《WSaiOS结构智能(WSaiOS-SI)理论工程》
第十九卷:动态语义库理论与工程
第30章 外部 AI 回答作为待验证材料的处理机制
30.1 研究背景与问题定义
动态语义库需要持续获取外部知识材料,并通过语义单元化、对象识别、关系建立、证据分析、事实核验与结论状态管理,将外部信息转化为能够被 WSaiOS-SI 结构智能系统使用的知识结构。
外部 AI 回答可以成为动态语义库的材料来源之一,但必须明确一个基本原则:外部 AI 给出的回答是一种待处理、待分析、待验证的材料,不应直接被认定为事实、证据或有效知识。
外部 AI 回答可能包含事实陈述、概念解释、推理过程、方法建议、概率判断、来源引用、条件假设以及无法核实的内容。这些内容在语义性质、证据价值、适用条件和可信程度上存在差异,不能作为一个不可分割的整体直接进入知识结构。
因此,WSaiOS-SI 需要建立专门的处理机制,将外部 AI 回答转化为可以识别、比较、关联、验证和追溯的语义材料。
本章研究的核心问题包括:
-
外部 AI 回答在动态语义库中属于什么类型的对象。
-
如何将一份完整回答分解为不同性质的语义单元。
-
如何区分回答中的事实主张、解释、推论、假设、建议和来源声明。
-
如何识别回答所依赖的资料、证据及其他回答。
-
如何将外部回答与动态语义需求、现有知识结构和已知证据进行匹配。
-
如何判断回答中的内容是否获得独立证据支持。
-
如何处理不同 AI 回答之间的一致、差异、矛盾和共同错误。
-
如何将验证结果转化为动态语义库中的可追溯知识状态。
-
如何在不依赖大模型逻辑的前提下,建立可计算、可更新、可审查的工程流程。
本章不研究如何训练外部 AI,也不将外部 AI 的生成机制作为 WSaiOS-SI 的理论基础。研究对象是外部 AI 已经输出的回答,以及系统对这些回答进行结构化处理的全过程。
30.2 外部 AI 回答的定义与对象边界
30.2.1 外部 AI 回答的定义
外部 AI 回答,是指由 WSaiOS-SI 系统之外的人工智能应用、自动化问答系统或其他智能服务针对某个问题、任务或输入条件生成的内容。
从动态语义库的角度看,外部 AI 回答首先是一项具有来源、时间、输入条件和内容边界的外部材料。
其基本结构可以表示为:
其中:
-
\(A\):外部 AI 回答材料。
-
\(S\):回答来源及来源标识。
-
\(I\):产生回答时使用的输入问题或任务。
-
\(T\):回答产生或获取的时间。
-
\(C\):回答的原始内容。
-
\(O\):回答所声明的输出范围与适用条件。
-
\(V\):材料版本及其后续修订记录。
该表达式用于说明外部回答需要记录的基本信息,并不是要求所有回答必须具有完全相同的固定字段。实际系统应当根据任务需要和现有结构定义,动态确定需要记录的信息。
如果某项信息无法获取,系统应当将其标记为未知、未提供或无法确认,而不能自行补造。
例如,某项回答没有说明其引用资料的发布日期,系统就不能根据回答内容自行推定该日期。某项回答没有提供具体来源,也不能因为它的表述完整、逻辑流畅,就将其视为已经具有可追溯的证据来源。
30.2.2 外部回答不等于事实
外部 AI 回答与事实之间存在明确的对象边界。
一份回答可以包含多个事实主张,但回答本身不能证明这些主张成立。
例如,外部 AI 回答:
“某品牌电动牙刷采用声波清洁技术,并获得某项认证。”
这段内容至少包含两个可以分别处理的主张:
-
主张一:该品牌的相关产品采用声波清洁技术。
-
主张二:该产品获得了某项认证。
两个主张可能需要不同的证据。产品技术说明可以用于检查第一个主张,认证机构的记录可能更适合用于检查第二个主张。
即使第一个主张得到支持,也不意味着第二个主张自动成立。
因此,系统必须将回答材料与回答中包含的主张分开管理。
30.2.3 外部回答不等于证据
外部 AI 回答可以提供证据线索,但不能仅凭自身的存在就成为其所陈述内容的独立证据。
应当区分以下对象:
| 对象 | 定义 | 主要用途 |
|---|---|---|
| 外部回答 | AI 输出的原始材料 | 保存、解析和追溯 |
| 语义单元 | 从回答中识别出的可独立处理的语义内容 | 结构化处理 |
| 语义主张 | 关于对象、属性、状态或关系的可核验陈述 | 明确验证目标 |
| 来源声明 | 回答中关于资料出处的描述 | 寻找和核对来源 |
| 原始资料 | 回答所指向的文档、记录、网页或其他材料 | 提供可检查的材料 |
| 证据单元 | 能够针对特定主张提供支持、反驳或限制的信息 | 证据分析 |
| 核验结论 | 根据证据、规则和条件形成的阶段性判断 | 管理知识状态 |
这些对象之间可以建立关系,但不能互相替代。
特别需要注意:外部 AI 表示“根据官方资料”“研究表明”或“多个来源证实”,只说明回答提出了某种来源声明。系统仍然需要检查来源是否存在、内容是否匹配,以及这些资料是否真的支持相应主张。
30.2.4 外部回答不等于知识结构
动态语义库不能将外部回答的原始文本直接等同于已经形成的知识结构。
知识结构需要明确其元素、对象、属性、值、关系、条件、状态及适用范围,并使相关内容能够被进一步比较、计算、判断、匹配和验证。
外部回答只有经过必要的解析、语义识别、结构映射和状态管理,才能在满足相应条件时转化为可供系统使用的知识材料。
即使回答已经完成结构化,也不代表其中的主张全部正确。结构化解决的是内容如何被系统识别和处理的问题,核验解决的是内容是否获得足够支持的问题。
30.3 外部 AI 回答在动态语义库中的结构定位
外部 AI 回答不是动态语义库中的唯一知识来源,而是一个独立的外部材料类别。
在 WSaiOS-SI 中,应当将其放入既有的动态语义需求、外部资源、语义结构、证据和核验体系之中。
其基本处理关系为:
