OriginTrace：用 AI 检测 DEV 社区文章被抄袭

这是我为以下挑战提交的作品：Sanity Challenge，路径一：交付一个能查询真实内容的智能体

我构建了什么

几周前，我在查看我的 DEV.to 仪表盘时，注意到一个奇怪的现象，就在流量来源面板里。浏览量来自一些我从未听说过的网站——随机的博客、内容农场、我从未访问过、更别说发布过内容的网站。

于是我点了进去。果然：我的文章，一字不差地出现在别人的网站上。有些标注了出处。大多数没有。

那一刻的“等等，这是……被盗了吗？”是每个内容创作者最终都会遇到的。但要判断一次转载究竟是真正的抄袭，还是带署名的合法交叉发布，却出奇地困难。你得手动比对文本，检查他们是否提到了你的名字，看看他们是否加了回链。如果没加呢？那就祝你能从零开始起草一份 DMCA 通知吧。

OriginTrace 把这一切都自动化了。

它是一个 AI 驱动的内容溯源智能体，具备三项核心能力：

1. 🔍 扫描器——粘贴任意 DEV.to 文章 URL。OriginTrace 会提取具有辨识度的短语，通过 Google（Serper API）搜索整个网络，抓取最多 15 个候选页面，并运行多信号重叠分析（词重叠、5-gram 切片、LCS 比率）来判断它们是否抄袭了你的内容。

2. ⚖️ 裁决引擎——对于发现的每一处抄袭，OriginTrace 不会只说“匹配上了”。它会检查结构化的署名证据：抄袭内容是否提到了原作者的名字？是否链接回原始文章？是否使用了诸如“via”或“originally published on”之类的署名短语？基于这些布尔信号，它会给出裁决：credited_syndication（合法，无需处理）或unattributed_repost（该发 DMCA 了）。

3. 💬 Sanity AI 智能体——这是路径一提交作品的核心。一个完全由以下驱动的对话式 AI 智能体：Sanity Knowledge Base 和 Context MCP。它让你可以对话你的溯源数据。问它：“哪个抄袭者的重叠度最高，却仍然给我署了名？”或者“为最恶劣的侵权者起草一份 DMCA 下架通知。”该智能体会动态查询 Sanity 中的结构化内容，并给出可操作、有来源支撑的答案。

每篇文章、每次来源检查、每个署名信号以及每个 DMCA 模板，都以结构化 JSON 文档的形式持久化存储在 Sanity 的 Content Lake 中——形成一份不可变、可查询的账本，记录谁抄袭了什么、何时抄袭，以及是否注明了出处。

演示

🔗在线应用:origintrace.onrender.com

📺视频演示:

要测试 Sanity AI 智能体：
（注意：为获得最佳体验，请先在首页扫描一篇 DEV.to 文章，这样 Sanity 知识库中就有你的结构化数据可供查询！）
访问origintrace.onrender.com/chat并尝试提问：

• “哪篇文章的重叠百分比最高？”
• “排名第一的抄袭者是否注明了原作者？”
• “为最严重的侵权者起草一份 DMCA 下架通知。”

AI 智能体通过 Context MCP 查询 Sanity，并以透明的“智能体思考”区块展示其推理过程。

结构化响应：智能体分析了来自 Sanity 的布尔型署名字段，渲染出裁决表格，并得出结论认为无需发出 DMCA，因为抄袭内容已正确注明了作者。

扫描器首页——粘贴一个 DEV.to URL，程序化流水线便会爬取网络寻找抄袭副本。

活跃网络爬取期间的实时动画雷达扫描器。

扫描结果包含重叠百分比、署名裁决和 DMCA 生成——全部由 Sanity 提供支持。

代码

我如何使用 Sanity

核心论点：这个智能体之所以能工作，只是因为内容是有结构的

OriginTrace 的 AI 智能体不做关键词搜索。它查询类型化字段在 Sanity 中——布尔值、整数、枚举和字符串数组——来回答那些用非结构化文本不可能回答的问题。

这里有一个具体的例子。当用户问：

"哪个抄袭者的重合度最高，却仍然标注了原作者？"

该智能体连接到Sanity Context MCP并查询 Content Lake。它需要：

1. 筛选provenanceCheck满足以下条件的文档verdict != "no_match"
2. 按overlapPercent（一个数字字段）降序排序
3. 检查attribution.hasAuthorName（一个布尔值）和attribution.hasOriginalLink（一个布尔值）
4. 读取attribution.signals（一个字符串数组），以获取找到的确切署名条目

