4.2 复杂查询处理与知识空白识别

知道自己不知道

本节在评估章的第二站：比"覆盖得多"更难的是"知道自己哪没覆盖"。全册里，知识空白识别是诚实性的前置（4.4 会讲诚实回答）。设想一个场景：你问"某新药对亚洲人群的副作用"，系统搜了一堆欧美试验，给出结论——但它从没意识到"亚洲人群"这个限定根本没被任何来源覆盖。这种"不知道自己不知道"，是研究报告最危险的漏洞。

复杂查询的处理，第一步是识别其中的约束与子维度。人类会本能地把"亚洲人群""长期""轻中度"拆成独立维度去验证覆盖；机器需要被显式设计成这么做。下面用代码演示"约束覆盖检查"：把查询里的约束逐条核对证据是否覆盖，未覆盖的列为知识空白。

# 知识空白识别：逐条核对查询约束是否被证据覆盖
def find_gaps(query_constraints: list, covered: list) -> list:
    return [c for c in query_constraints if c not in covered]

# 运行示例
constraints = ["亚洲人群", "长期", "轻中度", "副作用"]
covered = ["欧美人群", "短期", "轻中度", "副作用"]   # 证据实际覆盖
print(find_gaps(constraints, covered))
# ['亚洲人群', '长期']  —— 这两维是知识空白
​

运行输出 ['亚洲人群', '长期']。系统据此应明说"结论基于欧美、短期数据，亚洲人群与长期效应尚缺证据"，而非把结论包装成普适。空白识别把"答得不全"转成"答得诚实"——这正是研究智能体区别于瞎答系统的分水岭。

我们主张：知识空白的呈现方式决定报告可信度。两类错误最该避免：一是把空白当"无此问题"默默跳过；二是为填满空白去编造。正确做法是显式列空白，并给出"已覆盖部分的适用边界"。这要求综合层（3.4）在成文时把约束覆盖率写进每句结论。

复杂查询还涉及"多跳"：答案不在单一来源，而要 A 推 B 再推 C。评估多跳能力，看中间推理链是否每跳都有证据。下面演示多跳覆盖检查：

# 多跳推理覆盖：每跳是否都有来源支撑
def check_hops(hops: list) -> list:
    # hops: [("A->B", True), ("B->C", False)] 表示第二跳缺证据
    return [h[0] for h in hops if not h[1]]

hops = [("技术成熟->可量产", True), ("可量产->成本低", False), ("成本低->普及", True)]
print(check_hops(hops))   # ['可量产->成本低']
​

输出 ['可量产->成本低']，指出第二跳"可量产导致成本低"缺证据。多跳里任一跳悬空，整条链就不可信。评估时必须逐跳验，而不是只看首尾。

完整案例：背景→操作→结果→解读→变式

• 背景：投研报告称"该技术将快速普及"，依据仅"技术成熟"和"成本低"两句，第二跳无源。
• 操作：用 check_hops 验链，发现"可量产->成本低"悬空，标记为待验证。
• 结果：报告改为"技术成熟，但量产降本路径未获证据，普及结论待验证"。
• 解读：多跳覆盖检查拦住了一个看似顺滑、实则断链的论断。
• 变式：若场景容许推测，可保留断链但显式标注"此跳为合理推断非已证事实"，与 3.4 证据等级衔接。

知识空白识别还有一层工程含义：它决定了检索该往哪补。系统发现"亚洲人群"是空白后，下一步不是泛泛再搜，而是生成针对性查询"亚洲 临床 副作用 队列研究"——把空白翻译成检索式，这正是 3.2 迭代细化在验证侧的应用。若系统只列空白不补搜，等于把球踢回给人；若补搜后仍空，才该标注"确属证据缺口"。两步之分很重要：临时空白（能补）与真缺口（补不到）应对策略不同，报告里必须区分，否则读者无法判断是哪一类。

对比之下，"覆盖得多却漏关键约束"是更隐蔽的失败。曾有系统回答"某疗法安全性"，覆盖 20 篇，却全部基于短期随访，对"长期安全性"这一约束毫无触及。按 find_gaps 检查，约束"长期"未被任何来源覆盖，判为空白。但系统未标，读者以为"安全"是全面结论。这说明空白识别不能只看子任务是否都有来源，还要逐约束核对——子任务"安全性"有来源，不代表其下每个维度都有。约束粒度比子任务粒度更细，是验证的最后一道闸。

还有一个常踩的坑：把"未检索到"当成"不存在"。空白识别的输出应是"当前证据未覆盖 X"，而非"X 不成立"。这两句差之千里——前者留口子，后者下结论。综合层（3.4）成文时必须用"未覆盖"措辞，且若某约束持续空白，应在报告开头预警"结论适用范围受限"。这又回到 1.1 的诚实边界：研究智能体的价值不在于永远答对，在于永远说清"我覆盖了什么、没覆盖什么"。空白识别就是把"没覆盖"从隐性变成显性的一道工序。

空白识别还应接入"用户追问"闭环。报告标了"亚洲人群未覆盖"后，若用户追问"那亚洲到底怎样"，系统应立刻把该空白转为新子任务去补，而不是答"我不知道"就结束。这把 4.2 和 3.2 的迭代细化连成用户侧闭环——空白不是终点，是下一轮研究的起点。工程上，空白项应带"可点击转任务"的元信息，前端一键即触发补搜。这种交互设计让"诚实说不知道"不再冷场，而是自然续上探索。

再谈一个边界：空白识别对"开放式问题"和"封闭式问题"粒度不同。封闭式如"某药是否获批"，空白就是"是否获批"这一布尔；开放式如"某领域现状"，空白是若干未覆盖的子维度。后者更难，因为"全"本就无界——你永远能说"还差 X 没覆盖"。工程上应对开放式设"覆盖阈值"（如核心子任务 80% 覆盖即算够），而非追求穷尽，否则系统会无限补搜。阈值定在哪，回到 3.2 的预算与 5.2 的早停——资源约束决定了"够"的标准。空白识别不是要把未知清零，而是要把未知"讲清楚、画边界"，让人类决定要不要继续。

举个可落地的空白看板设计。系统维护一张"约束覆盖矩阵"：行是查询约束（人群、时段、剂量等），列是已检索来源，单元格填"已印证、单一、空白"三态。成稿前渲染这张表，读者一眼看到哪格空白，比读一段"本报告存在若干未覆盖"更实在。矩阵还能驱动补搜——空白格自动生成补检索任务。这个设计把 4.2 的 find_gaps 从命令行输出变成可视资产，也方便审计"上次缺的这次补上没有"。空白不再是脚注里的小字，而是研究的仪表盘。它把"知道自己不知道"从一句宣言变成可持续维护的工程对象，让诚实性可被日常巡检而不只是被写进原则。

4.3 看多源信息怎么被整合——空白识别之后，是整合质量。