工具
subquadratic-ai/decision-longctx-evals · Evaluating long-context retrieval and reasoning for decision models
该项目为“决策模型”（读取状态并对固定选项集返回概率、而非生成文本的模型）提供两套长上下文评测：Decision RULER 包含 11 个合成任务（针检索、变量追踪、词计数），以多选题决策形式覆盖 64K 至 1M token；Decision LCR 基于真实文档（每份约 100K token）的 100 道多选题。项目提供 pip 安装的 dlce 命令行工具，通过向自定义 HTTP 端点发送包含 state、question、options 的请求并接收每个选项的概率来运行评测，支持并发、多端点分发、断点续跑，并按任务平均分（RULER）或全对准确率（LCR）计分，输出逐决策的 JSON 记录。该评测是 RULER 与 AA-LCR 面向决策模型的原则性改编，分数与原基准不可直接比较。
展开详情收起详情：decision-longctx-evals：面向决策模型的长上下文检索与推理评测工具⌄
程序员使用 dlce 命令行工具对决策模型进行长上下文检索与推理评测：通过向自定义 HTTP 端点发送包含 state、question、options 的请求并接收每个选项的概率，运行 Decision RULER 与 Decision LCR 评测，支持并发、多端点分发、断点续跑，并按任务平均分或全对准确率计分，输出逐决策的 JSON 记录。
★ 1 · 可直接使用的工具
原文发布：未知收录：2026-10-16
工具
klauswg/jev-suite · Four decision-quality tools on Jev (TypeSafe System One): Jev answers structured questions, deterministic code keeps the final say.
jev-suite 是一套建立在 Jev（TypeSafe System One）决策模型之上的 Java 工具套件，包含 jev-proof、jev-fit、jev-fidelity、jev-rental 四个应用，分别用于判断赞助视频是否交付了约定内容、候选人相对岗位要求的差距、编辑是否保留原文信息、以及看房前需与房源代理确认的事项。共享内核 jev-kit 提供 JevClient 类型化客户端、三路判定门 NoulGate 与外部文本防提示注入清洗器。设计上坚持“Jev 判断、代码决定”，阈值与路由由单元测试覆盖的确定性 Java 代码掌握，模型不可达时降级为人工复核，评测拒绝模拟数据，无证据即失败关闭。
展开详情收起详情：jev-suite：基于 Jev 决策模型构建的四类决策质量校验工具套件⌄
程序员作为 Java 工具套件参考或复用其共享内核 jev-kit，包括类型化 JevClient、三路判定门 NoulGate 与外部文本防提示注入清洗器，用于构建带确定性阈值与人工复核降级的 AI 判定流程。
HR使用 jev-fit 判断候选人相对岗位要求的差距，辅助招聘筛选与面试准备；材料称其回答“Where does this candidate actually fall short of the job requirements?”。
★ 34 · 开发框架
原文发布：未知收录：2026-10-15
工具
gojiplus/sortition · Counterfactual evaluation for LLM routing policies.
sortition 是一个 Python 库与 CLI，用于对 LLM 路由策略进行反事实评估。它通过记录每次路由决策的概率（propensity）并在部分流量上探索，结合 IPS、SNIPS、DM、DR 等 off-policy 估计方法，让日志能够回答“如果换用另一个未部署的策略，会带来怎样的质量与成本结果”。项目还提供规则策略、ε-greedy/Thompson 决策、从日志训练的梯度提升策略、质量与价格权衡曲线的自动搜索、LiteLLM 集成插件与日志存储模块，并附带带已知真值的模拟器用于验证估计器。作者说明其已验证范围为模拟器与 mock 的 LiteLLM，尚未在真实生产流量中验证。
展开详情收起详情：sortition：LLM 路由策略的反事实评估与策略学习⌄
程序员在开发 LLM 路由或模型选择系统时，用 sortition 的 Python 库与 CLI 对路由策略做反事实评估：记录每次路由决策的 propensity，使用 IPS、SNIPS、DM、DR 等 off-policy 估计方法，从日志回答“换用另一个未部署的策略会带来怎样的质量与成本结果”；也可用其 LiteLLM 集成插件生成带 propensity 的日志，并用模拟器验证估计器。
★ 1 · 可直接使用的工具