动态语义需求 → 外部回答获取 → 回答材料登记 → 语义单元化 → 主张识别 → 结构映射 → 来源与证据追溯 → 多来源比较 → 事实核验 → 结论状态管理 → 知识结构更新。
这条链路表示各项处理活动之间的逻辑关系,并不意味着所有回答都必须执行完全相同的步骤。
对于仅包含概念定义的回答,系统可能重点检查概念边界、定义来源和已有结构的一致性;对于涉及产品认证、法规、价格或其他时效性信息的回答,则可能需要进一步检查原始记录、适用时间和对象对应关系。
具体处理流程应当由任务要求和实际知识缺口决定,而不是由预先固定的行业模板决定。
30.3.1 与动态语义需求库的关系
动态语义需求库负责说明系统需要解决什么知识问题,以及目前还缺少什么信息。
外部 AI 回答处理机制则负责评估某份回答能够为这些问题提供什么材料。
二者的关系不是简单的问答对应关系。
一项需求可能需要多个回答共同提供信息;一份回答也可能覆盖多个需求;一份回答可能只覆盖某项需求的一部分,甚至完全没有提供有效信息。
例如,需求可能是核实某产品的认证状态。外部回答虽然介绍了产品品牌、技术特点和市场定位,却没有提供认证名称、认证主体或可核查记录,那么这份回答对认证需求的有效覆盖程度就可能很低。
系统必须根据实际需求确定回答的用途,不能因为回答篇幅长、内容丰富或表达完整,就认定其解决了需求。
30.3.2 与实时语义库的关系
实时语义库负责管理外部资料、语义单元、主张、来源关系、证据、核验状态及其变化。
外部 AI 回答处理机制应当向实时语义库提供结构化材料,而不是绕过语义库,直接将回答写入已确认知识。
处理过程中至少需要保留以下逻辑联系:
-
回答材料与原始来源的联系。
-
回答材料与产生该回答的输入任务的联系。
-
语义单元与原始回答位置的联系。
-
主张与相关对象、属性、关系及条件的联系。
-
主张与支持、反驳或限制性证据的联系。
-
核验结论与所依据的规则、证据和版本的联系。
这些关系用于保证后续可以追溯某项结论是如何形成的,以及当新资料出现时,应当重新检查哪些结论。
30.3.3 与结构智能核心理论的关系
外部回答处理机制必须服从 WSaiOS-SI 的基本结构逻辑。
元素是基本结构单元,关系将元素组织起来,结构使相关内容能够被识别和运算。
外部回答可以提供新的元素线索、对象描述、属性值、关系主张、条件说明和方法建议,但这些内容必须经过结构识别和适用性判断。
例如,回答中出现一个此前未知的认证名称,并不意味着系统应当立即建立一个已经确认的认证知识对象。系统首先需要识别它是否确实是一个可区分的对象,是否存在可靠的对应资料,以及它与具体产品、认证主体和时间之间是什么关系。
结构智能的任务不是尽可能多地接收外部回答,而是把有用材料转化为可辨识、可计算、可追溯和可持续修正的知识结构。
30.4 外部 AI 回答的语义单元化机制
30.4.1 为什么不能直接以整份回答作为处理单位
一份外部回答通常混合了不同类型的内容。
例如:
“某公司成立于某年,主要生产电动牙刷。其新款产品使用声波清洁技术,续航时间较长,适合家庭使用。根据公开资料,该产品已经获得相关认证,因此可以放心采购。”
这段回答可能同时包含:
-
公司成立时间的事实主张。
-
企业经营范围的描述。
-
产品技术主张。
-
对产品续航能力的评价。
-
关于适用人群的判断。
-
来源声明。
-
认证状态主张。
-
采购建议。
这些内容的可核验程度、证据需求和决策用途并不相同。
如果系统将整段回答作为一个不可分割的知识单元,就无法准确表达其中哪些内容已经得到支持,哪些内容尚未核实,哪些属于意见或建议,以及哪些内容之间存在逻辑依赖。
因此,系统需要根据语义边界、主张独立性和处理目的,将回答分解为适当的语义单元。
30.4.2 语义单元的定义
语义单元,是指从原始材料中识别出来、具有可辨识语义内容,并能够在明确上下文中独立参与结构匹配、关系判断或证据核验的最小适用处理单位。
这里的“最小”不是要求把文本机械地切割成最短句子,而是要求单元具有足够清晰的语义边界,同时保留其成立所依赖的必要条件。
例如:
“该产品获得认证,但认证已经于去年到期。”
如果系统仅仅将这句话拆成“该产品获得认证”和“认证已经到期”两个孤立单元,就可能丢失时间关系,导致前一单元被错误地理解为当前仍然有效。
正确做法是分别识别历史认证主张与当前有效性主张,同时保留二者之间的时间关系。
语义单元化必须保留否定、限定、条件、时间、比较对象和因果关系等影响含义的内容。
30.4.3 回答内容的语义类型识别
系统可以根据实际内容和任务,识别以下语义类型。这些类型是处理时可以使用的分类,不是要求所有回答都必须具有固定的字段集合。
第一,事实主张。
对对象、属性、值、状态或关系作出可以核查的陈述。
例如,某产品的型号、某项认证的有效状态,或者某家公司与某个品牌之间的归属关系。
第二,概念解释。
对概念含义、分类边界、术语关系或规则进行说明。
概念解释需要检查定义依据、适用范围及其与现有概念结构的对应关系,不能仅凭解释流畅就直接认定其正确。
第三,推论。
根据一个或多个前提形成的结论。
推论需要分别检查前提是否成立、推导关系是否有效,以及结论是否超出了前提能够支持的范围。
第四,假设。
为了进行分析而暂时采用、尚未获得充分确认的条件或命题。
假设可以参与条件推演,但必须保持其假设状态,不能在后续处理中悄然变成事实。
第五,方法建议。
关于应当如何行动、如何检查或如何解决问题的建议。
方法建议应当检查目标、前提、适用条件、执行步骤、风险和预期结果。建议本身并不等于已验证有效的方法。
第六,评价判断。
对对象的质量、优劣、适用性、重要性或风险作出的判断。
此类内容需要明确评价维度、判断规则、参照对象和适用条件。
第七,来源声明。
关于信息来自某个网站、机构、文件、研究或其他材料的描述。
