报告越笃定，越要回看证据：研究智能体的“抹平”与证据配比

句句都有真实出处，为何研究报告的结论依然失真

设想投研、法务或媒体的审阅人检查一份研究智能体起草的综述。报告每段末尾都附有真实链接，抽查几处后确有相关语句，审阅人便予放行。但原文只证明“某方法在特定小样本实验中有效、高并发下失效”，报告却写成了“充分证据表明该方法普遍优于传统方案”。

这种失真不同于捏造虚假判例，也不同于工具格式化遗漏截断上限。此处引用的材料完全真实，问题出在结论的力度、范围与证据池构成上。当复核只问“有无引用”时，两类隐患便会漏网：一是智能体综合多份文献时抹去限定条件，把局部证据夸大为普适定论^[1]；二是进入上下文的文档虽各自属实，却集中于单一立场，使回答整体偏斜^[2]。

从单篇概括偏差到多源“抹平”与立场失衡：三项实证机制

概括单篇文献时，这种放大已有先例。Peters 与 Chin-Yee（2025）对比了 10 个主流大模型生成的 4,900 篇科学摘要与原文：即便明确提示要求准确，多数模型仍给出比原文更宽泛的概括，其中三个模型在 26% 至 73% 的案例中过度概括；直接对比显示，模型摘要出现宽泛概括的可能性接近人类摘要的五倍（比值比 4.85），且较新模型往往更差^[3]。

在跨多源文献的研究智能体中，这一倾向演变为“论断抹平”。Roy、Wadhwa 与 Durrett（2026）界定，一条论断若同时满足三项条件即为被抹平：（1）它是从汇总证据得出的结论；（2）部分引用证据确实支持其中至少一部分；（3）结论整体比全部引用证据所能支撑的更强或更宽泛——忠实表述应在证据混杂时保持保留、在支持有限时收窄范围^[1]。作者从报告中提取结论性论断，在报告自引文档上分别运行提取支持证据的通道与收集限定、边界或反驳证据的质疑通道，按维度聚类后由模型评判器按 1 至 5 分打分（3 分及以上为实质性抹平，4 分及以上为严重抹平）；在 73 条论断的人工核验中，评判器与人类标注员分差在 1 分以内的比例达 93%，一致性与两名人类标注员之间相当^[1]。

在 7 个系统与 4 个研究基准的评测中，每个系统在每个数据集上都出现了实质性抹平，占比至少 22%，多数系统超过论断总数的一半；严重抹平跨系统差异悬殊，最低的两个系统为 1% 至 4%，最高者达 22% 至 35%^[1]。抹平反复呈现三种模式：无据拼合（把各自有据的片段拼成更强结论）、范围扩张（把单一设定下的结果写成普遍规律）与过早定论（使用“确凿证明”“最佳方案”等字眼）；“哪种更有前景及原因”等比较型提问与主题综述型提问尤易诱发抹平^[1]。作者还发现，被测智能体很少打开所引网页：一个系统仅打开了所引页面的 19%（主要靠中位长度 585 字符的搜索摘要写作），另一个仅打开 2%^[1]；作者据此认为，抹平部分取决于智能体选择读取哪些信息^[1]。在一个基准 61 个问题上对两个系统的干预表明，单加校准指令或单给完整全文都不足以单独解决问题；唯有同时提供完整文档与校准指令，实质性抹平才分别从 29% 降至 12%、从 61% 降至 25%，严重抹平几乎消失（0.5% 与 2.2%），且报告未变短，论断保留主旨并补上了限制条件^[1]。该结论受限于模型评判器评分（经 73 条校验）与研究型基准问题；同一系统内文档数与论断长度同抹平几乎无关，说明仍有其他因素^[1]。

