nanocode/skills/anti-ai-detector/it_integration.py

#!/usr/bin/env python3
"""
Anti-AI Detector - IT资讯系统集成模块
用于AI处理器的去AI化后处理
"""

import sys
import os

# 添加技能目录到路径
sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))

from humanize import AntiAIDetector


class ITContentHumanizer:
    """IT资讯内容人性化处理器"""
    
    def __init__(self):
        self.detector = AntiAIDetector()
    
    def process_translation(self, text: str, source_lang: str = 'en') -> str:
        """
        处理翻译后的内容
        
        Args:
            text: AI翻译后的文本
            source_lang: 源语言 ('en' 或 'zh')
        
        Returns:
            去AI化后的文本
        """
        # 检测并去除AI痕迹
        if source_lang == 'en':
            # 英文文章翻译成中文后
            result = self.detector.humanize_cn(text)
        else:
            # 中文文章保持中文优化
            result = self.detector.humanize_cn(text)
        
        return result
    
    def process_summary(self, text: str, platform: str = 'default') -> str:
        """
        处理总结内容
        
        Args:
            text: AI总结后的文本
            platform: 目标平台 ('default', 'xiaohongshu', 'email')
        
        Returns:
            优化后的文本
        """
        if platform == 'xiaohongshu':
            # 小红书风格优化
            result = self.detector.humanize_xhs(text)
            # 再进行中文去AI化
            result = self.detector.humanize_cn(result)
        elif platform == 'email':
            # 邮件风格 - 只去AI化
            result = self.detector.humanize_cn(text)
        else:
            # 默认处理
            result = self.detector.humanize_cn(text)
        
        return result
    
    def process_title(self, title: str) -> str:
        """
        优化标题
        
        Args:
            title: 原标题
        
        Returns:
            优化后的标题
        """
        # 去除标题中的AI痕迹
        result = self.detector.humanize_cn(title)
        
        # 去除常见的AI标题套路
        result = result.replace("值得一提的是", "")
        result = result.replace("不得不说", "")
        result = result.replace("揭秘", "")
        result = result.replace("深度解析", "")
        
        return result.strip()
    
    def full_pipeline(self, content: dict) -> dict:
        """
        完整处理管道
        
        Args:
            content: {
                'title': '原标题',
                'translated': '翻译内容',
                'summary': '总结内容',
                'platform': 'xiaohongshu' 或 'email'
            }
        
        Returns:
            处理后的内容
        """
        return {
            'title': self.process_title(content.get('title', '')),
            'translated': self.process_translation(
                content.get('translated', ''), 
                content.get('source_lang', 'en')
            ),
            'summary': self.process_summary(
                content.get('summary', ''),
                content.get('platform', 'default')
            ),
        }
    
    def analyze_risk(self, text: str) -> dict:
        """
        分析AI痕迹风险
        
        Returns:
            {
                'risk_level': 'low'|'medium'|'high',
                'score': int,
                'suggestions': list
            }
        """
        analysis = self.detector.analyze(text)
        total = analysis['total_risk']
        
        if total < 3:
            level = 'low'
        elif total < 8:
            level = 'medium'
        else:
            level = 'high'
        
        suggestions = []
        if analysis['cn_score'] > 0:
            suggestions.append(f"发现 {analysis['cn_score']} 处中文AI痕迹")
        if analysis['en_score'] > 0:
            suggestions.append(f"发现 {analysis['en_score']} 处英文AI痕迹")
        if analysis['xhs_score'] > 0:
            suggestions.append(f"发现 {analysis['xhs_score']} 处小红书风格问题")
        
        return {
            'risk_level': level,
            'score': total,
            'suggestions': suggestions,
            'details': analysis
        }


# 便捷函数，供IT项目直接调用
def humanize_for_it_news(text: str, content_type: str = 'translation') -> str:
    """
    IT资讯项目的便捷调用函数
    
    Args:
        text: AI生成的文本
        content_type: 'translation'|'summary'|'title'
    
    Returns:
        去AI化后的文本
    """
    humanizer = ITContentHumanizer()
    
    if content_type == 'translation':
        return humanizer.process_translation(text)
    elif content_type == 'summary':
        return humanizer.process_summary(text, platform='default')
    elif content_type == 'title':
        return humanizer.process_title(text)
    else:
        return humanizer.detector.humanize_cn(text)


# 小红书专用函数
def humanize_for_xiaohongshu(text: str) -> str:
    """
    小红书内容专用去AI化
    """
    humanizer = ITContentHumanizer()
    return humanizer.process_summary(text, platform='xiaohongshu')


if __name__ == '__main__':
    # 测试
    test_text = """
    值得注意的是，这项技术非常重要。我们可以看到，随着AI的发展，
    越来越多的应用场景被开发出来。首先，它提高了效率；其次，
    它降低了成本；最后，它改变了工作方式。综上所述，
    这项技术毫无疑问具有极其重要的意义。
    """
    
    humanizer = ITContentHumanizer()
    
    print("原文:")
    print(test_text)
    print("\n去AI化后:")
    result = humanizer.process_translation(test_text)
    print(result)
    
    print("\n风险分析:")
    risk = humanizer.analyze_risk(test_text)
    print(f"风险等级: {risk['risk_level']}")
    print(f"得分: {risk['score']}")
    print("建议:", risk['suggestions'])