来源声明应当触发来源追溯,但不能直接代替原始资料。
第八,不确定性声明。
关于信息可能不准确、条件不足、无法确认或存在争议的说明。
这类内容应当被保留,用于判断后续核验需要和结论状态,不能在结构化过程中被随意删除。
一项内容可能同时具有多种性质。例如,一个推论可能包含事实前提和条件假设。系统应当允许这种复合关系,而不是强迫每个单元只能属于一种类别。
30.4.4 语义单元的必要上下文
语义单元不能脱离使其含义成立的上下文。
一个可用的语义单元,可能需要关联:
-
原始回答及其来源。
-
对应的对象或对象候选。
-
相关属性、值和关系。
-
时间和适用条件。
-
否定、限制和例外。
-
前提与推论之间的联系。
-
相关证据及其出处。
-
当前处理状态。
上述内容应当依据实际单元动态确定。对于不涉及时间的概念定义,不需要强行增加时间字段;对于涉及产品认证有效期的主张,时间信息则可能是核验不可缺少的条件。
30.5 外部回答中的主张识别与结构映射
30.5.1 从语句到可核验主张
语义单元化解决的是材料如何分解的问题,主张识别则进一步确定其中哪些内容可以作为判断和核验的目标。
一个语句可能包含多个主张,一个主张也可能由多个语句共同表达。
系统应当根据实际语义确定主张边界,而不是简单地将每个句子视为一个主张。
例如:
“该产品采用声波技术,因此具有更好的清洁效果。”
这段内容至少涉及两个不同层次:
一是产品采用声波技术的事实主张;二是采用该技术能够带来更好清洁效果的效果主张。
第二个主张包含一种技术特征与实际效果之间的关系,需要相应的测试条件、比较对象和效果证据。即使第一个主张成立,也不能直接证明第二个主张成立。
因此,系统必须识别主张之间的前提关系,避免将一个已成立的前提错误地扩展为整个推论均已成立。
30.5.2 主张的结构表达
对于能够映射到现有知识结构的主张,系统应当识别其涉及的对象、属性、值、关系、条件和状态。
可以使用以下概念性表达:
其中:
-
\(O\):主张涉及的对象。
-
\(A\):相关属性。
-
\(V\):属性值或状态值。
-
\(R\):主张涉及的关系。
-
\(T\):相关时间。
-
\(K\):成立条件和适用范围。
-
\(S\):当前主张状态。
这只是一个帮助理解的概念模型,不是固定的数据表设计。具体主张可能不涉及其中全部维度,也可能需要增加其他结构元素。
例如,某项主张可能是两个企业之间的股权关系,重点在于主体、关系类型、关系方向、有效时间和来源;另一项主张可能是一个概念的定义,重点则在于概念对象、定义内容、适用范围及其依据。
系统应当根据主张的实际结构组织信息,而不是把所有主张强行映射到同一套固定行业字段。
30.5.3 与现有知识结构的映射关系
外部回答中的主张与现有知识结构之间,可能存在以下关系:
-
已有对象与已有属性的对应。
-
已有对象与新属性的对应。
-
新对象与已有对象的关联。
-
新关系的提出。
-
已有属性值的补充。
-
已有状态的更新。
-
对已有主张的支持。
-
对已有主张的反驳。
-
与已有主张形成条件性差异。
-
无法确定对应关系。
这些关系不能仅凭文字相似程度决定。
例如,两个名称相似的产品可能是不同型号;两个名称不同的产品也可能属于同一对象的不同命名方式。系统需要结合可用的对象标识、上下文、属性和来源信息进行判断。
当对象对应关系尚未确定时,应当保留候选映射或未确定状态,而不是强制合并。
30.5.4 映射成功不等于核验成功
主张可以准确地对应到某个对象,但其内容仍然可能不正确。
例如,系统可以确认外部回答讨论的是某一具体型号,却无法确认该型号是否获得了回答中所说的认证。
因此,应当分别管理:
-
对象识别状态。
-
结构映射状态。
-
来源追溯状态。
-
证据支持状态。
-
事实核验状态。
这些状态可能相互影响,但不能相互替代。
30.6 外部 AI 回答的来源追溯机制
30.6.1 来源追溯的目标
来源追溯不是单纯记录回答来自哪个 AI 服务,而是尽可能识别回答内容所依赖的原始材料及其形成路径。
需要区分两个层次。
第一层是回答来源:哪个外部 AI 服务、应用或系统产生了回答,以及回答何时产生、针对什么输入。
第二层是内容来源:回答中某项主张所依据的原始网页、公开文件、数据库记录、研究材料或其他信息。
回答来源可以明确,但内容来源仍然未知。
例如,系统完整记录了某外部 AI 服务的名称、回答时间和原始输出,却没有找到回答中关于产品认证的原始记录。此时回答来源是可追溯的,但认证主张的内容来源仍未得到确认。
不能因为回答来源明确,就认定其内容来源可靠。
30.6.2 来源声明的处理
当外部回答包含网址、文献名称、机构名称、文件标题或其他来源声明时,系统应当将其作为来源追溯线索。
处理过程可以包括:
-
识别来源声明的具体内容。
-
检查来源标识是否完整。
-
获取相应资料或记录。
-
确认资料内容是否能够对应到原始主张。
-
检查资料中的对象、时间、范围和条件。
-
判断资料与主张之间的支持、反驳或限制关系。
-
记录无法获取、无法匹配或无法确认的部分。
如果来源无法访问,系统应当保留这一状态;如果来源不存在或内容与主张不对应,则应当记录实际检查结果。
但不能把一次访问失败直接解释为来源必然不存在,也不能把某个网页能够打开直接解释为其中的内容已经获得证实。
30.6.3 来源依赖与重复证据识别
不同外部 AI 服务可能生成相同或相似的回答,但这些回答未必构成独立证据。
多个回答可能:
-
引用了同一份原始文件。
-
转述了同一个网页。
-
使用了相同的公开数据库。
-
重复传播同一项未经核实的陈述。
-
通过不同路径获得相同的原始信息。
-
在来源不明的情况下呈现相同结论。
因此,系统应当将回答之间的关系纳入来源依赖分析。
需要严格区分:
回答数量、回答来源数量、原始资料数量、证据单元数量和独立证据数量。
