💡 一句话总结：RAG 工具给你的文献综述看起来头头是道，但你看不见它的「筛选间」------检索策略是什么、哪些论文被评估后丢弃、有没有关键证据在合成前就被滤掉。FootprintRAG 把这个隐藏环节搬到台面上：证据可看、可改、可追溯，调研从「收摘要」变成「审证据」。
导语：你的文献综述，是被谁过滤出来的？
问 RAG 工具「这个领域的主要方法有哪些」，它给你一段流畅的综述。但这段综述的原料------证据上下文------是系统在后台经过一整条流水线加工出来的：查询被改写成几个变体、每个变体检回一批文档、重排序、逐条评估相关性、过滤掉「不够好」的、最后把幸存者喂给模型合成。
整条流水线对用户是黑箱。于是出现了探索式调研最怕的三种事故：
- 检索方向窄化：系统只扩展了它认为相关的查询变体，你的问题的另一个侧面根本没被搜
- 证据静默丢弃：一篇真正关键的论文因为「重排分数低」被扔掉，你永远不知道它存在
- 无法追责：综述里某个可疑论断，你不知道它背后是哪篇「证据」------想核对都没入口
中科院网络信息中心联合澳洲团队的回答：把「证据上下文」从黑箱中间产物，变成一等公民的分析对象------看得见、改得动、可追溯。
想看原文？
它的思路是什么？
- 🧩 证据单元化 ：把文献解析成文本段落和图表两类证据单元------科研证据不只有文字，一张关键曲线图同样是证据
- 🔀 并行检索路径 + 可比较：初始查询扩展为多个并行变体分别检索，用视图并排展示每条「足迹」------哪条路径挖到了新方向，一目了然
- ✏️ 证据状态可修订：每个证据单元有「评估状态」，用户可以推翻系统的取舍------把被误滤的证据捡回来，把看似相关的噪声踢出去
- 🔍 ERS 语料级补充 + 溯源生成：系统还会从整个语料库的证据空间里主动推荐被检索遗漏的候选；生成摘要时每个论断都挂接支撑它的证据单元，随时回溯
效果到底怎么样？
- 👥 用户研究验证四项核心价值：比较检索方向、修订候选证据、找回被忽视的证据、把摘要回溯到证据单元------全部可操作且有效
- 📖 两个案例研究：展示真实文献探索场景中「捡回被滤关键证据」「发现新检索方向」的完整过程
- ⚖️ 工作流级对比：与代表性 RAG 系统比较，验证交互介入相对「一键生成」的增益
为什么你要关心？
- 📚 科研调研工具的下一站：AI 综述工具越来越多，「生成质量」卷到头之后，下一个战场就是「证据透明度」------你能审查 AI 的证据选择吗？
- 🏢 企业知识库 RAG 同样适用：法务、合规、医疗等「证据错不得」的场景，让人类在生成前审一遍证据池，是比「事后检查答案」更靠前的质量闸门
- 💡 一个通用交互范式：「把管线中间产物变成可修订对象」------不只适用于 RAG，数据清洗、代码审查、模型评估都可以借鉴
理性看待
冷静看三点：可视分析系统的经典代价------学习成本与操作负担，赶时间的用户可能退回「一键生成」；用户研究和案例规模小；证据修订依赖用户的领域判断力，新手未必比系统挑得准。但它指出的方向明确：在 AI 生成链路里，「人类可介入的位置」本身就是设计对象------越早介入，纠错成本越低。