新闻详情

新闻详情

首页 / 资讯中心 / 详情

antislop Delivery Gate 完全解析:交付前必过的4道质量关卡与PASS/FAIL报告

发布时间:2026/11/17 1:01:39来源:尧图网络
antislop Delivery Gate 完全解析:交付前必过的4道质量关卡与PASS/FAIL报告
antislop Delivery Gate 完全解析交付前必过的4道质量关卡与PASS/FAIL报告【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的 Delivery Gate交付关卡是这套 AI 编码代理规则里最硬核的部分任何 UI、文案或代码交付之前都必须先跑完4 道质量关卡并输出一份逐条打分的PASS/FAIL 报告。只要有一项 FAIL交付就必须叫停。下面用大白话把这套机制拆解清楚让你明白它为什么能拦住AI 味。为什么交付前需要一道关卡antislop 的核心哲学是它是个过滤器不是风格指南。38 条规则分三层Hard Gate / Purpose-Gate / Quality Locks负责在写作过程中拦掉渐变滥用、假数据、死按钮这些 AI 通病。但过程合规不等于结果合格所以核心文件在结尾专门设置了Delivery Gate (Mandatory)交付前强制执行、输出 PASS/FAIL 报告、不可委托、不可替代。规则原文写得很直白A report containing a FAIL must never be shipped含 FAIL 的报告永远不能交付。4道质量关卡一览Delivery Gate 由 4 个 Block 组成每个 Block 有自己的通过方向关卡检查什么通过条件Block 1: Hard Gate硬关卡诚实性、功能、无障碍假数据、死按钮、对比度、键盘导航等 17 条绝对规则全部答案必须是noBlock 2: Purpose-Gate目的关卡渐变、图标、玻璃拟态、动效等技术手法是否有目的且写下理由共 13 条有目的的才不 FAILBlock 3: Liveliness鲜活度三档拨盘ENERGY/RHYTHM/MOTION是否设定、是否有视觉焦点与身份母题共 7 条全部答案必须是yesBlock 4: Craftsmanship Quality Locks工艺与质量锁五大工艺标准 C-1~C-5加上一致性锁 R-05、R-11、R-15、R-16、R-20、R-21、R-29、R-30、R-31全部答案必须是no第1关Hard Gate —— 一票否决区这是绝对规则没有例外的一关任何一条违反都是 FAIL。典型检查项包括R-17 数据与数字有没有10K 用户99.9% 在线率这类没有真实来源的假统计R-18 用户评价有没有 AI 头像、随机姓名的虚构评价R-25 颜色对比度正文是否达到 WCAG AA4.5:1R-26 交互元素有没有点了没反应的死按钮R-27 UI 状态空状态、加载态、错误态是否齐全R-32 键盘可达Tab/Enter/Escape 能否完整操作界面R-37 设计方向没有方向却没标注无方向草稿一句话记忆这一关管的是诚实和能用没有商量余地。第2关Purpose-Gate —— 技术可以但要说清为什么这一关的态度是手法本身不禁止禁止的是无目的的默认使用。比如渐变、辉光作为默认装饰出现没有写明层级或品牌目的 → FAIL图标选自 Lucide 这类一眼 AI的图标库且没写相关性 → FAIL玻璃拟态同时糊在导航栏卡片弹窗侧边栏上 → FAIL所有功能卡片尺寸、图标、内边距完全一致 → FAIL通过的关键动作是把理由写下来这正呼应核心规则 R-31每个决策必须有一行理由。第3关Liveliness —— 不许只是干净这是唯一要求答案全为yes的关卡。它回答一个问题去掉 AI 味之后页面还活吗检查点包括三档拨盘ENERGY / RHYTHM / MOTION是否明确设定输出是否与声称的拨盘一致宣称 RHYTHM 3 但板块全一样 FAIL每屏是否有且仅有一个明确视觉焦点是否有身份母题——一个被重复的具体图案、手势或字体声线第4关Craftsmanship Quality Locks —— 工艺与一致性最后一关把五大工艺标准C-1 意图性、C-2 功能完整、C-3 内容驱动、C-4 韧性、C-5 证据优先和最容易悄悄回归模板的一致性锁放在一起复查CTA 是否还是Get Started/Learn More这类通用词配色是否超过 2-3 主色1 强调色换个 Logo 页面是否毫无辨识度PASS/FAIL 报告怎么读每条 PASS 都要有证据Delivery Gate 的输出形式是随交付物一起给出的PASS/FAIL 报告每项一行且每个 PASS 必须由具体证据支撑。核心文件里给了标准示例R-26 PASS: every button has a real href or onClick; no dead controls R-35 PASS: ran the build and clicked every control: Signup - /signup, empty form - validation, mobile menu - opens, no console errors第二条值得展开R-35交付前必须验证要求真正运行构建、逐个点击每个交互元素并把结果记录为证据——没有这份逐条点击清单的 PASS不算 PASS。三条铁律任何一项 FAIL → 先修复再重跑关卡然后才允许交付关卡不可委托其他工作流的总结不能代替这份报告没有报告的交付物状态是未完成而不是待批准。两种使用模式下关卡都绕不开antislop 有两种使用模式During边做边过滤和After完工后审计。但核心文件特别声明了三个步骤在任何模式下都必须执行R-37先解决设计方向R-23创建素材前先确认跑 Delivery Gate 再交付原话是Naming a process is not the same as running it说出流程的名字不等于执行了流程。即使你的会话由别的工作流主导这份报告也照样要出。在哪里查看 Delivery Gate 的原始定义核心规则与关卡全文skills/antislop/SKILL.md产品能力总览38 条规则 Delivery Gate 描述README.md安装与更新指南含 After 模式审计报告写法GUIDE.mdR-35 点击验证演变为冒烟测试的版本记录ROADMAP.mdUI / 文案 / 人因 / 移动端 / 代码注释各自的补充检查清单skills/antislop-ui/SKILL.md、skills/antislop-copywriting/SKILL.md、skills/antislop-human/SKILL.md、skills/antislop-layoutmobile/SKILL.md、skills/antislop-code/SKILL.md小结Delivery Gate 的本质是把我觉得做好了换成我用证据证明了它合格4 道关卡、PASS 必须带证据、FAIL 必须返工、报告不可缺省。对新手来说最实用的一条建议是让 AI 代理交付时把它输出的 PASS/FAIL 报告直接当验收清单读——哪条 PASS 没写证据就追问哪条。【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 2026/11/15 4:54:16

【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 2026/11/15 2:04:12

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 2026/11/16 19:23:38

【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 ... 2026/11/16 6:47:19

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 2026/11/14 16:35:50

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 2026/11/16 17:28:18

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
📞 ✉