这些数量可能不同。
如果三个 AI 回答都重复同一份产品宣传资料,那么系统最多只能确认存在多个回答对同一材料的转述,不能直接认定存在三份独立证据。
如果两个回答结论相同,但分别依据不同且相互独立的原始记录,那么二者又可能具有不同的证据价值。
对于依赖关系尚未查明的回答,应当保留“依赖关系未知”的状态,而不是默认其相互独立。
30.6.4 来源追溯的边界
来源追溯可以帮助系统判断材料从哪里来、是否存在依赖关系,以及原始内容是否能够被检查,但它不能单独证明某项主张为真。
一个来源可能真实存在,却包含错误信息;一份官方文件可能真实有效,但并不适用于当前讨论的对象;一项研究可能可靠,但其结论不能直接推广到不同条件。
因此,来源追溯必须与证据适用性分析、关系判断和事实核验配合使用。
30.7 多个外部 AI 回答的比较与交叉核验
30.7.1 为什么不能通过多数回答决定事实
当多个外部 AI 对同一问题给出相同答案时,系统可能获得更强的线索,但不能仅凭答案数量决定事实成立。
原因至少有四个。
第一,多个回答可能依赖同一来源。
第二,多个回答可能重复同一个错误。
第三,回答可能讨论不同对象、不同时间或不同适用条件,表面一致实际上并不可比。
第四,多个回答可能使用相似表述,但其推理前提和证据依据完全不同。
因此,交叉核验不能采用“回答一致即正确”或“多数回答即事实”的简单规则。
30.7.2 比较之前必须建立共同的核验目标
多个回答只有围绕明确且可比的主张进行比较,才具有实际意义。
例如,要核实某产品的认证有效性,需要首先明确:
-
具体产品或型号。
-
认证的名称和类型。
-
认证主体或签发机构。
-
需要确认的时间。
-
认证适用范围。
-
所要判断的是历史上获得认证,还是当前仍然有效。
如果一个回答讨论的是某个系列曾获得认证,另一个回答讨论的是某个具体型号当前的认证状态,那么两者不能直接视为相互矛盾,也不能直接合并为同一事实。
系统必须先检查对象对应关系、时间条件和适用范围,再进行比较。
30.7.3 比较结果的类型
针对同一核验目标,系统可以识别以下比较结果:
一致。 多个回答在相同对象、条件和时间范围内表达了相同主张。
补充。 不同回答提供了互不冲突的相关信息,共同覆盖了更完整的知识范围。
差异。 回答内容存在不同,但差异可能来自对象、时间、定义或条件不同。
直接冲突。 在对象、时间、范围和条件可比的情况下,两个主张不能同时成立。
前提冲突。 回答使用了不同或相互冲突的前提,导致推论结果不同。
证据冲突。 不同证据材料对同一主张提供了相互不兼容的信息。
无法比较。 当前缺少必要的对象映射、条件信息或语义内容,不能可靠地判定一致与否。
这些比较状态应当被分别记录。尤其不能将“存在差异”直接等同于“存在矛盾”。
30.7.4 交叉核验必须返回原始证据
外部 AI 之间的回答比较,只能识别差异、提供线索和确定进一步检查的方向。
真正的证据核验仍然需要尽可能返回原始资料,检查证据与主张之间的对应关系。
例如,三个 AI 回答都声称某产品符合某项标准。系统应当进一步检查标准的具体要求、产品对应型号、检测报告或相关认证记录,而不是把三个相同回答直接累积成三份证据。
如果暂时无法获取原始证据,系统可以保留多个回答提供的一致线索,但结论状态必须明确反映证据不足。
30.7.5 一致性、可信程度和事实成立是不同问题
回答一致性反映的是不同回答之间的内容关系。
可信程度涉及来源、证据质量、依赖关系和适用条件等因素。
事实成立则需要根据具体主张和证据形成判断。
这三个问题相互关联,但不存在简单的等价关系。
一致性高不一定意味着可信程度高;来源可靠不意味着每项主张必然正确;部分主张得到支持,也不意味着整份回答均可被接受。
因此,动态语义库必须避免将回答一致性评分直接当作事实正确率。
30.8 外部 AI 回答的证据评价机制
30.8.1 证据评价的对象
证据评价不是对外部 AI 整体打一个笼统分数,而是判断特定材料对于特定主张具有什么证明作用。
同一份资料可能支持某项主张,却无法支持另一项主张。
例如,一份产品说明书可能支持产品标称的功能和规格,但未必能够独立证明实际使用效果,也未必能够证明产品获得了某项外部认证。
因此,证据评价必须明确:
-
要核验的主张是什么。
-
证据对应的对象是什么。
-
证据涉及的时间和适用范围是什么。
-
证据是否直接涉及该主张。
-
证据是否受到条件或范围限制。
-
证据与其他材料之间是否存在依赖关系。
-
证据是否支持、反驳或无法判断该主张。
30.8.2 证据的适用性
证据真实存在,不代表它适用于当前主张。
证据适用性需要检查对象、属性、关系、时间、条件和范围是否一致。
例如,某品牌的认证记录可能确实存在,但如果记录对应的是另一型号产品,就不能直接作为当前型号获得认证的证据。
同样,某项产品测试可能真实有效,但如果测试条件与当前要判断的使用场景不同,其结论也不能无条件推广。
系统应当将“证据存在”与“证据适用”分别判断。
30.8.3 证据的支持、反驳和限制作用
外部回答及其关联资料可以为不同主张提供不同的证据关系。
支持关系表示材料为某项主张提供了相应支持。
反驳关系表示材料与该主张不相容,或提供了反对该主张的依据。
限制关系表示材料只支持主张在特定条件、时间、对象或范围内成立。
无关关系表示材料与当前主张缺少必要的语义联系。
待判定关系表示现有信息不足以确定其作用。
一项证据可能支持主张的一部分,同时限制主张的适用范围。例如,测试资料可能支持某种功能在实验条件下成立,却不支持其在所有环境下都成立。
因此,系统不应把所有证据关系简化为“支持”或“不支持”两个状态。
30.8.4 证据充分性与回答数量
证据充分性取决于具体主张需要满足什么核验条件,以及当前材料覆盖了哪些条件。
不同主张需要不同的证据要求。
