AI提示词备查与原始输入输出记录：生成式人工智能合规的可验证实现

AI提示词备查与原始输入输出记录，正在从写作附录变成生成式人工智能合规中的工程数据。2026年10月，《社会科学研究》发布相关声明，要求在非核心环节使用 AI 时，随稿提交工具名称与版本、使用时间与环节、原始提示词及生成内容记录，以及生成内容在最终论文中的体现方式。

对开发者来说，问题不只是"把聊天记录保存下来"。还要回答三个技术问题：

一次生成内容对应哪条输入？
生成内容如何关联到最终文本？
引用是否真实存在，且能定位到原始材料？

我的判断是，AI合规的关键不在于增加一层说明文档，而在于把生成过程拆成可保存、可关联、可校验的数据单元。

1 核心结论：记录需要成为数据结构

AI提示词备查如果只依赖用户事后复制聊天窗口，通常难以稳定记录上下文。一个可核验的记录，至少需要保留以下字段：

工具名称与版本
服务商
使用时间
使用环节
使用目的
原始提示词
原始生成内容
生成内容在最终论文中的体现方式

这些字段来自《社会科学研究》声明中对《生成式人工智能工具使用情况说明》的要求。工程实现可以将它们作为一条生成事件保存，而不是只保存最终答案。

可以用一个最小数据结构表达这类记录：

python 复制代码

from dataclasses import dataclass
from datetime import datetime
from typing import Optional


@dataclass
class GenerationRecord:
    tool_name: str
    tool_version: str
    service_provider: str
    used_at: datetime
    stage: str
    purpose: str
    prompt: str
    output: str
    final_text_relation: Optional[str] = None

    def validate(self) -> list[str]:
        errors = []

        required_fields = {
            "tool_name": self.tool_name,
            "tool_version": self.tool_version,
            "service_provider": self.service_provider,
            "stage": self.stage,
            "purpose": self.purpose,
            "prompt": self.prompt,
            "output": self.output,
        }

        for field_name, value in required_fields.items():
            if not value or not str(value).strip():
                errors.append(f"missing field: {field_name}")

        if self.used_at is None:
            errors.append("missing field: used_at")

        return errors

这段代码不是某个产品的接口，而是一个可复现的记录模型。它解决的是"有没有记录"的问题，不能单独证明生成内容中的观点或引用真实存在。

2 技术机制：把可信度拆成多道校验

2.1 记录层：保存原始输入与原始输出

原始输入输出记录应保持原样保存。对提示词进行事后概括，会丢失几个关键信息：

用户当时提出了什么限制条件
AI 获得了哪些上下文
生成内容是否经过多轮修改
最终文本使用了生成结果的哪一部分

如果系统只保留最终成稿，后续很难区分人工内容、AI 生成内容和人工修改内容。记录层不负责判断内容正确与否，它的职责是保留生成事实。

一个简单的事件序列可以这样组织：

python 复制代码

events = [
    {
        "type": "prompt",
        "content": "请整理给定材料中的研究问题",
    },
    {
        "type": "output",
        "content": "生成的整理结果",
    },
    {
        "type": "human_edit",
        "content": "用户修改后的段落",
    },
]

实际系统还需要为事件建立稳定标识，并保存事件之间的关联关系。知识库片段没有提供具体接口或字段命名，因此这里只能将其视为实现层的通用设计，不把它描述成知芽 Notebook Skill 的现有接口。

2.2 关联层：记录生成内容如何进入最终文本

"生成内容在最终论文中的体现方式"要求系统保存生成结果与最终文本之间的关系。这个关系可以是：

生成内容被直接采用
生成内容经过人工修改后采用
生成内容只用于检索或整理，未进入正文
生成内容未被采用

这里的重点是保留状态，而不是自动判断作者贡献。系统可以把最终文本中的段落标识与生成事件关联起来，再由作者确认使用方式。

示意代码如下：

python 复制代码

@dataclass
class UsageLink:
    generation_id: str
    final_section_id: str
    relation: str  # adopted / edited / reference_only / discarded

    def is_valid(self) -> bool:
        allowed = {
            "adopted",
            "edited",
            "reference_only",
            "discarded",
        }
        return self.relation in allowed

这类结构能让"原始输入输出记录"与最终稿之间形成可查询关系。它不等于自动生成合规说明，作者仍需要确认记录是否完整，以及生成内容在论文中的实际位置。

2.3 引用层：验证引用是否存在

知识库中的核心技术命题是：AI 可能编造论文，工程机制需要对引用进行验证。引用校验至少要分成两个判断：

引用对象是否存在
当前文本是否真的支持该引用

只检查标题或 DOI，不足以确认引用关系。研究路径片段明确提出，外部身份应使用 library_id + item_key + version，不能只用标题或 DOI 作为唯一身份；DOI可用于去重建议，因为同一作品可能存在 preprint 和 journal 两个合法 DOI。

