同一句话可以是认同、嘲讽或批判：阴谋论检测的意图推断难题

想象你在社交媒体上看到一条帖子："地球是平的，NASA 一直在骗我们。"

这是一个阴谋论吗？如果发帖人是认真的，是的。但如果他是在嘲讽阴谋论者呢？如果他在一个讽刺讨论组里发这条，配了一张地平说 meme 图呢？

同一个表面内容，可能表达认同、合理担忧、批评、讽刺或嘲弄。只看文字内容无法区分——这正是阴谋论检测的核心难题。

希伯来大学的 Klein、Shapira 和 Hirsch 在《Agentic Detection of Online Conspiracies》中提出了一个解决方案：不要只分析文字，要推断说话者的意图。

言语行为理论的回归

这篇论文的理论根基是 1962 年 Austin 的言语行为理论：一句话不只是描述事实，它还在做事——认同、质疑、嘲讽、说服。同一个命题"疫苗有害"，可以是：

• 认同：说话者真的相信疫苗有害
• 合理担忧：对疫苗安全性有基于证据的疑虑
• 批评：反对反疫苗叙事
• 讽刺：用反话嘲讽反疫苗者
• 嘲弄：模仿阴谋论者的话来取笑他们

传统分类器只看文字内容，把所有提到"疫苗有害"的帖子都标记为阴谋论。这就像把所有提到"火"的人都当成纵火犯——有人是在喊"着火了"，有人是在讨论消防安全，有人是在讲笑话。

智能体框架：工具增强的意图推断

作者构建了一个基于 LangGraph 的智能体框架，核心思路是：不只看文字，还要查询上下文。智能体可以按需调用三类工具：

用户历史工具：查询发帖者的历史行为。这个人以前发过什么？他经常讽刺吗？他关注什么话题？

社交网络工具：查询发帖者的社交关系。他关注谁？谁关注他？他在什么社群里？

帖子上下文工具：查询这条帖子的对话线程。这是回应谁？讨论的起点是什么？

智能体的工作流程是：先读帖子，判断是否需要更多上下文；如果需要，选择合适的工具查询；根据查询结果更新判断；可能再查一轮；最后给出分类。

这和人类判断的方式一致：我们看到一句话不确定意思时，会去看这个人的主页、看他在回复谁、看他的粉丝群体。

关键发现：上下文的价值

实验结果揭示了几个有意思的现象：

整体提升显著。纯文本 LLM 的 F1 只有 0.535，完整智能体框架达到 0.73——提升了 37%。但更有意思的是细节：

用户历史是最有价值的单一工具。只用用户历史（F1=0.698）比把所有上下文一次性塞给模型（F1=0.670）还好。这说明智能体按需查询比信息轰炸更有效——模型不需要所有信息，它需要的是在正确时刻获取正确信息。

上下文有时反而有害。78% 的智能体错误是假阳性——它把非阴谋论误判为阴谋论。作者指出："有时候文字应该按字面意思理解，不完整或过度依赖上下文可能扭曲解读。"

双智能体辩论效果最差。让两个智能体辩论后给出判断（F1=0.558），只比纯文本好一点。辩论框架引入了更多噪声而非更多洞察。

"对抗性"数据集的挑战

作者特别强调他们的数据集是"对抗性"的——非阴谋论样本中包含了大量表面语言和阴谋论相似的帖子（讽刺、嘲弄、批评）。这更接近真实场景。

在简单数据集上（阴谋论和正常帖子区分明显），纯文本分类器就能做得很好。但在真实世界中，难的不是识别"地球是平的"这种明显阴谋论，而是区分"地球是平的（认真）"和"地球是平的（讽刺）"。

完整智能体在对抗性数据集上的假阴性从 58 降到 30，假阳性从 142 降到 76。上下文帮助识别了两类错误：既帮助确认了真正的阴谋论，也帮助排除了表面相似但非阴谋论的帖子。

Token 经济：智能体 vs 信息轰炸

作者做了一个有趣的"token 经济"分析：智能体框架和"把所有上下文一次性给模型"相比，谁的性价比更高？

结果：智能体框架用更少的输入 token 达到了更好的效果。按需查询避免了无关信息的干扰，也节省了计算成本。这和"判断-闸门解耦"的思路一致——先判断需要什么信息，再获取什么信息，比一股脑全给更有效。

我的看法

这篇论文的核心洞察是：内容分类需要意图推断，意图推断需要上下文，上下文获取需要智能体。这不是简单的 RAG——RAG 是"检索相关信息补充到 prompt 里"，智能体是"主动判断需要什么信息、去哪里找、找到后怎么用"。

78% 的错误是假阳性这个发现值得深思。它说明模型在面对模糊内容时倾向于"有罪推定"——宁可错杀不可放过。这和人类审核员的偏差一致：当你被告知"找出阴谋论"，你会对任何可疑内容都提高警惕。但正确的做法应该是"无罪推定"——除非有足够上下文证明是阴谋论，否则按字面意思理解。

双智能体辩论效果最差这个发现也值得记住。两个智能体辩论不是"两个专家讨论"，更像是"两个固执的人吵架"——它们会强化自己的立场而非收敛到正确答案。这和 Milgram 权威服从实验的跨域类比一致：多智能体系统不是自动比单智能体好，关键在于交互结构设计。

论文：Klein, E., Shapira, B., & Hirsch, L. (2026). Agentic Detection of Online Conspiracies. arXiv:2609.30250
链接：https://arxiv.org/abs/2609.30250