原文发布：未知收录：2026-10-15
工具
embodiedreasoning/ERQA · Embodied Reasoning Question Answer (ERQA) Benchmark
ERQA 是 Google DeepMind 随 Gemini Robotics 发布一并开源的多模态具身推理评测基准，聚焦真实世界场景中的空间推理与世界知识，尤其是机器人情境。题目由图像与文本交错的单选题构成，答案以 A/B/C/D 单字母给出，共 400 道题，以 TFRecord 格式提供。仓库附带数据加载示例，以及一个轻量级评测脚本，可调用 Gemini 2.0 或 OpenAI 的多模态 API 在 ERQA 上作答并评估。
展开详情收起详情：ERQA：面向机器人场景的多模态具身推理评测基准⌄
程序员使用仓库提供的轻量级评测脚本，调用 Gemini 2.0 或 OpenAI 多模态 API 在 ERQA 基准上作答并评估，用于测试和排错多模态模型在具身推理任务上的表现。
★ 317 · 研究实现
原文发布：未知收录：2026-10-15
工具
wangxiaoyang0412/consistency-illusion · [EMNLP 2026 Main] The Consistency Illusion: CARA metrics for cross-agent reasoning alignment in multi-agent LLM debate, and the Grounded Debate Protocol (GDP) for medical QA
该项目是 EMNLP 2026 论文《The Consistency Illusion》的官方代码与数据仓库，提出 CARA（跨智能体推理对齐）系列自动指标，用于衡量多智能体 LLM 辩论系统在答案一致时推理链是否真正一致，并揭示“一致性幻觉”——辩论虽减少表面矛盾，却可能降低推理语义相似度。仓库同时给出 Grounded Debate Protocol（GDP）提示级方案，通过 CLAIM/GROUND/STANCE 结构化推理在不增加 LLM 调用与智能体路由的前提下修复推理对齐。仓库包含 CARA 实现（步骤分解、DeBERTa-v3 NLI 矛盾检测、Stella 嵌入相似度、CARA-HYB）、GDP 与 M3 提示构建器，以及论文各表格、效应量、附录分析的复现脚本与逐题分数数据。
展开详情收起详情：Consistency Illusion：多智能体辩论中的跨智能体推理对齐评测与 GDP 协议⌄
程序员在开发多智能体 LLM 辩论系统时，使用仓库中的 CARA 实现（步骤分解、DeBERTa-v3 NLI 矛盾检测、Stella 嵌入相似度、CARA-HYB）对智能体推理链进行跨智能体推理对齐评测，并可用 GDP 提示构建器生成 CLAIM/GROUND/STANCE 结构化提示来修复推理对齐。
产品经理在评估多智能体 LLM 医疗问答系统的可靠性时，使用 CARA 指标衡量智能体答案一致时推理链是否真正一致，识别“一致性幻觉”，并参考 GDP 提示级方案在不增加 LLM 调用与智能体路由的前提下改善推理对齐。
★ 0 · 研究实现
原文发布：未知收录：2026-10-14
工具
HumanStudy-Hub/HumanStudy-Bench · HumanStudy-Bench: Community Edition — Standardized human study replays for AI agent evaluation
HumanStudy-Bench 是一个标准化测试平台，用于让 AI 智能体回放人类被试实验。它由三部分构成：按已发表实验协议进行重建的执行引擎、一个持续扩充的可运行社会科学研究集合，以及从行为、效应和科学结论层面进行的评估。初始收录 12 项研究，覆盖认知、策略互动和社会心理学。项目提供直接提交 PR 的贡献路径（复制现有 study 目录结构、本地验证脚本、提交 PR），另有处于升级中的 HumanStudy-Hub 平台自动建研究路径。仓库结构包含 studies、src、playground、agent_pipeline、generation_pipeline、scripts、docs 和 tests。
展开详情收起详情：HumanStudy-Bench：面向 AI 智能体评估的人类被试实验标准化回放基准⌄
程序员作为 Python 项目，程序员可基于其执行引擎、评估代码和测试结构，开发或扩展 AI 智能体回放人类实验的基准测试；也可按仓库提供的 PR 贡献路径复制 study 目录、运行本地验证脚本并提交研究。
产品经理产品经理可借助该基准在行为、效应和科学结论层面评估 AI 智能体模拟人类被试的表现，用于用户研究或产品实验中的智能体行为验证。
★ 6 · 开发框架
原文发布：未知收录：2026-10-13
工具
