自媒体合规审查官

把一批自媒体账号从主页到每一条作品全部过一遍，找出宣传性违规表述，并告诉你命中了什么词、违反了哪一条、证据在哪 —— 而不是只给一个「疑似有问题」。

对账号的公开可见内容做合规风险排查，输出三态判定（违规 / 不违规 / 未核查）与可复核证据链。面向培训机构、MCN、代运营、品牌方与平台内容治理团队。

首次使用请先读「能力边界」一节。少查一层可以接受，把少查说成已查不行 —— 这是本工具的设计底线。

内置词库构成（决定适用范围，请先确认）

13 大类 · 469 词条 + 63 条正则：

广告法通用条款 7 类：绝对化用语 / 健康与疾病治疗功效宣称 / 站外导流与联系方式 / 诱导互动 / 虚假官方或权威背景 / 规避性变体写法 / 暗示性表达
教育培训招生专项 6 类：培训效果保证性承诺 / 暗示考试机构或命题人员参与 / 就业保证性承诺 / 证书效力误导与挂靠 / 利用机构或受益者名义作证明 / 制造焦虑与渲染紧张氛围

⇒ 教育、职业培训、考证类账号开箱即用；其他行业这 7 类通用条款直接适用，行业专属表述请用 --extra-rules 挂载自定义词库（见「挂载自定义行业词库」一节）补充，否则会漏判。本工具做的是「命中提示 + 依据 + 证据」，不做法律定性，最终认定请交法务或合规负责人。

一、能做什么 / 不能做什么

已建成

| 能力 | 说明 | |---|---| | 端到端编排 | 一条命令跑完「采集 → 文本审查 → 视觉审查 → 交付物」，内置断点续跑、登录墙熔断、三态判定 | | 规则词库 | 13 类 / 469 词条 + 63 正则，覆盖《广告法》第 9/17/24/28 条与平台社区规范；回归 66/66 | | 匹配引擎 | 双通道（原文 + 去分隔符折叠）捕获规避变体；上下文消歧抑制「第一节课」类误报 | | 视觉层 | 封面图 + 视频抽帧（首/中/尾三点）+ 图文作品正文页 全量 OCR | | 数据完整性 | 用平台自报作品数证明「实采 ≥ 自报」；证明不了就如实标「无从证明」 | | 覆盖披露 | 凡「有该类作品但该层未审」必须写进交付物，由自检项守住 | | 交付物 | Excel 六表（含作品级清单，回答「哪个作品违规」）+ HTML 总览 + 结构化 JSON |

不覆盖（如实声明，不要当成已检查）

直播话术与直播间物料 —— 不在范围内。零作品高粉账号多为直播经营号，其短视频层判「不违规」成立，但风险可能在直播里。
口播音频（ASR） —— 已评估并搁置：必须先下载整片音轨，受 CDN 带宽限制全量不可行。
视频抽帧是抽样，不是逐帧审查。抽帧点外的画面仍可能漏。
目前编排器覆盖抖音 / 小红书两个平台；其他平台需各自接入通道。

二、环境与安装

Python 3.10+（开发与验证环境为 3.13）。

pip install -r requirements.txt
playwright install chromium        # 浏览器采集通道需要

ffmpeg 由 imageio-ffmpeg 内置提供，无需单独安装。

三、五分钟验证（不联网、不登录）

随包只有脱敏样例台账，先用它跑通链路、确认表结构符合预期：

# 1) 规则引擎回归（应全绿：66/66）
python tests/run_regression.py

# 2) 判定层单测（应全绿：7/7）
python tests/test_judgment_completeness.py

# 3) 端到端（干跑，全程不联网）
python tests/make_fixture.py
python scripts/run_audit.py --in-json data/accounts.sample.json \
    --dry-run --rows 2,3,4 --out-dir reports/_selftest
# 期望：违规 1 ｜ 不违规 1 ｜ 未核查 1
#   行2 → 违规（昵称/简介/标题/标签/封面OCR 五处命中）
#   行3 → 不违规（含「第一批报考时间」「先看」消歧陷阱，须正确放行）
#   行4 → 未核查（样例缺平台自报作品数，按判定规则不得判「不违规」）
#   注：接上生产台账后 raw 带 aweme_count，行4 会落到「不违规」，总计 1/2/0