对于某个术语的定义,权威词典、标准文件或正式规范可能具有较高的适用性;对于实时状态,可能需要最新的官方记录;对于因果效果,则可能需要与研究设计、测试条件和比较对象相匹配的证据。
不能要求所有主张必须拥有固定数量的证据,也不能认为证据数量越多就必然越充分。
证据充分性需要综合考虑相关性、直接性、来源可靠性、独立性、完整性、时效性、冲突情况和核验目标。
多个重复回答可以增加材料数量,却未必增加独立证据的数量。
30.8.5 外部回答中的推论验证
当外部回答给出推论时,系统应当检查推论所依赖的前提及其推导关系。
例如:
前提一:某产品具有某种技术特征。
前提二:在特定测试条件下,该技术特征与某项性能改善存在关联。
结论:该产品在所有场景下都具有更好的性能。
即使前两个前提得到支持,结论仍然可能超出证据能够支持的范围。
系统需要检查:
-
前提是否成立。
-
前提之间是否存在有效的推导关系。
-
是否遗漏了必要条件。
-
是否将相关关系错误地解释为因果关系。
-
是否将局部结论扩展到更广泛的对象或场景。
-
是否存在反例或限制条件。
外部 AI 的推论不能因为表述为确定语气,就获得更高的核验状态。
30.9 外部 AI 回答的相关性与处理优先级
30.9.1 相关性不是正确性
外部回答可能与当前需求高度相关,但其中的内容仍然可能错误。
反过来,一份内容真实的材料,也可能与当前需求关系不大。
因此,系统必须区分:
-
回答与需求的相关性。
-
回答对需求的覆盖程度。
-
回答中主张与目标对象的对应程度。
-
回答来源与证据的质量。
-
回答内容的核验状态。
这些指标可以共同影响材料的处理顺序,但不能互相替代。
30.9.2 根据动态语义需求确定处理优先级
系统应当根据当前需求的紧迫程度、知识缺口、决策影响和现有证据状况,决定哪些回答需要优先处理。
例如,如果当前任务是判断产品是否具备某项采购所必需的认证,那么与该认证直接相关的主张,应当优先于与任务无关的品牌历史介绍。
但优先级高只表示需要尽快处理,并不表示该回答更可信或其中的主张更可能成立。
处理优先级应当动态生成,而不是为每个行业预先规定固定的优先字段或固定的评价模板。
30.9.3 相关性计算的结构原则
相关性可以根据目标需求、对象对应关系、属性覆盖、关系匹配、条件一致性和证据需求等因素进行计算。
可用概念模型表示为:
其中:
-
\(Q\):当前语义需求。
-
\(A\):外部回答及其语义单元。
-
\(Q_s\):需求的结构表达。
-
\(A_s\):回答中识别出的语义结构。
-
\(C\):对象、时间、范围等条件。
-
\(E\):与目标相关的证据情况。
该表达式说明相关性判断应当依据结构和条件进行,并非固定的数学算法。
实际运算规则需要由具体任务和结构定义确定。不能仅凭词语重合、回答长度、语气确定性或不同回答之间的表述相似程度,直接决定相关性。
30.10 外部回答的结论状态管理
30.10.1 为什么必须独立管理结论状态
外部回答经过解析和比较后,系统仍然可能无法确定其中某项主张是否成立。
如果系统只记录“已处理”或“未处理”,就无法准确表达当前知识状态,也无法判断后续应该补充什么材料。
因此,需要对主张及其核验结论建立独立的状态管理机制。
回答材料的处理状态、来源追溯状态、证据状态和事实核验状态必须分别管理。
一份回答可以已经完成解析,但其主张仍然缺少证据;一份主张可以已经找到原始资料,但资料尚未被判断为适用;一项结论可以暂时得到支持,但仍需要等待关键条件的确认。
30.10.2 主张核验状态
动态语义库可以根据实际任务采用以下状态:
待核验。 已识别主张,但尚未完成必要检查。
证据不足。 已获得部分材料,但不足以形成目标结论。
部分支持。 部分内容获得支持,但完整主张尚未成立。
条件性支持。 主张仅在明确条件或范围内获得支持。
获得支持,尚未确认。 现有证据支持该主张,但仍存在需要完成的核验条件。
已确认。 在明确的核验规则、适用范围和证据要求下,主张达到当前确认标准。
被反驳。 现有材料对主张提供了足以构成反驳的依据。
存在冲突。 现有证据之间存在尚未解决的实质性矛盾。
无法判断。 由于关键对象、条件、资料或核验能力不足,当前不能形成可靠判断。
已过期。 原结论可能曾在特定时间成立,但其时效条件已经变化或不再满足。
这些状态不是简单的线性等级,也不意味着每项主张必须依次经历所有状态。状态之间的转换应当由新的证据、条件变化、核验结果或规则变化触发。
30.10.3 回答状态与主张状态分离
一份外部回答可以包含多个主张,而这些主张可能处于不同状态。
例如,一份回答包含四项内容:
-
公司成立时间:已确认。
-
产品采用的技术:获得支持,尚未确认。
-
产品获得的认证:证据不足。
-
产品适合所有人群:被现有证据限制,不能作无条件判断。
此时不能将整份回答统一标记为“正确”,也不能因为其中一项主张存在问题,就把所有其他主张都标记为错误。
系统应当保留回答整体的处理状态,并分别记录每个主张的核验状态。
30.10.4 状态转换与重新核验
当出现新资料、新的独立证据、来源更正、原始文件撤回、对象映射变化或适用条件变化时,系统应当判断哪些结论需要重新核验。
例如,某产品的认证状态曾经得到确认,但后续资料表明认证已经到期。系统需要更新当前状态,同时保留历史结论及其适用时间。
这并不意味着历史结论必然错误,而是说明结论可能受到时间和条件限制。
动态语义库必须保留结论形成时所依据的证据、规则、条件和版本,以便解释为什么某项结论在过去成立,而在当前需要重新判断。
30.11 外部 AI 回答的动态更新与知识演化
30.11.1 新回答不应直接覆盖旧知识
外部 AI 可能在不同时间针对同一问题给出不同回答。
这些差异可能来自新资料、输入条件变化、回答内容修正、来源变化,也可能来自回答本身的不稳定或错误。