Ayorinha/ayorai-opensearch · AYORAI ATTRACTOR — Evidence-first claim-level verification engine
AYORAI ATTRACTOR 是一个面向 AI 生成答案的可审计核验层：将答案拆解为单条 claim，与证据来源（含出处、偏移与溯源信息）关联，推导 stance（支持／矛盾／中立），再由**模型之外的确定性 Judge** 依据固定、带版本号的规则给出最终核验结论。结论状态包括 VERIFIED、SUPPORTED、PARTIALLY_SUPPORTED、UNVERIFIED、REFUTED、CONFLICTING；评估输入输出可用 SHA-256 做内容寻址以保证防篡改，并提供可复现的评测套件。当前领域为巴西电信监管（AnatEL RGC，标记 D10），项目自定位为研究与工程参考实现，明确声明不构成认证、法律意见或合规结论，评测数据为合成开发集且不构成生产泛化证据。
展开详情收起详情：AYORAI ATTRACTOR：面向 AI 答案的逐条声明证据核验引擎⌄
程序员作为可复用的核验引擎，程序员可将其集成到 AI 应用或 RAG 流程中，把 AI 生成答案拆解为单条 claim 并与证据来源关联，由模型之外的确定性 Judge 依据固定、带版本号的规则给出最终核验结论，从而为 AI 输出增加可审计、可复现的验证层。
产品经理产品经理在评估或设计 AI 功能时，可参考该项目的核验架构与六种结论状态（VERIFIED、SUPPORTED、PARTIALLY_SUPPORTED、UNVERIFIED、REFUTED、CONFLICTING），用于定义 AI 答案可信度与证据溯源相关的产品需求。
★ 1 · 研究实现
原文发布：未知收录：2026-10-13
工具
anthropics/oss-scanner
OSS Scanner 是 Anthropic 提供的服务，用于扫描关键开源仓库中的安全漏洞。项目方可提交 PR 在 projects/<name>/ 下注册项目，提供 project.yaml 与 Dockerfile（可选 threat_model.md）；扫描器在隔离虚拟机中联网构建项目，随后在无网络环境下分析，并通过邮件把带复现步骤和（可用时）修复补丁的模型生成报告发送给 primary_contact 及抄送人。报告由模型生成、无人工复核，因此不设 90 天披露期也不公开。仓库还提供 tools/validate.py、tools/check 等本地校验与构建工具。
展开详情收起详情：OSS Scanner：面向关键开源仓库的 AI 安全漏洞扫描服务⌄
程序员程序员可将关键开源仓库注册到 OSS Scanner，由扫描器在隔离虚拟机中构建项目并在无网络环境下分析安全漏洞，报告包含复现步骤和可用时的修复补丁，用于代码审查与安全排错。
★ 890 · 可直接使用的工具
原文发布：未知收录：2026-10-13
工具
Electricpaper77/ai-rag-eval-platform · AgentTrust IQ: reliability layer for Microsoft Reasoning Agents with groundedness, citation, hallucination, safety, latency, and JSONL audit checks.
AgentTrust IQ 是一个模型无关的 AI Agent 可靠性与评测平台，在发布前对回答的接地性、引用支持、提示注入抵抗、PII 处理、不安全工具操作、延迟与可审计性进行检查。它将可靠性检查转化为明确的 release、block 或 escalate 决策，并生成可回放的 JSONL 证据。默认工作流为确定性本地运行，可选通过 GEMINI_API_KEY 接入 Gemini 作为辅助评估器，但基线工作流不依赖它。
展开详情收起详情：AgentTrust IQ：面向 AI Agent 的可靠性与评测平台⌄
程序员在发布 AI Agent 前，使用该平台对回答的接地性、引用支持、提示注入抵抗、PII 处理、不安全工具操作、延迟与可审计性进行检查，并生成可回放的 JSONL 证据，将可靠性检查转化为 release、block 或 escalate 决策。
产品经理在 AI Agent 发布前，使用该平台检查回答的接地性、引用支持、提示注入抵抗、PII 处理、不安全工具操作、延迟与可审计性，并依据 release、block 或 escalate 决策与可回放 JSONL 证据评估是否可发布。
★ 0 · 开发框架
原文发布：未知收录：2026-10-12
工具
mixpeek/momentbench · Corpus-scale video moment retrieval benchmark — 75h of rights-cleared video, 500 queries, 4 difficulty tiers. Built on Mixpeek.