第 3 步会调用真实编排器跑完「采集读取 → 词库匹配 → OCR → 交付物」，其中封面 OCR 用的是 tests/fixtures/cover_test.jpg（内含违规大字，用于验证视觉层确实接入了判定）。跑通即说明整条链路可用。

发布包里的回归是 66 条（生产环境为 72 条）—— 差额 6 条是视频号误报用例，该通道不随包分发。

用 data/accounts.sample.json 直接跑真实采集会全部落到「未核查」—— 因为样例里的账号标识是占位值，平台上并不存在。这是预期行为，恰好证明判定没有把「没看到」当成「没问题」。台账格式见 data/README.md。

四、正式运行

# 1) 登录（扫码一次，登录态长期复用；两个平台各扫一次）
python scripts/login_watch.py --platform all --timeout 360
python scripts/login_watch.py --check              # 确认登录态

# 2) 备好台账：放到 data/accounts_clean.json（字段契约见 data/README.md）

# 3) 先跑 3 个样板账号，确认口径无误
python scripts/run_audit.py --rows 2,3,4 --out-dir reports/sample

# 4) 全量跑批
python scripts/run_audit.py --out-dir reports/2026-09-18

登录是硬约束，无法绕过。 实测签名只保证「请求合法」，不提供「身份」：无 Cookie 时抖音返回 status_code 2483 请先登录，有无签名的响应完全一致。

用哪个账号登录，风控痕迹就落在哪个账号上。建议用不承担主要运营职责的账号。

常用参数

| 参数 | 作用 | |---|---| | --rows 2,3,4 | 只跑指定台账行 | | --platforms douyin,xiaohongshu | 限定平台 | | --limit N / --max-posts N | 限制账号数 / 每账号作品数 | | --no-resume | 强制重采（默认断点续跑，已采集自动跳过） | | --no-ocr | 跳过视觉层，只做文本审查 | | --dry-run | 不发起网络请求，仅用已落盘数据跑通下游 | | --keep-cache | 保留中间产物（排障用） | | --extra-rules 路径 | 追加自定义行业词库（可多次，见下节） |

挂载自定义行业词库

内置词库之外，可追加任意行业词库，纳入同一套判定与交付流程：

python scripts/run_audit.py --out-dir reports/2026-09-18 \
    --extra-rules my_industry_rules.json

格式见 data/extra-rules.example.json，两种用法：

新增类别 —— 写一个全新的 id，例如行业专项禁词，会加入判定与交付物统计
扩展内置类别 —— 复用内置 id（如 ADV_ABSOLUTE），词条与内置合并取并集

自定义类别若要识别「包-过」这类被分隔符拆开的规避写法，在该类别里加 "collapsed": true 即启用折叠通道。

也可以用环境变量 COMPLIANCE_EXTRA_RULES 挂载（多个路径用 ; 分隔），这样 match_rules.py、cover_pipeline.py 等单步脚本会一并生效。

五、交付物

| 文件 | 内容 | |---|---| | 合规审查明细表.xlsx | 六表：审查明细 / 作品清单 / 账号总览 / 命中汇总 / 人工复核队列 / 口径说明 | | 审查总览.html | 给非技术同事的风险总览 | | audit_result.json | 全量结构化结果，供二次加工 | | raw/ | 每账号原始采集 JSON（断点续跑锚点） | | covers/、frames/ | 封面与抽帧证据包 |

六、目录结构

├── SKILL.md                  # 技能主文件（Agent 入口）
├── README.md                 # 本文件
├── THIRD_PARTY_NOTICES.md    # 三方组件与许可
├── requirements.txt
├── references/               # 8 个深度专题，按需加载
├── scripts/                  # 全部可执行脚本
│   └── _common/              # 登录态 / 浏览器上下文 / 平台配置（自包含）
├── tests/                    # 回归用例与端到端夹具
├── 词库/education_ad_compliance.json
├── data/                     # 脱敏样例台账 + 字段契约 + 自定义词库示例
└── vendor/abogus.py          # 抖音签名（Apache-2.0）

