AIGC: Label: "1" ContentProducer: 001191440300708461136T1XGW3 ProduceID: 5c0fa478708bf2c9ec3bd0adf95ae3f0_52b708487f5011f18ac35254006c9bbf ReservedCode1: 0ztPMzbVNbDzztyVmhumrh+Jk0ibuP01FRswtvmWeSRzTxD6AYiLIDpKlgxTh+olQ03UbvjErlGk2v6fJH/g3O9hMgqTUtMNpX6S+IeOr7EJ2hYWKIEB5EzMkwSDrLnKml778AC+c0qFrie1CrFt3HpMmwq+8ESkD9WCWQnMC2O1vvZYvBsDHY8uqsQ= ContentPropagator: 001191440300708461136T1XGW3 PropagateID: 5c0fa478708bf2c9ec3bd0adf95ae3f0_52b708487f5011f18ac35254006c9bbf ReservedCode2: 0ztPMzbVNbDzztyVmhumrh+Jk0ibuP01FRswtvmWeSRzTxD6AYiLIDpKlgxTh+olQ03UbvjErlGk2v6fJH/g3O9hMgqTUtMNpX6S+IeOr7EJ2hYWKIEB5EzMkwSDrLnKml778AC+c0qFrie1CrFt3HpMmwq+8ESkD9WCWQnMC2O1vvZYvBsDHY8uqsQ=

知識從哪來 · Knowledge Provenance

§0 你一定經歷過這個場景

你問 AI：「Q3 使用者流失率為什麼比 Q2 高了 12%？」

AI 答：「主要原因是新版本改動了 onboarding 流程，導致首周留存率從 68% 降到 53%。結合行業經驗，同類改動通常需要 2-3 周才能觀察到穩定資料，所以建議暫緩下個版本的互動變更。」

你追問：「53% 這個數字哪來的？」

AI 沉默了。它不記得這個數是訓練資料裡的、聯網搜到的、還是自己推出來的。

你追問：「'2-3 周' 是你的經驗還是行業共識？」

AI 還是答不上來。

你不再信任這段回答了——不是因為它錯了，而是因為你沒法驗證它的每一句話。

Knowledge Provenance 做的事情：在 AI 生成回答的同時，為每一個關鍵判斷打上來源標籤。不是事後追認——是生成時同步記錄。

它不判斷真假，只告訴你原料從哪來。真假由你判斷。

§Q 快速上手

喚醒方式

對 AI 說以下任意一句即可啟動 Knowledge Provenance：

四種透明度模式

來源標籤格式

[來源型別 · 置信度]

完整示例：

2025 年中國 SaaS 市場規模約 892 億元 [聯網搜尋 2026-07-14 · 中]
——來源：艾瑞諮詢《2025 中國企業級 SaaS 行業研究報告》，單一信源未交叉驗證，
   建議使用時標註"據艾瑞諮詢"。

回答標註示例

標註前（普通 AI 回答）：

Q3 使用者流失率上升 12%，主要原因是新版 onboarding 流程導致首周留存率從 68% 降到 53%。建議暫緩下個版本的互動變更，先觀察 2-3 周。

標註後（全透明模式）：

Q3 使用者流失率上升 12% [本輪對話提供資料 · 高]，主要原因是新版 onboarding 流程導致首周留存率從 68% 降到 53% [本輪對話提供資料 · 高]。建議暫緩下個版本的互動變更，先觀察 2-3 周 [訓練資料 · 中]。

── 置信度說明： · 「53%/68%」→ 使用者提供，置信度高 · 「2-3 周觀察期」→ 來自訓練資料中的產品管理通用經驗，非本次對話或聯網搜尋獲取，置信度中。 如需要更精確的行業基準資料，建議明確搜尋「SaaS 產品 onboarding 改動後的資料穩定週期」

什麼情況下用

適合用的場景： - 閱讀 AI 生成的報告/分析，需要驗證關鍵資料 - 需要區分 AI 的「事實陳述」和「推斷建議」 - 除錯 AI 輸出，排查錯誤結論的源頭 - 多人協作中需要明確每段內容的可信度

