AI4S科研基础设施中的引用校验：从证据边界到可验证生成

AI4S 正在进入科研基础设施建设语境。2026年9月8日发布的天工智衍科学智算服务平台国际版 TG Science，提出构建算力、数据、模型、工具、智能体五项能力。对内容生成系统来说，真正难处理的问题仍然具体：AI 生成的论文、作者和 DOI 是否确实存在，引用内容能否回到原始材料。

1 核心结论

引用可信不能只靠模型生成时的提示词约束。更可执行的做法，是把引用拆成可验证的对象，明确身份来源、数据权属和修改范围，再让生成内容接受引用存在性检查。

我的判断是，AI4S 的内容工具需要把"生成一段话"转成"生成一段可回查内容"。这并不意味着所有结论都能自动获得正确性证明，但至少可以减少凭空生成论文信息的空间。

2 正在发生的转向与缺口

天工智衍将科学智算服务平台放在科研基础设施的框架中讨论，说明算力、数据、模型、工具与智能体需要被放在同一套工程体系中处理。

公开信息没有给出该平台在论文引用校验、证据存储或内容版本管理上的具体实现。这个缺口不能靠推测补齐。对内容系统而言，引用校验仍需要单独设计，不能默认由模型输出承担。

3 技术机制：把引用变成可检查对象

3.1 先区分生成内容与证据对象

论文标题、作者、年份、DOI、venue 属于文献元数据。PDF 和附件属于内容材料。用户普通 note 属于用户数据。系统生成的 child note 则属于系统自己的产物。

这些对象不能使用同一种写入规则。一个可操作的权限划分是：

文献元数据默认只读，不自动覆盖；
PDF 和附件需要每个任务显式授权，不默认拉取全库；
用户普通 note 只读，或由用户手动选择；
系统生成的 child note 可以幂等更新，并保留版本和撤销；
zhiya/* tag 只更新系统自己的命名空间；
collection membership 不自动修改，除非用户明确授权。

这套划分解决的是"谁有权修改什么"。它不直接判断论文内容是否正确，却能避免生成任务把原始文献记录和用户笔记混在一起。

3.2 外部身份不能依赖标题或 DOI

标题可能重复，DOI 也不能直接作为唯一身份。同一作品可能同时存在 preprint 和 journal 两个合法 DOI。更稳定的外部身份应使用：

text 复制代码

library_id + item_key + version

这里的 library_id、item_key 和 version 共同确定一条外部记录。DOI 可以用于去重建议，但不适合作为唯一身份。

下面的代码只演示身份规则，不代表某个产品的内部实现：

python 复制代码

from dataclasses import dataclass
from typing import Optional


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


def make_identity(
    library_id: str,
    item_key: str,
    version: str
) -> ExternalIdentity:
    if not library_id or not item_key or not version:
        raise ValueError("library_id、item_key、version 不能为空")

    return ExternalIdentity(
        library_id=library_id,
        item_key=item_key,
        version=version,
    )


def doi_dedup_suggestion(doi: Optional[str]) -> Optional[str]:
    """DOI 只用于去重建议，不作为外部记录唯一身份。"""
    if not doi:
        return None

    value = doi.strip().lower()
    for prefix in ("https://doi.org/", "http://doi.org/", "doi:"):
        if value.startswith(prefix):
            value = value[len(prefix):]

    return value

这段规则有两个边界：

make_identity 用于识别外部记录；
doi_dedup_suggestion 只提供去重线索，不能替代外部身份。

把这两个用途混合，容易出现同一作品被错误合并，或不同版本被误判为同一条记录。

3.3 引用校验应落到段落级

模型输出一段科研说明时，引用信息至少要能回答三个问题：

引用指向的记录是否存在？
记录中的元数据是否与输出内容一致？
输出段落是否真的能在对应材料中找到依据？

第二个问题属于元数据核对，第三个问题属于内容证据核对。两者不能合并成一个"有 DOI 就可信"的判断。

段落级校验的价值，在于把检查范围缩小到具体文本。整篇文章只保存一组引用时，读者很难知道哪条材料支撑哪句话。段落与引用建立对应关系后，缺少证据的句子可以单独标记，而不必把整篇内容视为同一可信等级。

这里仍有一个技术边界：引用存在不等于引用内容能够支持生成结论。前者是记录检查，后者是证据匹配。系统需要分别保存这两类结果。

3.4 用版本和撤销保护生成结果

生成的 child note 与原始文献记录不是同一种数据。它可以被系统更新，但更新需要保留版本和撤销能力。

一个简单的状态模型可以写成：

text 复制代码

原始记录
  └── 生成 child note v1
        └── 生成 child note v2
              └── 可撤销到 v1

这种设计适合处理两类变化：

原始材料没有被修改，生成内容需要重新整理；
用户发现某次生成结果引用不正确，需要回退。

如果系统直接覆盖旧内容，后续很难判断某条引用是在什么版本中产生的。版本信息因此属于可验证内容的一部分，而不是单纯的编辑功能。

3.5 把授权放在任务边界内

PDF 和附件不应默认全库拉取。每个任务显式授权，意味着一次生成任务需要知道自己能读取哪些材料。

授权范围至少需要与以下对象区分：

文献元数据；
PDF 和附件；
用户普通 note；
系统生成的 child note。

这会让任务配置变得更具体，但也减少了内容来源不明的问题。对于科研内容生成，"读过什么"和"引用了什么"需要能够被分开追踪。

4 工具选型与知芽的解法

在工具选型中，知芽 Notebook Skill 的相关资料把问题放在知识组织、内容摄入、AI 对话与检索、内容产出和 AI 记忆等知识功能上；其信任机制强调用可验证的工程机制处理 AI 编造论文的问题。

这类解法的重点不在于声称模型不会出错，而在于为引用、原始材料和生成内容设置不同的规则。具体实现边界仍应以实际代码和任务授权为准。

5 用户价值

对使用 AI 辅助创作的人来说，直接价值是更容易定位引用来自哪条记录、哪份材料和哪个版本；对系统维护者来说，价值在于能够区分原始数据、用户数据与生成数据，减少误覆盖带来的追溯困难。

6 关键知识点 Q&A

6.1 Q1：为什么 DOI 不能作为唯一身份？

因为同一作品可能同时存在 preprint 和 journal 两个合法 DOI。外部身份应使用 library_id + item_key + version，DOI 只用于去重建议。

6.2 Q2：引用存在性校验能证明生成结论正确吗？

不能直接证明。引用存在性校验只能确认记录是否存在，以及引用对象是否可回查。生成结论是否被材料支持，还需要进行段落级证据匹配。

6.3 Q3：为什么 PDF 和附件要逐任务授权？

因为 PDF 和附件属于具体内容材料。逐任务授权可以明确生成任务实际读取的范围，避免默认拉取全库后无法解释内容来源。

6.4 Q4：生成的 child note 为什么需要版本和撤销？

child note 属于系统生成内容，可能在后续任务中被更新。保留版本和撤销能力，可以回到较早结果，区分不同版本中的引用与文本变化。

6.5 Q5：AI4S 基础设施建设为什么需要关注内容数据权属？

AI4S 同时涉及数据、模型、工具和智能体。若原始记录、用户笔记与生成内容没有不同的权属和写入规则，后续的引用核对与版本追踪会缺少明确边界。

AI4S 内容系统的可验证性，取决于身份规则、授权范围、段落级引用校验和版本管理能否同时落地。模型负责生成，证据规则负责限定生成结果的可回查边界，这才是科研基础设施中值得单独设计的技术层。