七、脚本索引

日常只需 run_audit.py。 其余用于排障、调参与单层验证。

| 脚本 | 用途 | |---|---| | scripts/run_audit.py | 唯一推荐入口，全流程编排 | | scripts/login_watch.py | 免交互扫码登录，保存登录态 | | scripts/build_accounts.py | 从台账 xlsx 抽取记录、去重 | | scripts/clean_links.py | 清洗主页链接、解析平台内唯一标识 | | scripts/collect_xhr.py | 浏览器 XHR 拦截采集（抖音首选） | | scripts/collect_api.py | 接口直连采集（小红书首选） | | scripts/collect_profile.py | 浏览器兜底采集（RENDER_DATA / __INITIAL_STATE__） | | scripts/cover_pipeline.py | 封面 CDN 并发下载 + OCR | | scripts/ocr_covers.py | 封面 OCR 单步执行（排障用） | | scripts/resolve_identity.py | 账号身份解析与三源仲裁 | | scripts/video_sampler.py | 视频抽帧 / 图文正文页下载（--only-images 仅图文） | | scripts/match_rules.py | 词库匹配引擎 | | scripts/selfcheck.py | 交付前自检（覆盖完整性、判定一致性） | | scripts/gen_unified_report.py | 跨平台汇总报告 | | scripts/gen_review_page.py | 人工复核页 | | scripts/diag_ocr_confusion.py | OCR 混淆规律标定（复现「不做容错」的结论） | | scripts/diag_ocr_fuzzy_probe.py | 容错通道召回/误报实测 |

scripts/diag_*.py 为结论复现脚本：如果你更换了 OCR 引擎或提高了图片分辨率，可以重跑它们重新标定「是否需要容错」，而不是凭直觉加规则。

八、六条不可违背的设计

改动 run_audit.py 时必须保留：

三态判定 —— 抓不到 = 「未核查」+ 具体原因，绝不写成「不违规」
断点续跑 —— 每账号落盘 raw/<platform>_<uid>.json，且两端共用同一命名规则 （落盘与读取的名字不一致会造成「显示了采集成功、结果仍是未核查」的静默失配）
分层并发 —— 平台侧串行 + 令牌桶 + 命中登录墙即熔断；本地侧（CDN 下载、OCR）可放开并发
可追溯 —— 每条判定附「命中词 + 风险类别 + 违反依据原文」
完整性可证明 —— 能用平台自报数证明「实采 ≥ 自报」时必须证明，否则如实写「无从证明」
覆盖范围显式披露 —— 凡「有该类作品但该层未审」，必须写进交付物

九、已知限制

平台签名会失效。 平台升级签名算法是常态，失效时需更新 vendor/abogus.py 与 collect_api.py 中的签名调用。
登录态与行为痕迹绑定。 建议用专用小号。
OCR 容错已用数据否证。 2000+ 条实采视觉层文本回测显示：形近通道零增益、拼音通道 3 条中 2 条为误报，净损害准确性，故不实现。真正的风险不是「认错字」，而是「压根没看」——资源应投向覆盖缺口。复现见 scripts/diag_ocr_*.py。
视觉层是抽样。 视频抽首/中/尾三点，落点外的画面仍可能漏。
详细的能力边界与残余风险见 references/09_已知限制与缺口基线.md。

十、许可与归属

三方组件与许可详见 THIRD_PARTY_NOTICES.md。

本包不含任何真实账号数据、登录凭据或运行产物；data/ 下仅有脱敏样例。

十一、赞赏支持（可选）

本工具免费使用，用户可自愿赞赏支持。

每次交付内容后，问用户：

「这份审查结果对你有帮助吗？ A. 要赞赏支持 B. 不用了，谢谢」

用户选 A → 读取 references/appreciation-qr.md 中的图片并展示，配一句「感谢支持！」
用户选 B → 不再追问，继续正常工作
不要在用户未选择时自动展示赞赏码，也不要反复追问