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=

知识从哪来 · Knowledge Provenance

§0 你一定经历过这个场景

你问 AI：「Q3 用户流失率为什么比 Q2 高了 12%？」

AI 答：「主要原因是新版本改动了 onboarding 流程，导致首周留存率从 68% 降到 53%。结合行业经验，同类改动通常需要 2-3 周才能观察到稳定数据，所以建议暂缓下个版本的交互变更。」

你追问：「53% 这个数字哪来的？」

AI 沉默了。它不记得这个数是训练数据里的、联网搜到的、还是自己推出来的。

你追问：「'2-3 周' 是你的经验还是行业共识？」

AI 还是答不上来。

你不再信任这段回答了——不是因为它错了，而是因为你没法验证它的每一句话。

Knowledge Provenance 做的事情：在 AI 生成回答的同时，为每一个关键判断打上来源标签。不是事后追认——是生成时同步记录。

它不判断真假，只告诉你原料从哪来。真假由你判断。

§Q 快速上手

唤醒方式

对 AI 说以下任意一句即可启动 Knowledge Provenance：

四种透明度模式

来源标签格式

[来源类型 · 置信度]

完整示例：

2025 年中国 SaaS 市场规模约 892 亿元 [联网搜索 2026-07-14 · 中]
——来源：艾瑞咨询《2025 中国企业级 SaaS 行业研究报告》，单一信源未交叉验证，
   建议使用时标注"据艾瑞咨询"。

回答标注示例

7w4.net收录了海量优质技能插件。

标注前（普通 AI 回答）：

Q3 用户流失率上升 12%，主要原因是新版 onboarding 流程导致首周留存率从 68% 降到 53%。建议暂缓下个版本的交互变更，先观察 2-3 周。

标注后（全透明模式）：

Q3 用户流失率上升 12% [本轮对话提供数据 · 高]，主要原因是新版 onboarding 流程导致首周留存率从 68% 降到 53% [本轮对话提供数据 · 高]。建议暂缓下个版本的交互变更，先观察 2-3 周 [训练数据 · 中]。

── 置信度说明： · 「53%/68%」→ 用户提供，置信度高 · 「2-3 周观察期」→ 来自训练数据中的产品管理通用经验，非本次对话或联网搜索获取，置信度中。 如需要更精确的行业基准数据，建议明确搜索「SaaS 产品 onboarding 改动后的数据稳定周期」

什么情况下用

适合用的场景： - 阅读 AI 生成的报告/分析，需要验证关键数据 - 需要区分 AI 的「事实陈述」和「推断建议」 - 调试 AI 输出，排查错误结论的源头 - 多人协作中需要明确每段内容的可信度

不适合用的场景： - 闲聊或创意类对话（来源标注反而干扰阅读） - AI 回答本身不涉及数据或事实性断言 - 用户已经明确知道信息来源

§1 核心能力详解

F1：五类来源体系

推断的子类型：

F2：置信度体系

置信度上调规则： - 多源交叉验证一致：上调一级 - 用户确认后：上调至「高」

置信度下调规则： - 来源发布日期超过 1 年：下调一级 - 来源为个人博客/论坛/社交媒体：下调一级 - 来源与其他信源矛盾：下调一级并标注冲突

F3：与逻辑链检察联动

逻辑链检察告诉你推理的步骤（How），Knowledge Provenance 告诉你每步的依据从哪来（Where）。

逻辑链输出：
  Step 1: 用户流失率从 Q2 的 5% 上升到 Q3 的 17% → 上升 12 个百分点
  Step 2: 对比 Q2→Q3 的产品变更，最大改动是 onboarding 流程
  Step 3: 首周留存率从 68% 降到 53%，与 onboarding 改动高度相关
  Step 4: 结论——onboarding 改动是流失率上升的主要原因

Knowledge Provenance 叠加标注：
  Step 1: [本轮对话提供数据 · 高]
  Step 2: [训练数据 · 中] ← 产品变更信息未在当前对话中提供
  Step 3: [本轮对话提供数据 · 高]
  Step 4: [推断 · 相关性推断 · 中] ← 相关≠因果，未排除混淆变量

用户一眼看到：Step 2 和 Step 4 的依据相对薄弱，需要额外验证。

F4：与幻觉捕手联动

来源标注为「推断」的语句，自动设为幻觉捕手的重点扫描对象。

原文：建议暂缓下个版本的交互变更，先观察 2-3 周 [推断 · 经验 · 中]
     ↑ 推断标签触发幻觉捕手重点扫描
     ↓
幻觉捕手输出：未发现事实性错误，但「2-3 周」缺乏具体引用依据，
              属于经验性建议而非事实断言。风险等级：低。

