← 返回重点项目
查看 GitHub 项目

ShadowAqueduct/watermark-remover

一句话定位

多厂商 AI 来源标记的统一剥离工具——用三层架构（Layer A 确定性 Python 清 Unicode 隐藏字符 / Layer B agent rewrite 处理 SynthID/Kirchenbauer 等统计 token 签名 / Files 清 C2PA/EXIF/XMP 元数据），覆盖 Claude/Gemini/OpenAI/open-LLM 四大类 AI provenance 标记，以 agent skill + Python stdlib service 形态分发，面向你自己拥有的内容。

它解决的问题

随着 AI 内容标识技术普及（C2PA 标准、Google SynthID-Text、OpenAI provenance 标记、open-LLM 方案 Kirchenbauer green-list / Aaronson EXP 等），AI 生成内容被嵌入多种来源追踪标记——Unicode 隐藏字符、统计 token 分布签名、文件元数据 manifests。用户对自己拥有的内容上的这些标记有合法清除需求（隐私保护 / 内容再利用 / 跨平台迁移），但现有工具分散在各个厂商的生态中：exiftool 清元数据、各 detector 各自为战、缺乏"agent skill 形态"的统一入口。watermark-remover 解决的是：提供一个统一的、多层的、Agent Skill 格式的 AI provenance 标记管理工具。

为什么值得关注（2026-08-25）

热度来源判断

watermark-remover 的热度来自 "AI 来源标记普及 × 用户反向需求 × agent skill 形态降低门槛" 的组合：(1) C2PA / SynthID 等来源标记在 2026 年加速普及，用户对自己写过的内容被嵌入隐藏水印的反感情绪强烈；(2) 现有工具分散（exiftool / 各 detector），缺乏统一入口；(3) agent skill 形态让"清除水印"成为一个可被 Claude Code / Codex 直接 install 的 skill，与 8-24 的"skill 单点化 × 完整工作流"趋势一致。三点叠加在 2 天内拿到 768⭐。主要风险： "清除来源标记"在某些司法管辖区可能与"内容真实性保护"法规冲突；agent skill 形态降低使用门槛的同时也降低"误用"门槛。

关键技术亮点

  1. 三层架构：Layer A（确定性 Python 清 Unicode 隐藏字符 / bidi / tag chars）、Layer B（agent rewrite + rewrite_text.py 处理统计 token 签名）、Files（C2PA / EXIF / XMP 清除）——可针对不同层选择不同处理
  2. Agent skill = thin HTTP client：agent host 不需要 Python，所有工作运行在 stdlib Python service——降低集成门槛
  3. 多厂商标记覆盖：Claude / Gemini-SynthID-Text / OpenAI provenance / open-LLM (Kirchenbauer green-list / Aaronson EXP)——四大类全覆盖
  4. 文件类型极广：图片（PNG/JPEG/WebP/AVIF/HEIC/BMP/GIF/TIFF/SVG）/ 文档（PDF/DOCX/XLSX/PPTX/EPUB/ODT/HTML/Markdown）/ 音视频（MP4/MOV/M4A/M4V/WAV/MP3/FLAC）
  5. CI 完备：CI badge 显示 GitHub Actions 工作流运行
  6. Disclaimer 清晰："For privacy and hygiene on content you own"——明示使用边界
  7. 与 2026-08-13 guillaumemeyer/watermarks-remover 关系待核验：CI badge 引用前者的 actions，可能存在 fork / 命名继承关系