因此,新回答不能自动覆盖已有知识结构。
系统应当首先判断新回答与现有主张之间的关系,再决定是否需要补充、修正、建立新版本或触发重新核验。
30.11.2 更新类型
外部回答引发的知识更新可以包括:
新增。 识别出此前不存在的对象、属性、关系、主张或证据线索。
补充。 为已有知识结构增加缺失的条件、属性值、来源或证据。
修正。 发现已有结构存在错误,并在完成相应检查后进行修订。
冲突登记。 新回答与已有主张或证据发生实质性冲突,但当前尚不能确定哪一方成立。
状态变化。 原有主张的证据充分性、适用条件、有效时间或核验状态发生变化。
版本更新。 同一对象或主张形成新的版本,需要保留历史状态。
无效材料登记。 回答与需求无关、缺少可处理内容,或无法满足当前任务要求,但仍需保留其处理记录。
更新类型应当根据实际处理结果确定,而不能只根据新回答的出现与否决定。
30.11.3 更新与演化的区别
更新主要指对已有材料、主张、证据或状态进行调整。
演化则涉及知识结构、关系组织、核验规则或需求本身发生变化。
例如,新回答补充了某产品的价格,属于知识内容补充;新资料揭示某个原先被视为单一对象的名称实际对应多个型号,则可能需要调整对象结构和映射关系,属于结构演化。
系统需要根据变化的范围和影响决定处理层级。
30.11.4 动态语义需求的反向触发
外部回答不仅可以满足已有需求,也可能暴露新的知识缺口。
例如,多个回答都提到某项认证,但无法明确认证的适用型号。这个缺口可以触发新的动态语义需求,用于寻找产品与认证记录之间的对应关系。
因此,系统形成双向过程:
需求驱动材料获取,材料处理发现新的知识缺口;知识缺口进一步形成新需求,推动后续检索、比较和核验。
这与 WSaiOS-SI 的整体演化链条一致:
需求 → 知识 → 结构 → 运算 → 能力 → 认知 → 决策 → 方法 → 执行 → 反馈 → 学习 → 演化 → 新需求。
外部 AI 回答只是其中一个可能的材料入口,而不是整个知识演化过程的中心。
30.12 外部 AI 回答处理的工程架构
30.12.1 工程设计原则
为了使上述理论能够转化为工程系统,必须遵循以下原则。
第一,原始材料不可被结构化结果替代。
系统应当保存能够获得的原始回答及其必要的上下文。后续结构化、去重、修正和状态更新不能破坏原始记录的可追溯性。
第二,材料、语义单元、主张、证据和结论分离。
它们承担不同职责,应通过明确关系连接,而不是将所有内容混合存放并依赖隐含约定理解。
第三,处理规则由需求和结构动态确定。
系统不得假定所有外部回答都涉及相同对象、相同属性或相同核验要求。
第四,未知状态必须能够表达。
来源不明、对象无法匹配、依赖关系未知、证据不足和无法判断,都必须有明确的表示方式。
第五,运算结果必须可追溯。
相关性计算、关系判断、证据评价和状态变化,应当能够追溯到输入材料、适用条件和使用的规则。
第六,核验结论允许修正。
新证据或条件变化可以触发重新核验,但历史结论及其依据必须保留。
第七,不将外部 AI 的回答逻辑作为系统基础。
WSaiOS-SI 通过自己的元素、对象、属性、关系、结构、方法和运算规则处理外部回答,不依赖外部 AI 的内部推理过程才能运行。
30.12.2 核心处理模块
工程实现可以根据现有系统结构,将职责组织为以下逻辑模块:
-
外部回答接收模块:接收回答原文及可获得的来源、时间、输入任务等信息。
-
材料登记模块:建立原始材料记录和版本追踪。
-
语义单元化模块:识别回答中的独立语义内容,并保留必要上下文。
-
主张识别模块:提取可核验的事实主张、关系主张、推论及其他内容。
-
结构映射模块:将主张与已有知识元素、对象、属性、关系和条件进行匹配。
-
来源追溯模块:识别来源声明、寻找原始资料并记录来源依赖。
-
多来源比较模块:比较不同回答及其关联材料,识别一致、补充、差异和冲突。
-
证据评价模块:检查证据的适用性、独立性、支持作用和充分程度。
-
核验状态模块:形成、更新和记录主张的核验状态。
-
动态更新模块:将处理结果反馈至实时语义库,并根据知识缺口触发新需求。
上述模块是职责划分,不代表必须创建十个独立的软件文件、服务或数据库表。工程实现应当服从现有系统架构,避免为了形式上的模块齐全而重复建设。
30.12.3 处理流程
外部回答进入系统后,可以按照以下逻辑处理:
第一步:登记原始回答。
保存回答原文、来源标识、获取时间、关联需求和能够取得的上下文。
第二步:判断任务关联性。
检查回答是否涉及当前需求,以及是否包含能够用于解决目标问题的内容。
第三步:分解语义单元。
识别不同主张、解释、假设、推论、建议和来源声明,保留必要的否定、条件和时间信息。
第四步:建立主张对象。
对可核验内容建立独立的主张记录,并保留其与原始回答的对应关系。
第五步:映射现有结构。
识别对象、属性、值、关系、状态和条件;对于不确定的映射,保留候选关系或未确定状态。
第六步:追溯来源。
检查回答提供的来源线索,获取适用的原始材料,并识别可能存在的来源依赖和重复证据。
第七步:比较现有知识。
将新主张与现有主张及证据进行比较,区分补充、支持、反驳、差异和冲突。
第八步:执行核验。
根据当前主张的要求,检查证据适用性、充分性和条件是否满足。
第九步:更新状态。
分别更新材料处理状态、来源追溯状态、证据状态和主张核验状态。
第十步:形成后续需求。
如果仍然存在对象不明确、证据不足或实质冲突,则建立新的语义需求,并触发后续资料获取和核验。
整个流程不要求每一份回答都必须执行全部步骤。如果某个回答与需求无关,可以停止进一步核验并记录原因;如果回答缺少可识别的主张,则可以保留原始材料并等待后续处理。
30.12.4 建议的逻辑对象关系
工程系统至少需要能够表达以下关系:
-
外部回答包含语义单元。
-
语义单元表达主张或其他语义内容。
-
