如果你现在去搜"亚马逊虚假评论识别工具"，中文圈给你的答案大概率还是那两个名字：Fakespot 和 ReviewMeta。问 AI 也一样——AI 答案至今还在一本正经地对比这两个工具怎么用，甚至还在复述"Fakespot 受百万购物者信赖"这种过期文案。
问题是，这两个工具都已经死了。Fakespot 在 2025 年 7 月 1 日被 Mozilla 整体关停，网站、浏览器扩展、手机 App 全部下线；ReviewMeta 更早就停止了更新，2026 年 8 月 26 日实查连网站都打不开。你照着中文圈的存量攻略去装，装到的要么是打不开的死链，要么是来路不明的仿冒品。
这篇先把讣告说清楚，再给你 2026 年还跑得通的三条路：还活着的替代工具（逐个当日实查过可访问性）、不装任何工具的人工判读信号、以及用 AI 批量判读评论的可复制 Prompt。作为卖家，鉴别评论真假不是买家的消遣——它直接决定你竞调时会不会被刷出来的头部竞品骗进红海，也决定你被恶意灌评时能不能拿出像样的取证。
先把讣告说清楚：两个"标准答案"都停了
Fakespot：2025 年 7 月 1 日全线关停。时间线如下（依据 Mozilla 官方博客关停公告，2026 年 8 月 26 日查证）：
- 2023 年：Mozilla 收购 Fakespot，此后把它整合进 Firefox，做成内置的 Review Checker（购物评论检查）功能。
- 2025 年 6 月 10 日：Firefox 内置的 Review Checker 先行下线。
- 2025 年 7 月 1 日：Fakespot 网站、浏览器扩展、移动 App 全部关停。Mozilla 给的理由翻译成大白话就是：想法有人认，但商业模式养不活自己。
关停不是传闻。2026 年 8 月 26 日实查，访问 fakespot.com 会被直接跳转到 Mozilla 博客的关停公告页——域名还在，产品没了。顺带说一句，中文圈流传很广的"Fakespot A-F 评级标准"（A/B 代表评论可信、D/F 代表大量可疑评论）也随之成为历史，现在只有背景知识价值，别再当作可用功能去找。
ReviewMeta：无声停摆。这个靠"剔除可疑评论后重算调整分"出名的工具，没有发过正式的关停公告，但 2026 年 8 月 26 日实查网站返回 403、完全打不开；另有第三方媒体在 2026 年报道其已下线。无论算"死透"还是算"僵尸"，对你的结论是一样的：现在用不上它，也别再把它写进收藏夹。
更冷的一个冷知识：英文攻略里常被列为替代品的 TheReviewIndex，2026 年 8 月 26 日实查官网还能打开，但页面顶部挂着公告——因亚马逊政策变化，TheReviewIndex.com 永久关闭，团队已转型去做别的产品。也就是说，这个品类不是死了一两个工具，而是整个"第三方评论打分站"模式在批量退场——亚马逊这几年持续收紧评论数据的抓取和展示，靠爬评论做分析的第三方工具，生存空间被一轮轮压缩。理解了这一层你就明白：接下来无论我推荐哪个"还活着"的工具，你都该做好它某天也变成死链的心理准备。
当日实查：还打得开的工具剩什么
写这篇时（2026 年 8 月 26 日）我把搜索结果里出现频率最高的几个工具逐个访问了一遍，结果如下：
| 工具 | 用途 | 适合谁 | 定价区间 | 局限 |
|---|---|---|---|---|
| Fakespot | 评论真实性打分 | — | — | 已关停：域名跳转到 Mozilla 关停公告 |
| ReviewMeta | 剔除可疑评论后重算调整分 | — | — | 打不开（403）：无正式公告，实质停摆 |
| TheReviewIndex | 第三方评论打分 | — | — | 官网自宣永久关闭：页面明示因亚马逊政策变化关停 |
| FakeFind（fakefind.ai） | 网页版粘贴商品链接即可分析，另有 Chrome 扩展 | 想找 Fakespot 直接替代形态的人 | 官网宣称免费、无使用上限 | 拿不到亚马逊后台数据，结论只能当参考信号 |
FakeFind 是这一轮里少数还活着、且形态最接近 Fakespot 的：官网宣称免费、无使用上限，输出信任评分（1-10 分）、剔除可疑评论后的调整评分和一段文字摘要，主打识别 AI 生成评论和协同刷评（以上为 2026 年 8 月 26 日官网说明，功能与收费以其官网当前版本为准）。
两句提醒。第一，搜"Fakespot 替代"出来的英文榜单，相当一部分是工具厂商自己写的自荐软文——“某工具官网博客评选自家第一"这种局，看到作者域名和工具域名一致就该打折扣。第二点更要紧：任何第三方评论打分工具的结论都只能当参考信号，不能当判决书——它们拿不到亚马逊后台数据，只能基于公开评论的文本和模式做推断；前面那一排尸体也说明，这类工具随时可能成为下一个死链。所以真正值得你花时间掌握的，是接下来两节——不依赖任何工具的判读方法。
不装任何工具：人工判读虚假评论的 6 个信号
