不用大模型也能检测AI文本：一个纯客户端的确定性方案

绝大多数AI检测器其实是在用一个LLM去猜另一个LLM写了什么，这种概率性的推断导致结果极不稳定，且必须依赖服务器端计算。但这个项目走了一条完全不同的路：通过纯客户端的确定性算法（Deterministic）来识别AI痕迹，这意味着它不需要调用API，响应时间几乎是毫秒级的，且结果可复现。

这类工具解决的核心痛点是“成本”和“隐私”。如果你想在前端实时监测用户输入是否由AI生成，而不想每秒钟向服务器发送请求并支付Token费用，这种离线检测方案就是最优解。

它是如何实现的

该工具并非在分析语义（Semantic Analysis），而是在分析文本的统计分布特征。AI生成的文本通常在词频分布和句式结构上具有极高的规律性（即所谓的低困惑度 Perplexity），而人类写作则充满了随机性和不规则的跳跃。

它在客户端通过特定的统计权重计算，对比文本的分布曲线。由于不涉及神经网络的推理，它的检测逻辑是确定性的——同样的文本输入，无论在哪个设备上跑，结果永远一致。

快速上手实操

这个项目目前是以 Web 形式提供，你可以直接在浏览器中测试。如果你想在自己的工作流中集成类似的逻辑，可以参考其检测流程：

1. 文本输入：将需要检测的文案粘贴至输入框。
2. 客户端扫描：浏览器本地执行统计算法，不需要上传数据到后端。
3. 得分判定：系统会根据文本的分布特征给出判定结果。

对于开发者来说，这种 client-side 的逻辑非常适合集成到编辑器插件或轻量级表单校验中。

实测表现与踩坑细节

我拿了几段不同来源的文本跑了压力测试，结果很有意思：

• 典型 GPT-4 风格文案：检测速度极快（实测在 M2 芯片 Mac 上响应时间 < 0.1秒），且能精准识别出那种过于平滑的叙述感。
• 人类手写+少量 AI 修饰：这种混合文本容易产生误判。如果一个人习惯用 AI 润色句子，该工具可能会将其标记为 AI 编写，因为它捕捉的是统计学上的“平滑度”，而非逻辑上的“AI感”。
• 短文本陷阱：当输入文本少于 50 个词时，确定性算法的准确率大幅下降。因为样本量太小，不足以形成统计学上的特征曲线，导致结果出现波动。

值得关注的技术点

• 零延迟：因为没有网络往返（Round-trip），没有 API 握手，完全在本地内存中完成计算。
• 隐私保护：文本无需离开用户的浏览器，对于处理敏感商业文档来说，这比调用第三方检测 API 要安全得多。
• 低资源占用：不需要加载巨大的权重文件，一个简单的 JS 脚本即可完成。

如果你在构建 AI Agent 的反馈循环，或者需要一个轻量级的 AI 文本过滤指南，这种非 LLM 的检测方案比盲目追求模型规模要高效得多。

具体的在线测试地址如下：

https://1h-money-store.vercel.app/grader