新闻详情

新闻详情

首页 / 资讯中心 / 详情

antislop双模式实战:During实时过滤 vs After事后审计,如何为你的项目选对模式

发布时间:2026/11/14 11:56:07来源:尧图网络
antislop双模式实战:During实时过滤 vs After事后审计,如何为你的项目选对模式
antislop双模式实战During实时过滤 vs After事后审计如何为你的项目选对模式【免费下载链接】anti-slopRules for an AI coding agent to filter out generic AI-generated UI designs, text, and code.项目地址: https://gitcode.com/gh_mirrors/anti/anti-slopantislop 是一款面向 AI 编码代理的过滤规则集用 38 条强制规则筛掉 AI 生成的界面、文案与代码里的塑料味而且不规定任何审美。它最特别的设计是双模式During 实时过滤与After 事后审计——一个管新建项目边写边拦一个管存量项目事后体检。本文带你吃透两种模式的工作方式并附一份 30 秒决策清单帮你为自己的项目选对模式。什么是AI slopSlop 是 AI 模型的默认长相蓝紫渐变、星光图标、Unlock the power of…式标题、10,000% ROI式的假数据以及落地页里那个永远不会跑的终端窗口。用过 AI 做页面的人一定见过这种产物上图没有任何过滤的输出它的每个问题几乎都能对上 antislop 38 条强制规则无来源数据R-17、buzzword 文案R-16、模板化 CTAR-15、装饰性徽章R-09……需要强调的是定位antislop 是过滤器不是风格指南。它只负责删掉不该有的东西设计方向由你自己的DESIGN.md提供。模式选择会话开始时的一个问题开启新会话后AI 代理读完核心规则会先问一个问题When do you want to use antislop?DURINGthe project, while working工作进行中——我边写边应用规则slop 从一开始就不会出现。AFTERthe project is finished项目完成后——我审计已有成果输出带编号的问题清单你指定修哪几条我再修复并回报。这个二选一决定整场会话的工作方式。两种模式共用同一套规则体系区别只在介入时机。完整定义在 核心技能文件的 Two Usage Modes 章节。During 实时过滤从源头拦住问题适用场景从零搭建新页面、新功能、新组件。During 模式的核心逻辑一句话写之前先读规则。每个决策都要过三层规则规则层级含义典型例子Hard Gate硬门槛绝对红线违反即 FAIL假数据、死按钮、对比度不达标Purpose-Gate目的门槛技术允许用但必须写下理由用渐变、用玻璃拟态Quality Locks质量锁一致性约束圆角、色板保持统一除了不许做什么During 还要求必须做什么Design Read生成前用一行声明这是什么页面、给谁看、什么风格三个旋钮ENERGY / RHYTHM / MOTION 各三档避免产出干净但死气的页面Delivery Gate 交付门禁交付前强制跑一次四块式 PASS/FAIL 报告任何一项 FAIL 都不许交付。另外有三个步骤在两种模式下都必须执行谁来主导会话都不能省略确认设计方向R-37、创建素材前先询问R-23、交付前跑 Delivery Gate。下面是同一页面在 antislop 下的 During 模式产出假数据和 buzzword 全部消失布局回到克制、诚实的基线。After 事后审计四步盘点存量项目适用场景AI 早前生成的页面、接手的旧项目、需要体检的已有产出。After 模式有一个关键原则先不动任何代码。流程是四步、且每步都有人工确认扫描按 38 条规则逐条检查现有 UI、文案或代码列清单生成带编号的 findings 清单存放在anti-slop/audit-001-YYYY-MM-DD.md编号持续递增可归档每条发现引用被违反的规则R-XX加一行理由你批准优先级按规则层级自动映射——Hard Gate HIGH、Purpose-Gate MEDIUM、Quality Locks LOW你明确指定修哪些编号没提的编号一律不碰修复 后续报告只改你批准的项完成后写一份 follow-up 报告。这套流程对协作非常友好审计清单是纯 Markdown天然可进仓库、可版本对比audit-001、audit-002一路排下去就是项目的美化史。以文案审计为例下面这条 AI 写的发布帖——emoji 项目符号、全大写 NEW DROP、句句 hype——在 After 模式下会被列为 R-16buzzword与 R-02em dash违规代码注释的清理同理修完后只留下一条真正说明信息的注释代码本体原样不动。选型清单我该用哪个模式 对照项目状态直接查表项目状态推荐模式理由从零搭建页面 / 组件During从源头预防返工成本最低刚生成完、尚未交付DuringDelivery Gate 是交付前最后一道防线存量页面需要体检After只列问题批准前不动一行代码接手来源不明的项目After编号清单留痕方便交接大改版重构During新页面按新规则重写一个常见误区是对新项目跑 After顺便检查——代理会去审计半成品代码产出一大堆本该在开发中自然修复的 findings。模式提问的存在正是为了防止这种错位。安装与验证一条命令完成安装全部安装路线见 GUIDE.mdnpx antislop-ai装完记得开启新会话——规则在会话启动时加载。然后问代理一个只有读过规则才答得出的问题比如R-02 是什么答得上来即安装成功。没有终端单文件版 可直接粘贴进任意聊天窗口它本身就是一个完整的过滤器插件路线加载的指针位于 rules/antislop.md同样包含模式选择提问想看双模式的来历它于 v2.1.0 发布完整版本历史在 ROADMAP.md。一段动图总结差异同一个 brief 的四种产出——无过滤、仅 antislop、仅DESIGN.md、两者叠加——动态对比记住核心分工antislop 负责清掉不该有的DESIGN.md负责补上该有什么。双模式解决的只是何时过滤——During 让它生不出来After 让它事后找出来。每次会话开始先选模式让 AI 干净地干活。【免费下载链接】anti-slopRules for an AI coding agent to filter out generic AI-generated UI designs, text, and code.项目地址: https://gitcode.com/gh_mirrors/anti/anti-slop创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