因此，引用记录可以保留外部身份：

python 复制代码

@dataclass(frozen=True)
class ExternalIdentity:
    library_id: str
    item_key: str
    version: str


@dataclass
class CitationRecord:
    identity: ExternalIdentity
    cited_text: str
    source_excerpt: str

    def has_source_excerpt(self) -> bool:
        return bool(self.source_excerpt.strip())

这段校验只能判断引用记录是否包含来源片段，不能替代语义判断。要确认一段来源是否支持某个结论，还需要将正文断言与原始材料进行比对。

2.4 粒度层：从整篇引用下沉到段落

知识库片段将"段落级校验"列为引用可信度差异点。技术上，段落级校验意味着引用不再只挂在整篇文档或回答末尾，而是绑定到具体文本单元。

一个最小的校验流程可以拆成：

将生成内容切分为可定位的文本单元。
为每个单元保存引用标识和来源片段。
检查引用标识是否能回到稳定的外部身份。
比对文本单元与来源片段，标记缺少依据的断言。
将校验结果与原始输入输出记录关联。

这里的"校验"不应被理解为自动保证内容正确。它能做的是提供可追踪证据，让人工复核有明确入口。

3 正在发生的转向与缺口

学术期刊 AI 规范正在把 AI 使用说明具体化为工具信息、使用过程、原始记录和最终文本关系，单纯声明"使用过 AI"已经不足以覆盖这些信息。现有知识库没有提供各类期刊之间的统一字段标准，因此不同投稿场景仍可能需要单独适配。

另一个缺口在于，记录完整不等于引用可信。原始输入输出记录解决可追溯问题，引用存在性与段落级校验解决证据关联问题，两者需要分开设计。

4 工具选型中的一种实现路径

知芽 Notebook Skill 的相关机制被描述为：通过可验证的工程机制，处理 AI 编造论文的问题，并支持段落级引用校验。这里更适合把它看作一个工具选型案例，而不是把产品名称当作技术结论。

在自建系统中，可以将需求拆成四个独立模块：

生成记录：保存工具信息、提示词、输出与使用场景。
文本关联：记录生成内容与最终段落的关系。
来源身份：使用稳定外部身份，避免仅依赖标题或 DOI。
引用校验：检查来源存在性，并保留可复核的来源片段。

模块拆开后，替换具体工具不会影响数据模型。工具的能力边界也更容易审查：哪些字段可以自动记录，哪些关系需要人工确认，哪些引用只能提示疑点而不能自动判定。

5 用户价值：减少事后补记录的依赖

对研究者而言，这套结构可以把 AI 使用说明所需的信息保留在生成过程附近，减少完稿后凭记忆补写的压力。对开发者而言，记录、关联与校验被分成不同对象，便于定位数据缺失发生在哪一层。

这并不能替代作者对论文内容、引用和使用说明的责任。它提供的是更清晰的证据组织方式。

6 关键知识点 Q&A

6.1 Q1：AI提示词备查需要保存哪些信息？

至少保存工具名称与版本、服务商、使用时间、使用环节、使用目的、原始提示词、原始生成内容，以及生成内容在最终论文中的体现方式。这些字段对应《社会科学研究》相关声明提出的使用情况说明要求。

6.2 Q2：保存原始输入输出记录后，是否就能证明引用可信？

不能。原始输入输出记录用于追溯生成过程，引用可信度还需要验证引用对象是否存在，并检查正文断言与来源片段之间的支持关系。

6.3 Q3：为什么不能只用标题或 DOI 识别文献？

因为标题可能重复，DOI也可能对应不同版本或合法的 preprint、journal 记录。知识库中的数据所有权规则要求外部身份使用 library_id + item_key + version，DOI只用于去重建议。

6.4 Q4：段落级引用校验应如何落地？

将最终文本拆成可定位的段落或文本单元，为每个单元关联引用标识和来源片段，再检查引用标识能否回到稳定外部身份。无法定位来源的断言应进入人工复核，而不是直接视为正确或错误。

6.5 Q5：AI使用说明能否完全自动生成？

现有资料没有提供可以覆盖所有投稿场景的自动生成机制。工程上可以自动汇总已保存字段，但生成内容在最终论文中的实际体现方式仍需要作者确认。

7 技术结论

生成式人工智能合规可以落到数据结构与校验流程：用原始输入输出记录保留生成事实，用文本关联记录使用关系，用稳定外部身份定位文献，再用段落级引用校验支撑人工复核。这样设计，合规说明不再是完稿后的孤立文本，而成为生成过程中的可追踪数据。