MomentBench 是由 Mixpeek 构建的语料级视频时刻检索评测基准，目标规模为 75 小时版权清晰视频与 500 条查询，覆盖四个难度层级。当前 v0.2 版本包含 27 个经哈希校验的视频资产，来自 Blender 开放电影、NASA 航空航天与 NASA 机器人三个领域，配套 620 条查询（457 条收录于仓库中）。项目提供查询分层定义、评测协议与评测指标（Recall@1/5、平均时间 IoU）、智能体评测赛道（模型通过 list_assets、search_transcript、read_transcript、sample_frames、submit_answer 等工具在预算内提交答案）、多模型适配器（Gemini、GPT、Claude、TwelveLabs、Qwen-VL、E5-Omni、CLIP 等）、污染控制机制（canary 字符串与 public/held_out/rolling 划分）以及结果提交与自建语料运行流程。
展开详情收起详情：MomentBench：语料级视频时刻检索基准⌄
程序员程序员可用 MomentBench 作为视频时刻检索系统的评测工具：通过命令行下载并校验语料、运行 agentic 评测赛道，让使用工具（list_assets、search_transcript、read_transcript、sample_frames、submit_answer）的模型在预算内提交答案，并查看 Recall@1/5 与平均时间 IoU 指标；也可基于 examples/custom_agent.py 模板实现自定义智能体，或通过 momentbench.agentic.model.AgentModel 接入其他模型提供方。
★ 2 · 开发框架
原文发布：未知收录：2026-10-12
工具
Yacine-ai-tech/RAGeval · Drop-in LLMOps evaluation & observability library — multi-judge consensus with disagreement alarm, 5 composite metric scorers, bootstrap confidence intervals, and OpenTelemetry tracing. PyPI: omnismart-rageval.
RAGeval 是一个自托管的 LLMOps 评测与可观测性库，面向 RAG 管线。它提供多评委共识评分与分歧告警、检索相关性、忠实度、成本与时延等指标，并支持 FastAPI、LangChain 等框架的装饰器方式接入。项目包含仪表盘用于查看实时共识遥测、查询日志、成本报告和告警。
展开详情收起详情：RAGeval：多评委共识的 RAG 管线评测与可观测性工具⌄
程序员在开发 RAG 管线时，通过装饰器接入评测与可观测性，查看检索相关性、忠实度、成本与时延指标，并利用多评委共识评分和分歧告警排查回答质量问题。
★ 0 · 可直接使用的工具
原文发布：未知收录：2026-10-09
工具
egnaro9/rag-eval-lab · RAG pipeline with no third-party dependencies and a deterministic eval harness that catches hallucinations (precision@k, recall@k, citation, faithfulness), proven in CI. Optional OpenAI + pgvector backends.
一个纯 Python 标准库实现的 RAG 参考项目，覆盖 ingest→chunk→embed→store→retrieve→answer 全流程，并配有确定性评测框架（precision@k、recall@k、citation、faithfulness）。其核心价值在于用闭式指标（非 LLM 评判）检测幻觉：预埋的幻觉样例会被 faithfulness 指标标记，并由 CI 持续验证。支持 bm25、hybrid、reranker 等可插拔检索策略，并在 SciFact 基准上给出实测对比；可选接入 OpenAI 嵌入/回答与 Postgres+pgvector 存储后端。
展开详情收起详情：rag-eval-lab：零依赖 RAG 流水线与确定性幻觉评测工具⌄
程序员作为程序员构建和评测 RAG 系统的参考实现：提供 ingest→chunk→embed→store→retrieve→answer 全流程，以及确定性评测框架（precision@k、recall@k、citation、faithfulness），可在 CI 中持续验证幻觉检测，并支持 bm25、hybrid、reranker 等可插拔检索策略。
★ 0 · 开发框架
原文发布：未知收录：2026-10-09
工具
withmartian/code-review-benchmark
该项目提供评估 AI 代码审查工具的开源基准，包含数据集、LLM 评委和完整流水线。离线基准使用来自 Sentry、Grafana、Cal.com、Discourse、Keycloak 五个开源项目的 50 个 PR 与人工核验的 173 条 golden comments；在线基准持续从 GitHub 采样近期真实 PR，通过 LLM 三步分析提取机器人建议与开发者实际修复并做匹配，输出精确率与召回率。支持按类别评分配置（Strict/Core/All）与 F-beta 权重，并附交互式仪表盘，可复现结果或评测自有工具。
展开详情收起详情：Code Review Bench：开源 AI 代码审查工具评测基准⌄
程序员程序员可用该开源基准评测 AI 代码审查工具：离线基准用 50 个 PR 与 173 条人工核验的 golden comments，通过 LLM 评委匹配工具评论，输出精确率与召回率；也可按文档将自有工具加入评测（fork 基准 PR、触发工具、运行流水线），并查看交互式仪表盘结果。
★ 284 · 开发框架
原文发布：未知收录：2026-10-08
工具
review-bench/ReviewBench · ReviewBench is an open, reproducible benchmark for evaluating AI code review systems on real-world pull requests.
