被 AI 引用，就等于被推荐吗？引用正确性、支持关系与真实依赖

链接数量不能回答“用户是否获得了正确推荐”

品牌被提及、页面被引用、产品被推荐，是不同的结果。链接可能支持一条排除理由，也可能根本无法支撑旁边的句子；答案即使说对了，也未必真的依赖那个来源生成。评价 GEO 结果应逐条拆开主张、支持关系、语境和推荐条件，保留原回答及来源快照。只有最终输出时，很多内部依赖无法确认，应标为未知，而不是把所有引用计成正面曝光或可信背书。

假设答案说：“甲支持完全离线部署，适合处理敏感资料”，并附上甲的文档链接。文档实际只说“可在自有服务器部署，但某些功能调用外部服务”。链接真实存在，品牌也被推荐了，然而最关键的“完全离线”没有得到支持。若报告只统计一次引用和一次推荐，这个可能影响采购的错误就会被当成成功。人工核对必须回到具体句子与具体原文。

一、把一个流畅句子拆成可以核查的主张

“甲价格低、支持私有部署、适合没有工程师的团队”至少包含三条主张。它们可能需要不同证据：价格需要单位与范围，部署需要当前技术说明，适用对象还涉及维护责任。一个来源支持其中一项，不能自动支持整句。原子主张不是越短越好，而是能够独立判断真假或支持程度的最小有意义表达。

拆分时保留限定词。把“企业版在完成配置后支持单点登录”简化为“支持单点登录”，会改变主张范围；把“可能适合”改成“最佳选择”，会把条件判断变成更强推荐。主张表应保留原句、拆分结果、版本和问题条件，不能为了方便自动评分而丢掉决定结论的词。很多引用错误其实发生在概括扩大范围的时候。

二、来源可访问、内容支持与事实正确各自不同

可访问性只问链接是否能打开并取得目标内容；支持关系问来源是否足以支撑主张；事实正确性问主张是否符合当前可核事实。一个旧文档可以准确支持旧版本的说法，却不支持当前版本；一个来源可能写错，模型忠实复述仍然不正确；一个正确主张也可能附上无关链接。需要分别记录，不能用其中一项代替全部质量。

AIS 的原始研究提出判断自然语言输出是否可归属于已识别来源，并给出人工评价流程，强调根据给定来源核查陈述。这提供了支持关系的研究基础，但并不把“来源支持”当作所有现实事实已经获得最终证明。AIS 原论文。对产品资料，优先核对当前官方说明，同时说明厂商声明、实际测试与独立证据的差别。

三、引用覆盖率与引用支持比例为什么分母不同

本篇定义一个透明的教学覆盖率：有至少一个有效支持来源的主张数，除以需要外部证据的主张总数。再定义已附引用的支持比例：真正支持对应主张的引用边数，除以已附引用边数。前者问“还有多少话没被支撑”，后者问“已经给出的链接有多少用对了”。一份答案可以链接都正确，却还有很多未引用的主张；也可以每句话都有链接，但多数链接不支持。

这两个教学指标与特定基准的全部评分实现不是同一回事。ALCE 研究将生成质量与引用质量分项评价，提供了端到端可比较的引用任务和指标；实际采用时应阅读其具体定义，不能把本篇简单计数直接命名为完整 ALCE 得分。ALCE 原论文。指标名字相近，不代表分母、联合支持或冗余引用处理完全一致。

四、已经执行的主张—来源矩阵计算

P09.py 设四条虚构主张和两份来源。C1 链接 S1 且得到支持，C2 也链接 S1 却没有支持，C3 链接 S2 且得到支持，C4 没有来源。于是覆盖率为二除以四，即 0.50；已附三条引用边中，两条支持主张，支持比例为二除以三，约 0.6667。输入标签由作者设定，不是模型自动判断结果。

执行 python3 P09.py，结果保存在 P09-result.json。这个例子保留了链接真实但支持错误的反例，也保留了完全无引用的主张。脚本没有访问这些来源，因为它们是抽象编号；它演示计算结构，不是对任何客户答案的实测。若把 C2 的错误链接删掉，支持比例会升高，但 C2 仍然没有证据，覆盖率不变。这个变化说明两个指标必须一起读。