架构师速览

决策问题 研究判断 证据边界
系统边界 Python stdlib service（中心化）+ agent skill thin HTTP client（agent host 无 Python）；覆盖文本 + 多媒体文件 边界由 README "skill is a thin HTTP client — the agent host needs no Python. All work runs in the service." 描述确认；service 的部署形态（单进程？多 worker？）需源码核验
主路径 agent 调用 skill → HTTP 请求 → service 处理 → Layer A/B/Files 三层剥离 → 返回结果 主路径由 README "skill ships no code — it calls the service over HTTP" 描述确认；Layer B 的 agent rewrite 触发条件 / 准确性评估需源码核验
关键权衡 三层覆盖广度 vs 各层准确率（Layer B 统计水印的 rewrite 语义保持度）；文件格式广度 vs 实现深度（每种格式的解析成熟度）；agent skill 形态降低门槛 vs 误用风险（合规边界） 取舍由 README 三层架构 + 文件格式表 + "For privacy and hygiene on content you own" 描述确认；具体每层准确率 / 误报率未公开
最小 PoC 在本地启动 service → 用 Claude Code 或 Codex install skill → 在一段已知含 Unicode 隐藏字符 / SynthID 标记的文本上调用 skill → 验证 Layer A/B 输出 → 在一个已知含 C2PA 的 PNG 上调用 skill → 验证元数据清除 PoC 流程由 README "Install" + 三层架构描述推导；具体 install 命令 / skill 配置需 README 进一步核验
证据边界 README + 三层架构表 + topics；具体 Layer B 准确率、文件格式解析成熟度、与 guillaumemeyer/watermarks-remover 的关系均需源码核验 已核验事实来自 README 与 API；其他来自语义推断

架构图（MMD）

证据边界：此图只采用本档案已有可核验描述；"待核验"节点不应视为项目实现事实。

flowchart LR
  User[Agent / 用户] --> Skill[Agent skill
thin HTTP client]
  Skill -- HTTP --> Service[Python stdlib service
中心化处理]
  Service --> LayerA[Layer A
确定性 Python
清 Unicode / bidi / tag chars]
  Service --> LayerB[Layer B
agent rewrite + rewrite_text.py
SynthID / Kirchenbauer / Aaronson]
  Service --> LayerF[Files
C2PA / EXIF / XMP 清除]
  LayerA --> Output[剥离后输出]
  LayerB --> Output
  LayerF --> Output
  LayerA -. 覆盖 .-> Claude[Claude 标记]
  LayerA -. 覆盖 .-> Gemini[Gemini SynthID-Text]
  LayerA -. 覆盖 .-> OpenAI[OpenAI provenance]
  LayerA -. 覆盖 .-> OpenLLM[open-LLM 方案]
  Output -. 仅限自有内容 .-> Boundary[合规边界
README 明示 disclaimer]

架构启发

watermark-remover 的核心启发是 "AI 来源标记需要用户可控的反向工具"——当 C2PA / SynthID 等标记成为内容标配，用户对自己拥有的内容有合法清除需求；缺乏反向工具意味着用户被单向"标记"。更深层的启发：agent skill 形态把"内容卫生工具"分发到 agent harness 的生态——这与 8-24 的"skill 单点化 × 完整工作流"趋势一致，且切入"合规 / 隐私"严肃工具类，标志 skill 市场从"创意资产"扩展到"治理工具"。再深一层："内容真实性保护"与"用户对自己内容的所有权"之间的张力——这是 2026 年下半年 AI 治理的核心议题之一，watermark-remover 选择站在"用户所有权"一侧。

定位判断

工具型（agent 时代内容卫生工具）。 watermark-remover 在"AI provenance 标记清除"赛道是当前最完整的开源实现，2 天 768⭐ + 73 forks 显示强烈需求。与 2026-08-13 的 guillaumemeyer/watermarks-remover 关系待核验：CI badge 引用前者 actions，可能是 fork / 命名继承 / 重启项目；建议使用前确认两者差异。主要竞争威胁： 各大厂商（如 Adobe / Microsoft）的"内容真实性"工具可能在合规压力下推出"官方清除工具"或"官方锁定工具"——届时 watermark-remover 的法律边界将更复杂。值得 6-12 月高频跟踪，特别是关注合规边界发展。

风险 / 局限 / 泡沫点

与同类项目的关系

是否值得持续跟踪

值得高频跟踪（agent 时代内容卫生工具）。 对所有关注 AI 内容合规的团队：建议立即在本地测试 service + skill 集成，观察三层剥离的准确率；对做内容平台的团队：这是判断"AI 来源标记"合规边界发展的早期信号；对个人开发者：强烈建议了解工具的能力边界，但需严格在"自有内容"范围内使用。

后续观察点

数据来源: GitHub API (2026-08-25) | Stars: 768 | Forks: 73 | 语言: Python | 创建: 2026-08-23