ReviewBench 是一个开放、可复现的基准，用于在真实 GitHub Pull Request 上评估 AI 代码评审系统。它为每个 PR 提供经人工评审的金标准发现问题集合，将代理发现的问题与该参考集对比，衡量其识别有效问题并避免误报的可靠性，结果还可按严重程度和类别等维度查看。仓库包含 25 个 PR 的测试集、219 个 PR 的完整集、金标准发现、方法论文档、代理契约与示例适配器、本地测试脚本以及评审 CLI，允许评审工具厂商通过自助门户将其评审器接入排行榜。
展开详情收起详情：ReviewBench：评估 AI 代码评审系统的开源可复现基准⌄
程序员程序员可将自己的 AI 代码评审代理接入 ReviewBench，在真实 GitHub Pull Request 上评估其识别有效问题、避免误报的可靠性，并按严重程度和类别查看结果。
★ 32 · 可直接使用的工具
原文发布：未知收录：2026-10-08
工具
metrum-ai/bench-cli · Reproducible load and performance benchmarking for AI inference endpoints
Metrum AI Bench CLI 是 Apache-2.0 许可的 Rust 命令行工具，用于对 OpenAI 兼容的 LLM、VLM、ASR 和图像生成端点做负载与性能测量，可采集延迟、TTFT、ITL/TPOT、token 吞吐、RTFx 与 WER/CER 等指标。它以客户端形式运行，需要用户自备 vLLM、vLLM-Omni 等推理服务；支持通过 SUT 声明块和结果清单生成可发布的基准结果，并可从 Hugging Face 的 metrum-ai/prompt-library 提取指定 ISL/OSL 分布的提示词集。
展开详情收起详情：Metrum AI Bench CLI：面向 OpenAI 兼容推理端点的可复现负载与性能基准测试工具⌄
程序员对 OpenAI 兼容的 LLM、VLM、ASR 和图像生成推理端点进行可复现的负载与性能基准测试，采集延迟、TTFT、ITL/TPOT、token 吞吐、RTFx 与 WER/CER 等指标，用于推理服务的性能验证与容量规划。
★ 2 · 可直接使用的工具
原文发布：未知收录：2026-10-07
工具
joshuabisdorf/Secure-AI-Gateway · Security-focused OpenAI-compatible LLM gateway with centralized policy enforcement, distributed controls, observability, and hardened deployment.
Secure AI Gateway 是一个以安全为核心的 OpenAI 兼容 LLM 网关和控制平面，集中处理认证、授权、限流、用量预算、PII 检测与脱敏、提示注入拦截、工具暴露与执行授权、审计日志、可观测性和安全回归测试。它基于 PostgreSQL 和 Redis/Valkey 提供分布式状态与一次性执行票据，附加强化的 Docker/Kubernetes 部署配置和可选的 AWS 参考架构，并提供无需付费云资源和真实模型调用的本地演示与验证流程。
展开详情收起详情：Secure AI Gateway：面向 LLM 应用的安全控制平面与 OpenAI 兼容网关⌄
程序员作为 OpenAI 兼容的 LLM 网关，程序员可在开发 LLM 应用时集中接入认证、授权、限流、用量预算、PII 检测与脱敏、提示注入拦截、工具暴露与执行授权、审计日志和可观测性，并通过本地演示与验证流程进行安全回归测试。
★ 2 · 可直接使用的工具
原文发布：未知收录：2026-10-07
工具
facebookresearch/textseal · Codebase for generation-time and post-hoc text watermarking, as well as watermark radioactivity detection.