真实评价还可能出现联合支持：单独任何一份来源都不足以支持主张，两份合起来才足够。也可能存在冗余引用：已经充分支持的句子又附加无用链接。正式评分应明确如何处理这些情况。不要为了让指标简单，把复杂主张强行判成二元结果；可以保留部分支持、冲突和无法判断，再由人工说明具体原因。

五、提及、引用和推荐应独立标注

“甲是这一类产品”是提及，没有明确推荐；“甲不支持离线，见文档”是引用加排除；“如果接受托管方式，可以先试甲”是条件推荐。推荐还需要记录条件、优先程度与正负语境。把答案中所有品牌名都计为推荐，会将竞争说明、风险提示和历史背景混入成功指标。一个准确的排除说明也可能对用户有价值，不能只按正面程度评价答案质量。

同样，答案推荐但未链接官网，不等于已产生访问；链接官网但用户没有点击，也不是线索。报告应分别列答案层指标与站点层行为。若后来出现咨询或订单，还需要真实归因证据，不能把同一时间段的增长自动归给某次引用。引用分析解决的是答案证据问题，不是完整的营销转化证明。

六、普通链接、搜索结果和平台引用字段

回答正文中的普通 Markdown 链接，只能先按普通链接处理；搜索工具返回的结果，是工具阶段的候选或来源；平台提供的结构化引用字段，可能包含来源地址、标题和对应文本位置。它们都值得保存，但作用不同。不能因为底层工具搜索到了某个页面，就说最终答案已经引用；也不能把模型随手生成的网址冒充工具验证过的来源。

实际存档时保留原始结构化字段和渲染后的答案。界面可能省略部分字段，链接也可能经过重定向或带追踪参数。去重可以用规范化后的地址，但要同时保存原始 URL，防止删除参数后改变页面含义。对于版本页、语言页和特定文档锚点，过度归并可能把不同证据误当成同一个来源。可复核性比一开始就整理得过分干净更重要。

七、来源支持不等于模型实际上依赖它

一个网页足以支持某句话，是关于内容关系的判断；模型是否因为这个网页才生成那句话，是关于因果过程的判断。模型可能先凭参数知识回答，再附上一个相符来源；也可能在多个相似来源中只展示一个。仅看到最终句子和链接，通常无法区分这些过程。因此，不应把“引用正确”升级为“已证明真实依赖”或“模型信任该网站”。

在可控系统中，可以删除或替换一个来源，观察答案变化，同时保持其他输入尽可能一致。这能为依赖提供干预证据，但仍需注意：删除改变了输入长度与结构，替换可能引入新信息，多来源冗余也会使答案保持不变。答案不变不必然意味着完全没有依赖，答案改变也需要分析变化具体来自哪里。因果问题需要比链接核查更强的实验设计。

八、双人标注如何发现自动评价的盲点

先给审核者相同的主张拆分与证据快照，独立判断支持、不支持、部分支持或无法判断，再讨论分歧。不要让第二人先看到第一人的标签，否则一致性会被人为提高。分歧本身有价值：它可能揭示来源表达含糊、主张范围过大，或标签规则没有说明时间和版本。最后的裁决应保留理由，而不是覆盖掉最初意见。

教学脚本另设八条二元标签，两名标注者在七条上一致，观察一致率为 0.875。按两人的正负标签边际比例，偶然一致期望为 0.5，Cohen κ=(观察一致率-期望一致率)/(1-期望一致率)=0.75。数字只演示校正一致性的计算，不表示真实审核团队的可靠性，也不应当作脱离任务的合格阈值。样本量很小、类别分布和标签定义都会影响解释。Cohen 原始论文记录。

