khansavaleria/likelihoodlum

# 🎲 likelihoodlum - 轻松分析 GitHub 代码作者身份 [](https://github.com/khansavaleria/likelihoodlum) ## 📋 关于 likelihoodlum likelihoodlum 帮助您判断 GitHub 仓库中的代码是否可能由 AI 语言模型编写。它使用多种检查方式，例如提交速度、会话模式、突发检测、消息风格和整体项目一致性。结果是一个介于 0 到 100 之间的分数，显示代码由 AI 生成的可能性。 您无需安装任何软件依赖。此应用程序可在 Windows 上运行，无需技术设置。 ## 🔍 功能特性 - 基于真实提交和消息数据的 **AI 检测评分** - **零依赖：** 开箱即用 - 通过链接或本地文件夹**分析 GitHub 仓库** - **快速且轻量** 的工具，无需复杂设置 - 按编码会话和提交突发**细分结果** - **无需编程技能** 即可使用 ## 💻 系统要求 - Windows 10 或更高版本（推荐 64 位） - 2 GB 或更多的可用 RAM - 100 MB 的可用磁盘空间 - 需要互联网连接以下载和扫描公共 GitHub 仓库 - 无需额外软件 ## 🚀 快速入门 按照以下步骤在 Windows 计算机上下载、安装和运行 likelihoodlum。 ## 1. 下载 likelihoodlum 点击下方的大绿色按钮或访问官方 GitHub 页面以获取最新版本。 [](https://github.com/khansavaleria/likelihoodlum) 您将被带到 GitHub 上的项目页面。 ## 2. 访问下载文件 在 GitHub 页面上，查看右侧或主菜单中的 “Releases” 部分。 - 点击 “Releases” 以找到可供下载的最新版本 likelihoodlum。 - 如果已列出，请选择 Windows 安装包（.exe 文件）。 如果没有直接的安装程序，请下载包含应用程序的 ZIP 文件并将其解压： - 右键点击 ZIP 文件 - 选择 “Extract All”（解压所有） - 选择一个文件夹，例如您的桌面 ## 3. 在 Windows 上运行 likelihoodlum 下载后，请按照以下步骤操作： - 在您的下载或解压文件夹中找到 likelihoodlum.exe 文件 - 双击该文件以启动程序 - 您可能会看到 Windows 安全提示。点击 “Run”（运行）或 “Allow”（允许）以继续 程序将在命令窗口或简单的界面中打开，等待您的输入。 ## 4. 如何使用 likelihoodlum 以下是运行首次分析的简单指南： - 打开 likelihoodlum - 输入您要分析的 GitHub 仓库的 URL（例如，https://github.com/username/repo） - 如果界面显示该选项，请按 Enter 键或点击 “Start”（开始） - 等待片刻，让 likelihoodlum 获取并分析数据 - 查看最终分数，范围从 0 到 100 低分表示代码可能由人类编写。高分则暗示是 AI 生成的代码。 ## 🔧 likelihoodlum 检查什么？ likelihoodlum 使用以下方法分析数据： - **提交速度：** 会话期间提交发生的速度 - **会话分析：** 编码时间和休息的模式 - **突发检测：** 提交活动的突然激增 - **提交消息风格：** 消息的相似性和独特性 - **项目规模合理性：** 整个项目中代码和提交流程的一致性 该工具将这些因素综合成一个最终分数。 ## 🛠️ 故障排除 如果 likelihoodlum 无法启动或立即关闭： - 确保您拥有正确的 Windows 64 位版本 - 确认您的杀毒软件没有阻止该应用程序 - 以管理员身份运行程序：右键点击文件并选择 “Run as Administrator”（以管理员身份运行） - 检查您的互联网连接是否正常 如果在扫描过程中出现错误： - 仔细检查 GitHub URL 是否正确且为公开状态 - 尝试先分析较小的仓库以确保连接稳定 ## 🌐 更多资源 如需支持和更新，请访问 GitHub 页面： [https://github.com/khansavaleria/likelihoodlum](https://github.com/khansavaleria/likelihoodlum) 查找文档、问题报告和最新发布说明。 ## 📁 其他提示 - 保存分析过的仓库 URL 以比较不同的项目 - 定期使用 likelihoodlum 以发现代码作者身份随时间的变化 - 与合作者分享评分以获取团队见解 [](https://github.com/khansavaleria/likelihoodlum)

标签：AI生成检测, DNS枚举, GitHub分析, Git提交模式, IP 地址批量处理, SEO工具, Windows应用程序, 云安全监控, 代码溯源, 便携软件, 大语言模型检测, 机器学习检测, 源代码分析, 编程行为分析, 网络安全工具, 零依赖, 静态分析