Text Seal 是 Meta 开源的文本水印工具包，覆盖三条技术路线：TextSeal 双密钥生成阶段水印（支持投机解码与局部检测）、通过 LLM 改写实现的后处理水印（Green-list/Red-list、Gumbel-max、DipMark、SynthID、MorphMark、WaterMax 等方案），以及基于「水印放射性」的基准数据污染检测。仓库同时提供分布式预训练与 SFT 训练基础设施，并支持污染注入以开展研究实验，可用于内容溯源验证、数据集污染检测与水印算法研究。
展开详情收起详情：Text Seal：LLM 文本水印生成、后处理与污染检测工具包⌄
程序员在开发 LLM 应用时，使用 TextSeal 的 Python API 或 CLI 对生成的文本进行水印生成与检测，用于内容溯源验证；也可用于数据集污染检测实验，判断评测基准是否被包含在训练数据中。
★ 71 · 开发框架
原文发布：未知收录：2026-10-07
工具
alizahidraja/isnad · Grade every agent, scraper and model in a claim's chain — provenance, trust scoring and audit evidence for LLM pipelines
ISNAD 是一个 Python 开源库，借鉴圣训传述学（isnād–rijāl）框架，为 RAG 和多智能体系统提供 LLM 溯源能力。它不只评估结论，还对每个处理声明的“传述者”（scraper、agent、model）打信任分级，按最弱环节（weakest-link）传播判断，并结合内容批评与决策矩阵，把声明路由为采用、复核或隔离。每次判定都会生成带 SHA-256 哈希、分离签名和 Merkle 日志的防篡改审计记录，映射到 EU AI Act、ISO/IEC 42001、NIST AI RMF 和 SDAIA 等合规框架。项目提供 Python 包、JS/TS 验证器和 LangChain 回调集成。
展开详情收起详情：ISNAD：为 LLM 管线提供溯源、传递链信任评级与防篡改审计⌄
程序员在 RAG 或多智能体管线中为每个处理声明的 scraper、agent、model 打信任分级，按最弱环节传播判断，并将声明路由为采用、复核或隔离；同时生成带 SHA-256 哈希、分离签名和 Merkle 日志的防篡改审计记录，用于合规审查。
★ 42 · 开发框架
原文发布：未知收录：2026-10-06
工具
KerberosC/gemini-bug-hunter · 🛡️ Discover and fix security vulnerabilities in your codebase with Gemini Bug Hunter, an AI-powered CLI tool for streamlined AppSec workflows.
Gemini Bug Hunter 是一个 AI 优先的命令行工具，利用 Gemini 2.5 Flash 扫描代码库，识别并解释安全漏洞，并给出修复建议，帮助开发者完成应用安全（AppSec）工作流。它支持对指定目录执行扫描、生成详细报告，并提供跨平台（Windows、macOS、Linux）的使用方式。仓库未说明 API 调用成本、具体漏洞覆盖范围或与现有工作流的集成细节。
展开详情收起详情：gemini-bug-hunter：基于 Gemini 的命令行代码安全漏洞扫描与修复建议工具⌄
程序员使用命令行扫描指定代码目录，识别并解释安全漏洞，获取详细报告和修复建议，辅助代码审查与安全排错。
★ 0 · 可直接使用的工具
原文发布：未知收录：2026-10-06
工具
jianruntech/geo-score · Can AI engines cite your site, and do they? Free 0–100 readiness score on an open GEO rubric, plus citation tracking via the OpenAI, Perplexity, Gemini and Claude APIs with your own keys. Zero dependencies, MCP server.
geo-score 是一个基于开放且版本化 GEO（生成式引擎优化）评分标准的网站审核工具，可在约 20 秒内给出 0–100 的 AI 可引用性评分，覆盖可抓取性、可理解性、内容可引用性、品牌可信度和答案契合度等 21 项分级检查。它还提供通过自带 API 密钥（OpenAI、Perplexity、Gemini、Anthropic、OpenRouter）向 AI 引擎提问以检查引用情况的能力，并支持按固定问题集每周追踪引用变化，同时提供本地 MCP 服务器与 Claude Code 技能接入。
展开详情收起详情：geo-score：网站被 AI 引擎引用能力的开放评分与引用追踪工具⌄
程序员通过本地 MCP 服务器或 Claude Code 技能接入，让编程助手对网站执行 AI 可引用性评分、向 AI 引擎提问检查引用情况，并按固定问题集每周追踪引用变化。
产品经理用 0–100 的 AI 可引用性评分和 21 项分级检查审核网站，识别可抓取性、可理解性、内容可引用性、品牌可信度和答案契合度方面的差距，并追踪 AI 引擎引用情况。
★ 618 · 可直接使用的工具
原文发布：未知收录：2026-10-02