主张涉及对象、属性、值、状态或关系。
-
回答来源产生回答材料。
-
主张引用或关联来源资料。
-
证据支持、反驳或限制主张。
-
不同回答之间存在一致、补充、差异或依赖关系。
-
主张具有核验状态和历史版本。
-
核验结果触发需求更新或知识结构更新。
这些关系应当根据实际业务需要动态扩展。系统不应预先限定所有知识只能由固定的对象类型和固定字段组成。
30.13 WSaiOS-SI 中的核心运算及其职责
外部 AI 回答的处理,需要依靠结构智能的基本运算完成,而不是把判断任务交给另一个不可解释的回答过程。
30.13.1 比较运算
比较运算负责识别回答之间、主张之间、主张与已有知识之间的相同点和差异。
比较前需要明确比较对象、比较维度和适用条件。
比较的输出可以是相同、不同、部分一致、条件不同或无法比较,而不是简单的文本相似度结果。
30.13.2 匹配运算
匹配运算负责确定外部回答中的内容与目标需求、现有对象、属性、关系或证据之间是否存在对应关系。
匹配结果应当允许完全匹配、部分匹配、候选匹配、冲突匹配和未确定等不同情况。
匹配成功不等于事实成立。
30.13.3 判断运算
判断运算根据明确条件和规则,确定某项关系、条件或状态是否成立。
例如,系统可以判断某份资料是否对应当前讨论的型号,也可以判断某项结论是否满足当前核验规则。
如果必要条件缺失,判断结果应当能够保留未知,而不是强制输出肯定或否定。
30.13.4 计算运算
计算运算负责对可以明确表达的数量、差异、覆盖程度和其他可计算指标执行运算。
计算之前必须明确输入数据的含义、单位、范围和规则。
例如,系统可以计算一份回答覆盖了多少项需求,但不能把覆盖比例直接解释为事实正确率。
30.13.5 概率运算
概率运算可以用于表达特定事件在明确条件下的不确定性,但必须具备适当的数据、样本、规则和校准条件。
外部 AI 回答的数量不能直接作为事实成立概率的分母或分子。
如果多个回答依赖同一原始资料,就不能把它们当作相互独立的观察样本直接累积。
概率估计的对象也必须明确。例如,“回答与现有资料一致的概率”“来源声明准确的概率”和“某项事实成立的概率”属于不同事件,不能混为一谈。
30.13.6 排序运算
排序运算可以根据当前需求,对待处理主张、待追溯来源、待核验材料或知识缺口进行优先级排序。
排序结果只决定处理次序,不代表排名靠前的主张更加真实。
排序规则应当能够说明其使用的指标和条件,并允许根据需求变化重新计算。
30.13.7 验证运算
验证运算负责检查主张、关系、证据和结论是否满足明确的验证条件。
验证目标可以是来源是否匹配、对象是否对应、时间条件是否满足、证据是否覆盖主张,或者某项结论是否达到当前确认标准。
验证必须保留依据和失败原因。不能因为某项主张未被发现错误,就自动认定它已被证实。
30.13.8 运算之间的协作边界
这些运算共同服务于外部回答的处理,但职责不可混淆。
比较负责识别差异;匹配负责识别对应关系;判断负责确定条件或关系是否成立;计算负责执行明确的数值运算;概率负责表达符合条件的不确定性;排序负责安排优先级;验证负责检查是否满足核验规则。
任何单项运算都不能独立替代整个核验过程。
30.14 典型工程案例:多个 AI 回答核验产品认证
假设系统当前需要核实某款电动牙刷是否具有某项认证。
系统从三个外部 AI 服务获取回答。
回答甲表示该产品已经获得认证,并给出了一个官方资料链接。
回答乙也表示该产品已经获得认证,但没有提供具体来源。
回答丙表示该产品符合相关技术标准,但没有明确说明是否获得了正式认证。
系统不能直接根据三个回答中出现了相似结论,就将认证状态设为已确认。
30.14.1 第一步:建立核验目标
系统根据实际任务明确需要核实的对象、认证名称、认证主体、适用范围和时间条件。
如果当前产品型号尚未确定,则必须先解决对象对应问题。
30.14.2 第二步:识别回答中的主张
回答甲包含产品获得认证的主张,以及一个来源声明。
回答乙包含产品获得认证的主张,但缺少明确的来源线索。
回答丙包含符合某项技术标准的主张,但它与正式获得认证并不是同一个命题。
因此,系统应当至少区分“符合标准”和“获得认证”这两个核验目标。
30.14.3 第三步:追溯来源
系统检查回答甲提供的链接是否能够访问,并核对其中是否存在对应产品、认证名称和适用时间的记录。
如果链接指向的是其他型号,或者只是一般性标准介绍,就不能直接作为当前产品获得认证的证据。
对于回答乙,系统可以尝试寻找独立的原始来源,但不能假设回答乙与回答甲相互独立。
对于回答丙,系统需要检查相关标准及其适用条件,同时确认其主张是否真的涉及正式认证。
30.14.4 第四步:识别证据依赖
如果发现回答甲与回答乙都来自同一份产品宣传材料,那么它们不能被当作两份独立证据。
如果回答丙所依据的是另一份正式检测报告,则需要进一步判断该报告是否适用于当前产品,以及报告能够支持的是技术符合性还是正式认证状态。
系统应当根据证据与主张的对应关系评价其价值,而不是根据回答的数量评价事实正确性。
30.14.5 第五步:形成核验状态
假设系统暂时无法获得能够对应当前型号的正式认证记录,而回答甲提供的资料只能证明该品牌曾经介绍过相关认证。
此时,系统可以将“该产品获得正式认证”标记为证据不足或待核验,而不能直接设为已确认。
如果后续找到与当前型号、认证名称和有效时间均对应的正式记录,并且该记录满足任务规定的核验条件,系统才可以根据实际规则更新结论状态。
如果正式记录与外部回答不一致,系统则应登记冲突,进一步检查对象、时间、记录版本和来源适用性。
30.14.6 第六步:反馈动态语义需求
如果本次核验未能完成,系统应当明确缺少什么信息。
例如:
-
缺少当前型号的明确标识。
-
缺少认证记录的原始出处。
-
缺少认证有效时间。
-
缺少认证与产品型号之间的对应关系。