世界上没有任何关键词搜索能回答这个问题。答案需要将一个数字与布尔值跨多个文档进行比较。这就是结构化内容重要的原因。

Sanity Schema 设计

四种文档类型支撑起一切：

article—— 权威的事实来源。当用户扫描一个 DEV.to URL 时，流水线会抓取该文章，提取其内容，并将其持久化到 Sanity 中，同时引用其author。这确立了来源声明。

provenanceCheck—— 证据记录。在网络上发现的每个候选副本都会有自己的检查文档，其中包含：

• overlapPercent（数字）—— 来自多信号 NLP 引擎的相似度分数
• verdict（枚举）——credited_syndication，unattributed_repost，或no_match
• attribution（对象）—— 结构化布尔值：hasAuthorName，hasOriginalLink，hasAttributionPhrase，isProperlyAttributed，外加signals[]和missing[]数组
• dmcaTemplate（文本）—— 预生成的法律下架通知
• reconciledEntries（数组）—— 原文与副本之间匹配的段落

author—— 被文章引用，包含name和handle用于归因匹配。

user—— 账户级文档，包含email，authId，以及avatarUrl用于未来的按用户门控。

Sanity Context MCP 集成

AI 智能体通过AI SDK（@ai-sdk/mcp使用 HTTP 传输）连接到 Sanity Context MCP。在运行时，该智能体：

1. 调用initial_context以获取知识库大纲
2. 使用groq_query动态编写并执行针对 Content Lake 的 GROQ 查询
3. 解释结构化的 JSON 结果（布尔值、数字、数组），以形成人类可读的答案
4. 在其回答中引用源文档

// 1. 连接到 Sanity Context MCP
const mcpClient = await createMCPClient({
  transport： {
    type： 'http'，
    url： SANITY_CONTEXT_ENDPOINT，
    headers： { Authorization： `Bearer${mcpToken}` }，
  }，
});

// 2. 获取 MCP 工具并与我们自定义的 scan_article 动作工具合并
const mcpTools = await mcpClient。tools();
const tools = { ...mcpTools， scan_article： scanArticleTool };

// 3. 使用 NVIDIA NIM 流式输出响应，并注入 Sanity 工具
const result = streamText({
  model： nim。chatModel('nvidia/nemotron-3.5-lightning-30b-a3b'),
  tools，
  messages，
  system： agentSystemPrompt，
});

预取的结构化上下文（不只是 MCP）

在智能体开始推理之前，后端会运行一个专用fetchSanityContext()函数，直接对 Sanity 执行 GROQ 查询，构建所有已索引文章及其来源校验的结构化快照——包括每篇文章的可操作数与计入数的细分、归属布尔值、重叠百分比以及平台聚合统计。这个预取的上下文会被注入到智能体的系统提示中，使其能够即时回答摘要类问题（"有多少篇文章已被扫描？"），而无需消耗一次 MCP 往返。

智能体实际如何处理检索到的内容

Sanity 项目详情

Sanity 项目 ID：iossngh3
数据集：production

该 schema 以 TypeScript 定义于sanity/schemas/——核心文档是provenanceCheck.ts及其嵌套的attribution对象，其中包含布尔证据字段。

智能体会话

该项目在挑战期内通过多次智能体辅助的 IDE 会话迭代构建。README包含智能体架构、schema 设计决策以及完整流水线流程的全面技术解析——包括展示每个组件如何连接的 ASCII 架构图。

技术亮点

⚡ 借助 NVIDIA NIM 实现闪电般快速的智能体推理

使用工具（如 Sanity Context MCP）的 Action Agents 在最终回复用户之前需要多轮“思考”循环。如果底层 LLM 速度慢，聊天体验就会感觉像坏了一样。

为了解决这个问题，OriginTrace Agent 由NVIDIA NIM驱动，具体运行的是Nemotron 3.5 Lightning模型。这提供了摄取复杂 Sanity JSON 负载所需的大规模上下文窗口，同时提供实时工具调用所需的超低延迟。

🧠 自定义多信号重叠引擎

我们不想仅仅依赖基础的关键词匹配。OriginTrace 在 TypeScript 中实现了一个强大的 NLP 引擎，能够抵御常见的抄袭混淆手段（如删除句子或替换同义词）。它通过加权三重算法计算总体overlapPercent得分：

1. 词重叠（20%）：共享词汇的 Jaccard 相似度。
2. 5-Gram 切片（50%）：通过匹配重叠的 5 词片段来检测结构相同的段落。
3. 最长公共子序列 / LCS（30%）：通过查找最长的连续相同字符串来处理重排序和插入词。

未来增强（超越黑客松）

OriginTrace 目前是在黑客松范围内构建的功能完整的原型。AI Agent 和 Sanity Ledger 目前处于Beta阶段，作为一个全球公共账本（类似于区块链浏览器）运行，任何人都可以查询所有已扫描的 DEV.to URL。

以下是未来路线图：

• 🔐 用户认证：添加 NextAuth/JWT，使每位作者拥有私有仪表板和个人 AI Agent 会话，仅查询其特定的来源数据。
• 🌐 多平台支持：将扫描器扩展到索引 Hashnode、Medium 和个人博客。
• 📬 自动监控：基于 Cron 的定时扫描，在出现新的盗用副本时主动提醒作者。
• 🤖 改写检测：用 LLM 嵌入升级 NLP 引擎，以捕获规避传统词重叠算法的“改写”内容。

技术栈

感谢阅读！如果你曾在自己没有发布过的网站上看到自己的内容，OriginTrace 就是为你而生的。🛡️