即便读了全文，证据池本身的构成仍可带偏结论。Yang 等人（2026）围绕 210 个争议问题，向知识库注入事实有据但偏向一端的文档，测试四种污染浓度、两个方向与不同供应商的四个生成模型^[2]。当主题平均污染占比为 18.9% 时，四个模型均向污染方向偏移，且偏移随浓度单调增加；由于每篇材料本身可核实，仅逐条核查论断无法发现证据池一边倒^[2]。作者在检索与生成间加入“立场配平”层：经立场检测后按“2 篇支持 + 2 篇反对 + 1 篇中立”固定配额选文，并配去偏提示词，不增加额外模型调用。完整方案在全部八项设定中将立场偏移幅度降低约 0.106 至 0.350，跨模型测试仅单向残留 +0.045 至 +0.063 的微小倾斜，单张图形处理器上检测 20 篇候选文档仅耗时中位生成时间的约 1.5%^[2]。其局限在于仅覆盖英文、单一检索器、单一问题源及模型生成的倾向文档，且依赖立场类别与检测标签；该方法仅适用于真正存在争议的问题，并非要求所有事实问题都拼凑“正反双方”^[2]。

工程落地与 rlab.works 能力映射：论断复核、阅读留痕与配额约束

基于此，我们的工程判断是：（1）在论断层面并排展示支持与限定证据，核查结论力度与范围是否匹配，而非只看有无引用；（2）记录每处引用是否真正读取全文，对仅靠摘要的论断打标；（3）对争议问题在写作前固定支持、反对与中立证据配比；（4）同时向写作端提供完整原文与校准指令；（5）重点盯防比较型与综述型问题；（6）在人工关口展示反证与范围边界，允许审阅人下调措辞。

在 rlab.works 的智能感知与智能中枢模块中，可映射三项技能包与三项组件：

• 查资料与报告起草：智能感知的研究报告撰写（S24）执行“拆解问题与范围 → 收集材料 → 撰写引用草稿 → 核对论据（人工关口） → 排版并导出”，可配合有界的跨供应商研究工具循环（有迭代上限的检索工具循环，返回引用与步骤证据）与有依据的文档摘要（生成带引用与源元数据的摘要，并标注兜底结果）。该包在法律行业可迁移：需替换论文来源与新闻主题模型，审查法律效力与判例适用性，不自动化出具法律结论。我们的工程判断是在“核对论据（人工关口）”并排展示支持与限定证据，并标注引用页是否已读全文。
• 跨周期补查与复核：智能中枢的研究续查与归档（S08）执行“调取已有研究 → 制定补查计划 → 批准后执行（人工关口） → 确认新发现（人工关口）”。该包在金融行业可迁移：研究执行仍需对接通用搜索与信息增补队列，因此整包未标为源数据直接支持的金融方案。我们的工程判断是在“确认新发现（人工关口）”核查新证据是否收窄既有结论范围，防止多轮汇总把局部结果抹平。
• 日常资讯汇集与简报：智能感知的每日信息简报（S20）执行“采集并去重 → 提取事实 → 关联相关事件 → 核实并筛选（人工关口） → 生成并发送”，可配合事件、实体与叙事图谱构建（将文章关联为事件与叙事，提取参与方及其立场）。该包在传媒行业有源数据验证：需配置栏目与订阅范围，编辑责任留在复核环节。我们的工程判断是针对争议议题在进入“核实并筛选（人工关口）”前核查立场配比。

需如实说明边界：上述技能包均为基于合成数据演示的拟议未集成方案；三项组件虽经静态源码检查标为可用，但目前均未对论断力度与范围打分、未强制立场配额，也不检查被引用页面是否真正打开——这些是我们从论文提炼的工程要求。本文不构成法律、投资或编辑建议。

研究智能体上线前的三项检验清单

• 核查全文打开记录与双条件输入：确认日志区分“仅读搜索摘要”与“已读全文”，并为写作环节同时配置完整原文与校准指令。
• 核查争议议题的证据池配比：对存在合理分歧的问题，在检索与生成间设置支持、反对与中立文档配额，防止单边材料主导结论。
• 核查人工关口的反证与降级机制：在“核对论据（人工关口）”“确认新发现（人工关口）”与“核实并筛选（人工关口）”同屏展示限定证据，支持审阅人下调措辞强度与范围。