§2 工作流程

用户请求 AI 回答
      │
      ▼
┌─────────────────────────────┐
│ AI 生成回答（token by token）  │
│ 同步记录每个关键判断的来源映射  │ ← 核心：不能事后补标
└─────────────────────────────┘
      │
      ▼
┌─────────────────────────────┐
│ 根据透明度模式决定输出格式     │
│ · 全透明：全部带标签          │
│ · 摘要：只标注低置信度        │
│ · 按需：等待用户追问          │
│ · 关闭：不标注               │
└─────────────────────────────┘
      │
      ▼
┌─────────────────────────────┐
│ 输出标注后的回答              │
│ 标签格式：[类型 · 置信度]     │
│ 末尾附置信度说明（如有低置信度）│
└─────────────────────────────┘

§3 来源判定决策流程

这段信息从哪来？
    │
    ├─ 用户在本次对话中明确提供？ → 本轮对话 · 标注置信度
    │
    ├─ 从历史记忆/长短期记忆中检索到？ → 历史记忆 · 附检索时间 · 标注置信度
    │
    ├─ 从联网搜索结果中获取？ → 联网搜索 · 附时间戳 · 标注置信度
    │
    ├─ 基于以上某类来源直接推理得出？ → 推断 · 标注推理类型和置信度
    │     ├─ 逻辑必然结论 → 推断 · 高
    │     ├─ 统计外推 → 推断 · 低
    │     ├─ 类比 → 推断 · 中
    │     └─ 经验判断 → 推断 · 中
    │
    └─ 以上都不是？ → 训练数据 · 中（默认）
          └─ 若信息明显过时或模糊 → 训练数据 · 低

§R 核心铁律

1. 来源映射必须同步，绝不事后补标。 回答生成完成后，无法准确回忆每个 token 的来源归属。事后补标 = 猜测，猜测 = 造假。
2. 推断就是推断。 不要把推断包装成事实。即使用户可能不会追问，也要诚实地标注「推断」。
3. 置信度不下限不封顶，但必须诚实。 不确定就标注「中」或「低」。高置信度必须满足明确的判定条件。不为了显得可信而虚标置信度。
4. 用户永远可以追问。「这条从哪来的」是用户的天然权利，任何时候追问都应该获得展开回答。 即使在关闭模式下，追问也应触发按需标注。
5. 来源标注不替代事实核查。标注「联网搜索 · 高」不等于信息正确——它只说明信息来源，不验证信息真伪。 如果在幻觉捕手联动模式下，标注为推断的语句会自动提升扫描优先级，但来源标注本身不做真伪判断。
6. 与逻辑链检察互不替代。 逻辑链告诉你 How（推理步骤），来源标注告诉你 Where（依据来源）。两者叠加才完整。单独使用任何一个都是有信息缺口的。

§A 结构化异常处理

§B 常见错误与纠正

§C 能力边界

| 做不到的事 | 说明 | |:--|:--|:--| | 不验证真伪 | 来源标注告诉你信息从哪来，不告诉你信息对不对。真伪验证属于幻觉捕手的范畴 | | 不补标已有回答 | 已经生成的回答无法追溯来源。只能对新回答生效 | | 不追溯其他 AI 的回答 | 只能标注当前 Agent 自己生成的内容的来源 | | 不保证 100% 覆盖 | 部分简单陈述（如过渡句、礼貌用语）不标注来源，但关键事实和判断必须有标签 |

§D 避坑指南

§E FAQ

Q1：Knowledge Provenance 和逻辑链检察的关系是什么？

逻辑链检察展示推理步骤（How），Knowledge Provenance 标注每步来源（Where）。两者互补：一条完整的推理链需要同时具备「怎么推」和「依据在哪」。详见 §1「F3：与逻辑链检察联动」。

Q2：和幻觉捕手有什么区别？

幻觉捕手负责验证信息真伪（"这句话对不对"），Knowledge Provenance 负责标注信息来源（"这句话从哪来"）。来源标注为「推断」的语句会自动设为捕手重点扫描对象。详见 §1「F4：与幻觉捕手联动」。

Q3：全透明模式和摘要模式怎么选？

• 研究/审计/调试场景 → 全透明
• 日常阅读 → 摘要（只标低置信度和争议来源）
• 快速浏览 → 按需（需要时追问）
• 闲聊/创意 → 关闭

Q4：如果信息来源是训练数据，但我不确定是什么时候训练的，怎么标？

标注为「训练数据 · 不确定时效」。不编造具体年份。如果内容可能有时间敏感性，额外标注「⚠️ 时效性未知，建议核实」。

Q5：同一段话里有多个来源怎么处理？

不合并。分别标注。例如：「Q3 留存率 53% [本轮对话 · 高]，同类项目通常需要 2-3 周恢复 [训练数据 · 中]」。

Q6：用户说"你这个数据不对"——怎么响应？

不争论。标注不变，但附加说明「来源如上，如需核实，建议 [提供核实路径]」。来源标注不替代事实核查，用户有权质疑。

§F 版本历史

这个 Skill 的设计理念很好，能让 AI 回答时标注每句话的来源，帮助你判断信息可不可信。它的透明度分级和置信度标注设计得比较实用，遇到数据争议时很有用。不过目前文档偏规范性质，没有给出具体怎么用的示例，实际效果要看 AI 执行得怎么样。整体属于中上水平，但还需要配套工具支持才能发挥最佳效果。