Censor攻略：和词库、人工审核怎么配
Censor攻略的重点不在于找一个万能审核器，而在于弄清它和敏感词库、人工审核、通用大模型各自该做什么。不同方案的漏审位置完全不同：词库怕变体，模型怕误判，人工怕规模。本篇用问答横向比较，给出能直接落地的组合思路。
问：Censor和传统敏感词库谁更强？
传统词库胜在确定性：命中什么、为何命中、如何修改，都很清楚；响应也快，适合手机号、链接、违禁品名称等硬规则。它的短板是用户稍微拆字、换拼音或改用谐音，规则就得追着补。
Censor类语义审核更擅长理解“这句话在做什么”，例如隐晦导流、诱导交易或攻击性表达。但它输出的是概率判断，边界内容会波动。最稳的组合不是二选一，而是词库挡硬风险，语义层筛灰区。
问：Censor和人工审核比，差距在哪？
人工审核能看懂社区语境、作者历史和事件背景，也能处理申诉；这些正是自动化最薄弱的地方。但人工速度和一致性有限，同一条模糊内容换两位审核员，结论可能不同，高峰期还会积压。
因此Censor更适合做前置分流：低风险快速放行，高风险优先拦截，中风险交给人工。人工审核不该被取消，而应从重复阅读里抽出来，专门处理争议、抽检和规则校准。
问：Censor和通用大模型审核该怎么选？
通用大模型适合临时分析复杂案例、生成审核理由或辅助归类，但输出格式、稳定性、数据边界都需要额外控制。把它直接放在高并发发布链路，成本和延迟往往不好预测。
专用Censor服务通常在接口、分类标签、阈值和审计上更贴近生产环境。若业务需要固定的审核类别和稳定响应，优先选专用能力；若规则变化快、案例解释要求高，再让大模型作为人工审核的辅助工具。
推荐阅读
常见问题
Censor攻略里最推荐的组合是什么？
常见且稳妥的组合是：本地词库拦截确定性风险，Censor语义能力筛查变体和灰区，人工审核处理高价值内容与申诉，再用抽检数据持续调整规则。
能不能只靠Censor自动审核，不配人工？
低风险、规则单一的场景可以接近全自动，但仍应保留抽检和申诉入口。涉及创作、交易、医疗或未成年人内容时，不建议取消人工复核。
Censor上线后先优化漏审还是误杀？
看风险类别。诈骗、隐私泄露优先压低漏审；内容社区和知识平台优先控制误杀。把不同类别设成不同阈值，比统一调严更合理。