系统可以据此生成新的语义需求,并在后续检索中优先寻找相应材料。
这个案例说明,外部 AI 回答的价值不只是提供答案。即使一份回答最终未能得到证实,它仍然可能帮助系统识别知识缺口、发现待查来源和形成下一步核验任务。
但这类价值不等于回答内容本身已经被证明正确。
30.15 质量控制、异常处理与审计机制
30.15.1 回答内容不完整
如果回答缺少必要上下文、对象标识或时间条件,系统应当保留原始内容,并标记缺失信息。
不得为了让数据符合预定结构而自行填充未知值。
如果缺失信息影响主张识别或核验,系统应当将其转化为待解决的知识缺口。
30.15.2 来源无法获取
当回答提供的来源无法访问时,系统应当记录获取时间、访问结果和已知限制。
一次访问失败不代表来源必然不存在,也不代表来源内容必然不真实。
系统可以根据任务要求安排后续检查,但不能把未成功获取的资料视为已核实。
30.15.3 多个回答互相矛盾
当不同回答存在矛盾时,系统应当先检查它们是否讨论相同对象、时间、条件和范围。
如果比较条件一致且冲突真实存在,应当保留冲突状态,并寻找能够区分不同主张的证据。
不能为了生成单一答案而任意选择某个回答,也不能简单采用多数表决。
30.15.4 重复内容污染
如果同一主张被大量回答重复,系统应当识别重复内容及其来源依赖,避免重复记录被误认为新增证据。
但去重不应删除有价值的来源传播关系。重复回答可能有助于研究信息如何传播、哪些来源重复引用某项内容,以及某项主张为何在多个渠道出现。
因此,系统可以合并重复的证据指向,同时保留各回答材料的独立记录和依赖关系。
30.15.5 结构映射失败
当外部回答包含新概念、新对象或未知关系时,系统不应立即将其丢弃,也不应自动认定其有效。
可以先保留候选对象、候选关系和未确定的映射状态,再根据后续证据决定是否纳入现有知识结构。
如果新内容确实反映了现有结构无法表达的关系,则可以触发结构定义的扩展或修订。
30.15.6 结论审计
对具有重要决策影响的主张,系统应当能够回答:
-
原始回答是什么。
-
主张从回答的哪个位置识别出来。
-
主张对应哪个对象和条件。
-
使用了哪些来源和证据。
-
是否发现来源依赖或重复证据。
-
使用了什么核验规则。
-
当前结论处于什么状态。
-
为什么形成这一状态。
-
哪些条件尚未满足。
-
哪些新信息可能触发重新核验。
审计记录不是为了保存冗余文本,而是为了保证结论形成过程能够被重新检查。
30.16 外部 AI 回答处理机制的边界与禁止事项
为了避免外部回答污染动态语义库,必须明确以下边界。
第一,禁止将外部 AI 回答直接当作已确认事实。
回答只能提供待处理材料和核验线索。
第二,禁止将回答数量直接当作独立证据数量。
回答之间的来源依赖必须得到分析,无法确认时应当保留未知状态。
第三,禁止将回答一致性直接等同于正确性。
一致性是比较结果,不是事实核验结论。
第四,禁止将来源声明直接等同于真实来源。
来源声明需要追溯、获取和对应检查。
第五,禁止将语义相关性直接等同于证据充分性。
与问题高度相关的回答仍然可能没有足够证据。
第六,禁止将结构映射成功直接等同于事实成立。
对象和关系能够被识别,只说明内容具备进一步处理的结构基础。
第七,禁止将推论结果无条件扩展到未验证的范围。
推论必须保留前提、条件、限制和适用范围。
第八,禁止将未知状态强行转换为肯定或否定。
材料不足时,应当明确表示当前无法确定。
第九,禁止在更新时无条件覆盖历史结论。
新信息应当触发比较和重新核验,并保留历史版本及其依据。
第十,禁止为了统一数据形式而建立未经需求支持的固定字段和行业映射。
结构应当根据真实任务和实际知识对象动态形成。
第十一,禁止把外部 AI 的内部生成过程作为 WSaiOS-SI 的必要基础。
系统必须能够依据自身的结构定义、规则和运算机制处理外部回答。
30.17 本章的理论结论
外部 AI 回答处理机制,是动态语义库连接外部智能服务与 WSaiOS-SI 自身知识结构的重要环节。
它并不以获取尽可能多的回答为目标,也不以寻找多数回答共同认可的结论为最终目标。它的核心任务,是将外部回答转化为具有明确对象、语义边界、来源关系、证据关系和核验状态的材料,使系统能够判断这些材料究竟能够支持什么、不能支持什么,以及还缺少什么。
这一机制建立在以下理论关系之上。
首先,外部回答属于材料,不自动等于事实。
其次,语义单元化使回答从整体文本转化为可独立处理的语义内容。
再次,主张识别和结构映射使语义内容能够进入元素、对象、属性、关系和条件所构成的知识结构。
随后,来源追溯、依赖识别、多来源比较和证据评价用于分析主张的来源、独立性和支持程度。
最后,事实核验与结论状态管理决定当前知识可以在什么范围内使用,以及何时需要重新检查。
整个过程形成如下关系:
外部回答 → 原始材料 → 语义单元 → 语义主张 → 结构映射 → 来源追溯 → 证据关系 → 多来源比较 → 核验运算 → 结论状态 → 知识更新 → 新的语义需求。
这不是将外部 AI 的回答直接引入系统作为知识,而是将外部回答纳入结构智能自身的材料处理、知识组织和核验机制。
外部 AI 可以帮助系统发现信息线索,但不能替代系统对来源、证据、关系和结论的独立管理。
因此,本章确立的核心原则是:
外部 AI 回答可以进入动态语义库的材料处理流程,但不能绕过结构识别、来源追溯、证据分析和事实核验,直接成为已确认知识。
这使 WSaiOS-SI 能够在利用外部信息资源的同时,保持自身知识结构的独立性、运算规则的可解释性、结论状态的可追溯性,以及知识更新过程的可修正性。
动态语义库由此不再只是外部回答的收集系统,而是一个能够对外部回答进行结构化处理、证据分析、结论管理和持续演化的知识工程系统。
下一章:第31章《外部 AI 回答的独立性评估与交叉验证规则》。