粘贴一段论证文本，AI 自动分析论证结构，高亮标注其中的逻辑谬误——稻草人、滑坡、因果混淆、诉诸人身……每种谬误都配以解释和修正建议，让批判性思维触手可及。
从论文被批"论证不严谨"到辩论中被对方谬误带偏，逻辑能力的缺失无处不在。
常见的逻辑谬误就有20多种——稻草人、滑坡、因果混淆、诉诸人身……普通人根本记不全，更别提在阅读中准确识别。
导师只说"论证有问题"，同事只说"感觉不太对"，但没人能具体指出"这是哪种谬误、在第几句"。没有精准反馈就无法改进。
逻辑学教科书给的例子都是精心设计的理想案例，遇到真实文章中的复杂论证就懵了，理论无法落地到实践。
新闻报道、广告文案、自媒体评论中充斥着逻辑谬误，缺乏识别能力就容易被动接受有偏见的结论。
辩论赛中直觉感到对方论证有漏洞，但说不出"这是XX谬误"的专业名称和反驳逻辑，错失反击机会。
写完论文或评论文章后想自查逻辑是否严密，但没有任何工具能自动检测，只能凭感觉——而感觉往往不可靠。
粘贴或输入一段论证文本，AI 会高亮标注谬误位置并给出详细解释和修正建议。
从文本输入到谬误标注，从结构可视化到修正建议，覆盖论证分析的完整链路。
覆盖稻草人、滑坡、因果混淆、诉诸人身、以偏概全、循环论证、虚假两难、红鲱鱼等25种以上逻辑谬误，精准分类标注。
在原文中精确高亮谬误出现的位置，用不同颜色区分谬误严重程度（红色=严重谬误，琥珀色=存疑，青绿色=论证有效）。
每个标注的谬误都附带"为什么这是谬误"的解释和经典案例对照，让用户在实操中学习逻辑学知识。
自动提取"前提→推理→结论"的论证结构，生成流程图展示论证链条，帮助用户看清论证全貌。
针对每个谬误提供具体的修正建议——如何替换前提、如何补充证据、如何重构推理，给出可操作的改进方向。
基于前提可靠性、推理有效性和结论充分性三个维度，给出0-100的逻辑强度评分，量化论证质量。
从论文自查到辩论备战，从新闻素养到教学辅助。
研究生小张写完论文第三章的论证部分后，粘贴进工具自查，发现两处"因果混淆"和一处"以偏概全"，根据修正建议调整后，导师反馈论证质量明显提升。
辩论队队长赛前把对方一辩稿粘贴进工具，AI标注出3处逻辑谬误——稻草人、滑坡和虚假两难，据此准备了精准的反击话术。
高中生小李在社交媒体看到一篇观点犀利的评论文章，觉得有道理但隐约感觉不对。用工具一分析，果然发现了"诉诸人身"和"选择性证据"两个谬误。
逻辑学教师在课堂上用工具实时演示谬误识别，学生从自己的写作样本中学习，比背诵教科书定义的理解深度提高3倍。
NLP语义分析引擎驱动，多层模型协同完成谬误检测。
使用 NLU 模型（基于 BERT 微调）自动识别文本中的前提、推理和结论，构建论证语义图，为后续谬误检测提供结构基础。
结构化存储25+种逻辑谬误的形式化定义、触发模式和判定规则，涵盖形式谬误和非形式谬误两大类别。
对规则难以覆盖的复杂非形式谬误（如模糊定义、情感操纵），调用大语言模型进行语义推理和上下文判断。
规则引擎、BERT分类器、LLM推理三路结果取交集投票，降低误判率。高置信度结果直接标注，低置信度结果标记"存疑"。
基于论证语义图自动生成前提→推理→结论的流程图，用不同颜色标注有效推理和谬误环节，直观展示论证全貌。
根据谬误类型和上下文，生成2-3条可操作的修正建议——如"补充对照实验数据""明确因果链条""区分相关与因果"等。
让批判性思维从抽象概念变成可操作的文本分析能力。