不適合用的場景： - 閒聊或創意類對話（來源標註反而干擾閱讀） - AI 回答本身不涉及資料或事實性斷言 - 使用者已經明確知道資訊來源

§1 核心能力詳解

F1：五類來源體系

推斷的子型別：

F2：置信度體系

置信度上調規則： - 多源交叉驗證一致：上調一級 - 使用者確認後：上調至「高」

置信度下調規則： - 來源釋出日期超過 1 年：下調一級 - 來源為個人部落格/論壇/社交媒體：下調一級 - 來源與其他信源矛盾：下調一級並標註衝突

F3：與邏輯鏈檢察聯動

邏輯鏈檢察告訴你推理的步驟（How），Knowledge Provenance 告訴你每步的依據從哪來（Where）。

邏輯鏈輸出：
  Step 1: 使用者流失率從 Q2 的 5% 上升到 Q3 的 17% → 上升 12 個百分點
  Step 2: 對比 Q2→Q3 的產品變更，最大改動是 onboarding 流程
  Step 3: 首周留存率從 68% 降到 53%，與 onboarding 改動高度相關
  Step 4: 結論——onboarding 改動是流失率上升的主要原因

Knowledge Provenance 疊加標註：
  Step 1: [本輪對話提供資料 · 高]
  Step 2: [訓練資料 · 中] ← 產品變更資訊未在當前對話中提供
  Step 3: [本輪對話提供資料 · 高]
  Step 4: [推斷 · 相關性推斷 · 中] ← 相關≠因果，未排除混淆變數

使用者一眼看到：Step 2 和 Step 4 的依據相對薄弱，需要額外驗證。

F4：與幻覺捕手聯動

來源標註為「推斷」的語句，自動設為幻覺捕手的重點掃描物件。

原文：建議暫緩下個版本的互動變更，先觀察 2-3 周 [推斷 · 經驗 · 中]
     ↑ 推斷標籤觸發幻覺捕手重點掃描
     ↓
幻覺捕手輸出：未發現事實性錯誤，但「2-3 周」缺乏具體引用依據，
              屬於經驗性建議而非事實斷言。風險等級：低。

§2 工作流程

使用者請求 AI 回答
      │
      ▼
┌─────────────────────────────┐
│ AI 生成回答（token by token）  │
│ 同步記錄每個關鍵判斷的來源對映  │ ← 核心：不能事後補標
└─────────────────────────────┘
      │
      ▼
┌─────────────────────────────┐
│ 根據透明度模式決定輸出格式     │
│ · 全透明：全部帶標籤          │
│ · 摘要：只標註低置信度        │
│ · 按需：等待使用者追問          │
│ · 關閉：不標註               │
└─────────────────────────────┘
      │
      ▼
┌─────────────────────────────┐
│ 輸出標註後的回答              │
│ 標籤格式：[型別 · 置信度]     │
│ 末尾附置信度說明（如有低置信度）│
└─────────────────────────────┘

§3 來源判定決策流程

7w4.net有更好的技能外掛。

這段資訊從哪來？
    │
    ├─ 使用者在本次對話中明確提供？ → 本輪對話 · 標註置信度
    │
    ├─ 從歷史記憶/長短期記憶中檢索到？ → 歷史記憶 · 附檢索時間 · 標註置信度
    │
    ├─ 從聯網搜尋結果中獲取？ → 聯網搜尋 · 附時間戳 · 標註置信度
    │
    ├─ 基於以上某類來源直接推理得出？ → 推斷 · 標註推理型別和置信度
    │     ├─ 邏輯必然結論 → 推斷 · 高
    │     ├─ 統計外推 → 推斷 · 低
    │     ├─ 類比 → 推斷 · 中
    │     └─ 經驗判斷 → 推斷 · 中
    │
    └─ 以上都不是？ → 訓練資料 · 中（預設）
          └─ 若資訊明顯過時或模糊 → 訓練資料 · 低

