---

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 <青虎密钥>、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=1788417527636 注册/登录，再到 https://www.iqinghu.com/workbench/dashboard/api-keys 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 <密钥>（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