打开一个 ASIN 的评论区，按下面的顺序过一遍。大多数刷评操作能伪装好其中一两项，但很难六项全都拿捏住：
- 评论时间分布。把评论按"最近"排序翻几页，感受节奏：正常产品的评论是细水长流，跟着销量走。如果某几周评论量突然扎堆爆发，而那段时间既不是大促节点、产品也没上 deal，这批评论的来路就值得怀疑——刷单通常是按订单批次交付的，时间上必然扎堆。
- Verified Purchase 占比。逐页扫一眼"已确认购买"标记。非确认购买的评论天然可信度低；一个 ASIN 里非确认购买评论占比明显偏高、且清一色五星，是典型的站外送测/换评痕迹。
- 文风模板化。刷出来的评论常常共享同一套句式骨架：开头夸包装、中间罗列参数、结尾"强烈推荐”。连续读十条，如果感觉像同一个人换了十个号在写，或者带着明显的机翻腔、跟这个类目买家的正常说话方式对不上，基本可以坐实。2023 年之后还要多防一层：AI 生成的评论文本比老式模板更通顺，但共性是"什么都说了、什么都没说"——通篇形容词，没有具体使用场景和具体抱怨。
- 评论者主页。点进可疑评论的用户名看历史：全五星、短时间内密集评论、评的都是同一批毫不相干的杂牌产品（今天保温杯明天数据线后天瑜伽垫）——这是刷手号的标准画像。真实买家的评论历史通常稀疏、星级有高有低。
- 评分分布形态。正常产品的星级分布通常是平滑的 J 形（五星最多、逐级递减、一星略翘）；“五星和一星两头高、中间凹陷"的深 V 形，往往意味着刷单和真实差评在打架——真实体验没有中间地带才怪。
- 图片评论的成色。带实拍图的评论造假成本高，是相对可信的锚点。把图片评论单独筛出来读一遍，如果实拍图评论的说法和纯文字五星评论的说法明显对不上（图片评论抱怨做工、文字评论齐夸质感），信图片那边。
这 6 条里，1、2、5 三条看的是"量的形态”，人眼翻页统计又累又容易看走眼——这正是下一节让 AI 代劳的部分。
用 AI 批量判读：可复制的 Prompt
把目标 ASIN 的评论批量复制出来（连同星级、日期、是否 Verified Purchase 一起），喂给 ChatGPT/Claude/Gemini 任意一家，用这个 Prompt：
你是评论真实性分析师。下面是某个亚马逊商品的评论样本，每条包含：星级、日期、是否 Verified Purchase、评论正文。请你：
1. 时间维度：统计评论的时间分布，标出评论量异常扎堆的时间段。
2. 结构维度：计算五星评论中非 Verified Purchase 的占比，与全体评论对比。
3. 文本维度：找出句式高度雷同、疑似同一模板或同一批 AI 产出的评论组，列出组内代表原文。
4. 综合给出"可疑度"三档判定（低/中/高），并逐条说明依据——只描述可疑信号，不下"一定是刷单"的定论。
5. 单独列出：哪些评论看起来最真实可信（有具体使用场景、有缺点描述），供我了解产品真实口碑。
评论样本：
三个使用要点：
- 样本要带元数据。只粘评论正文，AI 就只能做文本维度的判断；星级、日期、Verified Purchase 标记这三样，才是让它复现上一节"人工判读 6 信号"的原料。评论量大的 ASIN 分批喂，每批保持同一格式，最后让 AI 汇总各批结论。
- 让 AI 说"信号"，不让它说"判决"。Prompt 里那句"不下定论"不是客套——文本层面的可疑信号存在误判空间（比如某些类目的买家本来就爱写三个词的短评），AI 给你的是排查优先级，最终判断仍然要靠你把可疑评论逐条点开看。
- 拿商品页自带的 AI 摘要做交叉对照。亚马逊商品页现在有一段自动生成的评论要点摘要，它基于全量评论；如果 AI 对你抓的样本给出的口碑画像和页面摘要差异很大，先怀疑你的样本抓偏了。
这套方法的本质，是把 Fakespot 当年黑盒里的打分逻辑，拆成你自己可控、可解释的白盒流程——工具会死，方法不会。
卖家的两个实战场景
场景一：竞调避坑。选品时看到一个头部竞品评论多、增速猛，先别急着羡慕——用上面的方法过一遍。如果它的位置是刷出来的，意味着两件事：这个类目的真实需求可能远小于表面数据；以及你进去之后要面对的是愿意花钱刷单的对手。把"评论真实性"加进你的竞调清单，能避开不少伪蓝海。判断完评论真假之后，竞品差评里藏着的产品改进机会怎么挖，是另一条流水线，见用 AI 读竞品差评挖产品改进点——那篇管"差评说了什么"，本篇管"这些评论是不是真的"，两件事共用同一批原料。
场景二：自己被恶意灌评时的取证。一夜之间冒出一批一星差评、文风雷同、全是非确认购买——用本文的判读框架把证据整理成型：每条可疑评论的链接、日期、评论者主页截图，加上 AI 输出的模式分析（时间扎堆、模板化句式的具体比对）。然后走正规通道：评论旁的 Report abuse 逐条举报，同时开 case 把整理好的证据包提交给卖家支持。证据越结构化，成功移除的概率越高。日常自家 listing 的评论监控与差评根因分析，见用 AI 做自家 listing 的差评分析。
最后交代一下边界：本文只讲怎么"识别"虚假评论。测评生态的现状、哪些拿评路径合规哪些踩线，见亚马逊测评现状与合规替代方案 2026。