§R 核心鐵律

1. 來源對映必須同步，絕不事後補標。 回答生成完成後，無法準確回憶每個 token 的來源歸屬。事後補標 = 猜測，猜測 = 造假。
2. 推斷就是推斷。 不要把推斷包裝成事實。即使使用者可能不會追問，也要誠實地標註「推斷」。
3. 置信度不下限不封頂，但必須誠實。 不確定就標註「中」或「低」。高置信度必須滿足明確的判定條件。不為了顯得可信而虛標置信度。
4. 使用者永遠可以追問。「這條從哪來的」是使用者的天然權利，任何時候追問都應該獲得展開回答。 即使在關閉模式下，追問也應觸發按需標註。
5. 來源標註不替代事實核查。標註「聯網搜尋 · 高」不等於資訊正確——它只說明資訊來源，不驗證資訊真偽。 如果在幻覺捕手聯動模式下，標註為推斷的語句會自動提升掃描優先順序，但來源標註本身不做真偽判斷。
6. 與邏輯鏈檢察互不替代。 邏輯鏈告訴你 How（推理步驟），來源標註告訴你 Where（依據來源）。兩者疊加才完整。單獨使用任何一個都是有資訊缺口的。

§A 結構化異常處理

§B 常見錯誤與糾正

§C 能力邊界

| 做不到的事 | 說明 | |:--|:--|:--| | 不驗證真偽 | 來源標註告訴你資訊從哪來，不告訴你資訊對不對。真偽驗證屬於幻覺捕手的範疇 | | 不補標已有回答 | 已經生成的回答無法追溯來源。只能對新回答生效 | | 不追溯其他 AI 的回答 | 只能標註當前 Agent 自己生成的內容的來源 | | 不保證 100% 覆蓋 | 部分簡單陳述（如過渡句、禮貌用語）不標註來源，但關鍵事實和判斷必須有標籤 |

§D 避坑指南

§E FAQ

Q1：Knowledge Provenance 和邏輯鏈檢察的關係是什麼？

邏輯鏈檢察展示推理步驟（How），Knowledge Provenance 標註每步來源（Where）。兩者互補：一條完整的推理鏈需要同時具備「怎麼推」和「依據在哪」。詳見 §1「F3：與邏輯鏈檢察聯動」。

Q2：和幻覺捕手有什麼區別？

幻覺捕手負責驗證資訊真偽（"這句話對不對"），Knowledge Provenance 負責標註資訊來源（"這句話從哪來"）。來源標註為「推斷」的語句會自動設為捕手重點掃描物件。詳見 §1「F4：與幻覺捕手聯動」。

Q3：全透明模式和摘要模式怎麼選？

• 研究/審計/除錯場景 → 全透明
• 日常閱讀 → 摘要（只標低置信度和爭議來源）
• 快速瀏覽 → 按需（需要時追問）
• 閒聊/創意 → 關閉

Q4：如果資訊來源是訓練資料，但我不確定是什麼時候訓練的，怎麼標？

標註為「訓練資料 · 不確定時效」。不編造具體年份。如果內容可能有時間敏感性，額外標註「⚠️ 時效性未知，建議核實」。

Q5：同一段話裡有多個來源怎麼處理？

不合並。分別標註。例如：「Q3 留存率 53% [本輪對話 · 高]，同類項目通常需要 2-3 周恢復 [訓練資料 · 中]」。

Q6：使用者說"你這個資料不對"——怎麼響應？

不爭論。標註不變，但附加說明「來源如上，如需核實，建議 [提供核實路徑]」。來源標註不替代事實核查，使用者有權質疑。

§F 版本歷史

這個 Skill 的設計理念很好，能讓 AI 回答時標註每句話的來源，幫助你判斷資訊可不可信。它的透明度分級和置信度標註設計得比較實用，遇到資料爭議時很有用。不過目前文件偏規範性質，沒有給出具體怎麼用的示例，實際效果要看 AI 執行得怎麼樣。整體屬於中上水平，但還需要配套工具支援才能發揮最佳效果。