3.3 信息检索与验证机制

高排名不等于高可信

本节在算法章的第三站：子任务拆好后，真正的硬仗是"取到对的信息、且别被假信息带偏"。全册里这一步对应浏览器代理与分析器（2.2）。一个反例最直观——如果你只信搜索排名最高的那条，等于把"谁会做搜索优化"当成了"谁说的是真话"，而这两件事毫无关系。验证机制就是用来打破"高排名即高可信"的错觉。

检索阶段要解决两件事：广度和去重。广度指覆盖多类信源（学术、官方、媒体、社区），避免单一视角；去重指在 2.4 讲过的字段层去重。验证阶段则做三角验证：同一主张至少两个独立来源印证，且来源之间无引用关系（否则只是同一观点的回声）。下面用代码实现一套最小验证器。

# 三角验证：同主张需两个无引用关系的独立源
def cross_validate(claims: list) -> dict:
    report = {}
    for claim in claims:
        sources = claim["sources"]                       # 每源含 id 与被引列表
        independent = [s for s in sources
                       if not any(s["id"] in o.get("cites", []) for o in sources)]
        if len(independent) >= 2:
            verdict = "已印证"
        elif len(independent) == 1:
            verdict = "单一源 待验证"
        else:
            verdict = "无独立印证 存疑"
        report[claim["text"]] = verdict
    return report

# 运行示例：两条主张
claims = [
    {"text": "产能翻倍", "sources": [
        {"id": "A", "cites": []}, {"id": "B", "cites": ["A"]}]},   # B 引 A 回声
    {"text": "获批临床", "sources": [
        {"id": "X", "cites": []}, {"id": "Y", "cites": []}]},       # 独立两源
]
print(cross_validate(claims))
# {'产能翻倍': '单一源 待验证', '获批临床': '已印证'}
​

运行输出显示："产能翻倍"虽有两源，但 B 引用了 A，算回声，只算单一源待验证；"获批临床"两源互不引用，判已印证。这段代码点出验证的本质——数的是"独立印证数"，不是"来源总数"。来源再多，若都转述同一篇，仍是孤证。

我们主张：验证机制的优先级应高于检索广度。一个覆盖十源但全是回声的报告，不如三源且互相独立的报告。工程上，验证器要维护"来源关系图"，而这依赖抓取时记录每篇的引用链——这正是 2.4 字段化（src、cites）的价值兑现处。

检索本身也有讲究：查询应随阅读动态演化。首轮用子任务关键词，读到新术语后改写查询（比如"临床前"出现后，补搜"临床前 量子计算 药物"）。下面演示查询进化：

# 查询随证据进化：读到新术语就补检索式
queries = ["量子计算 药物 进展"]
evidence_terms = ["临床前", "分子模拟"]
for term in evidence_terms:
    queries.append(f"量子计算 药物 {term}")
print(queries)
# ['量子计算 药物 进展', '量子计算 药物 临床前', '量子计算 药物 分子模拟']
​

输出是三句递进查询。固定一句搜到底，会漏掉子领域术语；让查询随阅读生长，覆盖才完整。这和 3.2 的迭代细化是同一逻辑在检索侧的应用。

完整案例：背景→操作→结果→解读→变式

• 背景：某报告称"某疗法有效率 90%"，来源列了五个，读之发现五个都转述同一篇公关稿。
• 操作：用 cross_validate 的引用关系检查，发现五个源构成回声链，判"无独立印证 存疑"。
• 结果：报告改为"声称 90%，但无独立印证，存疑"，并附原始稿链接供读者自查。
• 解读：验证器把"看起来多源"戳穿成"实为孤证"，避免以讹传讹。
• 变式：若任务要求"舆情态势"而非"事实核查"，回声本身也是信号——可保留并标"此为集中传播的叙事"，口径翻转。

3.4 看验证过的命题，怎么综合成一份带出处、敢说不知道的报告。

来源评分：可信、新鲜、独立三者怎么加权

3.3 讲了三角验证（独立性），但真实选取来源时还要同时看可信度与新鲜度。官方文件可信但可能过时，社区讨论新鲜但噪声大。一个可操作的来源评分 = 可信度 × 新鲜度 × 独立性的组合，三者任一为极低都会拉垮总分——就像生物系统的多因子健康评估，单项致命即整体危险。

下面演示一个综合来源评分器，三个维度各 0~1，用乘法聚合（任一趋零则总分趋零）：

# 来源综合评分：可信×新鲜×独立 乘法聚合
def score_source(s: dict) -> float:
    cred = s.get("credibility", 0.5)     # 权威度
    fresh = s.get("freshness", 0.5)      # 时效性
    indep = s.get("independence", 0.5)   # 独立无回声
    return round(cred * fresh * indep, 3)

# 运行示例
print(score_source({"credibility":0.9, "freshness":0.8, "independence":1.0}))  # 0.72
print(score_source({"credibility":0.9, "freshness":0.8, "independence":0.1}))  # 0.072
​

运行输出第一段 0.72（三维度都高），第二段仅 0.072——只因独立性跌到 0.1（回声源），总分被拖垮。乘法聚合的用意：独立印证是底线，没有它，再权威再新也是孤证复读，这正是 3.3 三角验证的量化版。

💡 关键直觉：来源评估用"乘法"而非"加法"，是因为短板会致命。加法下，一个回声源还能靠"可信度+新鲜度"捞回分数，掩盖问题；乘法下，独立性一塌，总分直接报警。选聚合方式，就是在选"你容忍哪种缺陷"——研究场景通常零容忍回声，所以乘法更稳。

⚠️ 常见坑：新鲜度权重设死。法律场景里"旧但仍是现行法条"比"新出的解读文章"更该采信，此时新鲜度应让位于可信度；而投研场景里旧数据可能已失效，新鲜度权重最高。评分维度不变，但各场景权重要经 5.3 的 config_for 调，不能全局写死。