近，这是进行人工审核的理由，而不是选择较高数值的理由。AI 检测器准确吗？ 详细解释了为什么两个工具会对同一段文字有不同的解读。
端到端的句子级工作流是什么样的？
以下是在生产环境中经得起考验的形态。
- 文本到达。在接收时评分一次，并存储原始响应。
- 应用你的分诊区间。大多数内容自动通过并记录分数，无人查看。
- 对于分诊区间，拉取句子级视图，并将第二信号附加到队列项。
- 审核员以书面形式做出决定，可选择“证据不足”。
- 持久化整个记录：分数、阈值、信号、决定、理由。
- 定期将推翻的决定反馈到阈值调优中。如果审核员在一个区间内推翻了很多项，说明该区间设置错误。
第三步是大多数集成变得薄弱的地方。一个显示“分数：高”的队列项会导致橡皮图章式批准。一个显示驱动分数的三个句子的队列项则会产生真正的决定。
示例，非真实客户记录： 一篇提交的文章带有高文档分数到达。审核员打开句子视图，发现顶部两个密集段落承载了大部分信号，而其余部分读起来平淡且具体。审核员注意到被标记的段落与作者之前发表的风格相符，将该项标记为证据不足，并通过。日志保存了分数、句子、备注和结果。六周后，当作者询问为什么他们的提交被延迟时，该记录在一个屏幕上回答了这个问题。
运行这个需要你付出什么成本？
三项预算，其中只有一项是钱。
检测支出。 按词定价意味着你的成本会随量级增长，所以在接收时评分，并避免在每次页面加载时对同一文档重新评分。将结果按内容哈希缓存。
审核员工时。 这才是真正的成本。一个能捕获百分之几提交量的分诊区间听起来很便宜，直到你把它乘以每日量级。根据你现有的人员配置来确定区间大小，并在量级变化时重新评估。
支持负载。 每个被自动拦截且认为决定有误的用户都是一张工单。将路由改为审核而非拦截，能把其中大多数工单转化为短暂延迟，而解释这一点要便宜得多。
要比较不同工具在其 API 响应中实际返回的内容，以及其中有多少可用作流水线信号，AI 检测器对比 是实用的起点。
准备好看看哪些句子读起来像机器写的了吗？
如果你正在设计工作流程，让设计变得具体的最快方式，是查看你自己文本上的真实句子级输出，而不是样本上的输出。
从 /ai-detector/ 的检测器开始——粘贴一份你知道来源的文档，看看每个句子的分数是如何分布的。这个分布就是你的阈值必须落在其中的范围。
当你的草稿确实需要清理，不是因为分数错了，而是因为被标记的句子太平淡时，草稿编辑器会运行闭环流程：评分，只重写被标记的句子，仅当语义相似度表明含义得以保留时才保留重写，然后重新评分并报告前后对比。该网站报告称，人性化处理后 AI 分数平均降低 60% 以上，最佳情况为 71%——这些是产品自身预测的分数，而非任何第三方检测器的判定。
查看 /pricing/ 了解积分包、按需付费、永不过期的积分且无需订阅，或前往 /register/ 以 200 字免费开始，无需信用卡。
有一点值得直说，因为它既属于我们的集成文档，也同样属于你们的：检测是关于风格的信号，而人性化是用于你自己草稿的编辑工具。两者都不能决定文档中的想法、数据和结论是否属于作者本人。这一判断仍由对内容负责的人做出，你的流程应当构建得能够做出并记录这一判断。