九、自动支持判断能辅助什么，不能替代什么

自动模型可以帮助拆分主张、定位候选证据和筛查明显无关链接，但它也可能忽略否定、单位、版本和条件，甚至被来源中的不可信指令影响。尤其对法律、医疗、金融和安全能力等高后果内容，应回到原始资料与合格人工判断，不能因为自动评分高就给出保证。这里讨论的是证据检查方法，不提供相关专业结论。

合理流程是自动初筛加人工复核，而不是让自动标签成为不可修改的事实。为每条标签保留证据段落、原文位置和判断理由；审核者发现错误后，记录修订时间与原因。抽样时包含低分、高分和边界案例，不能只检查系统已经认为有问题的部分，否则高分误判会长期留在报告中。

十、时间、版本与来源关系如何改变判断

主张“社区版支持某功能”可能在旧版本正确，在当前版本错误。评价时应先确定问题问的是当前购买还是历史迁移，再核对来源有效范围。一个今天仍可访问的旧页面，不自动成为当前事实；一个新发表的评测，也可能引用旧版本测试。标题与日期只能提供线索，真正的支持需要正文范围一致。

多个网站复述同一厂商新闻稿，并不等于多份独立验证。对于产品功能，厂商当前文档可以是直接来源；对于性能与业务效果，需要检查测试方法、样本与对照；对于“行业最佳”，还需要明确比较范围。来源数量不能抹平证据层级。报告应允许某个主张没有足够公开证据，而不是用更多链接填满空白。

十一、怎样形成可交付的引用审核记录

每条记录至少包含原回答、原子主张、引用 URL、来源快照或可核段落、适用版本、支持标签、推荐语境和人工备注。把访问失败与内容不支持分开，因为前者可能是暂时不可取得证据，后者是已经核对后发现范围不符。对需要登录或没有权限的资料，保留无法核查，不通过其他方式绕过限制。

修订建议应对准具体错误。例如把“完全离线”改为“可自托管，部分功能依赖外部服务”，并链接当前部署说明；把笼统推荐改为附带明确条件；为没有依据的性能结论补测试方法，或直接删除过强说法。不能用“增强权威性”代替这些具体动作，也不能为获得正面推荐隐藏产品真实限制。

十二、如何使用这些结果做下一轮观察

固定问题集与标签规则，比较每次回答中的主张支持、覆盖与推荐条件。保留逐题变化，不要只发布一个总引用率。若答案开始准确地排除不适合场景，质量可能改善，即使正面推荐次数没有增加；若推荐增加却伴随更多无依据能力声明，则需要修正，不能只庆祝曝光。业务目标与信息准确性应该同时被看到。

下一步可以结合 P14 深入理解评价设计，用 M06 组织人工复核，或通过 M01 保存完整诊断证据。引用分析的价值，是让团队知道用户究竟听到了什么、哪些话有依据、哪些仍然未知。一个可以逐句复核的结果，比单纯显示很多链接更接近真实客户需要的答案。

十三、把“无法判断”保留成有用信息

无法判断至少有几种原因：来源打不开，来源需要权限，页面只有概括没有细节，主张本身含糊，或几份证据相互冲突。把它们全部记成错误会夸大失败，把它们全部记成正确又会掩盖风险。建议先保留原因，再决定是否需要重试访问、补充官方说明或请产品负责人确认。报告读者应能看出这是证据缺口，而不是已经证实产品没有该能力。

例如来源写“支持企业级权限”，答案写“可以按单个字段限制读取”。两者不能仅因为都含“权限”就判为支持。需要找到具体权限粒度的说明；若没有，应标记该范围尚未得到证据支持，而不是推断功能绝对不存在。这个区别既保护用户，也避免把诊断写成对产品未经核实的负面指控。准确的措辞通常是“该公开来源不足以支持此句”，而不是“产品肯定做不到”。

再看推荐语境：“如果你已有运维团队，甲值得评估。”这不是面向所有用户的无条件推荐。标注时应把运维前提保留下来，并检查后续摘要是否删掉了它。若不同报告只统计品牌名和推荐动词，会把有条件的适配判断变成普遍结论。原回答的句子边界、条件从句和来源位置都应保留，让人工能够重新理解语境。

最终交付不必让每个未知都变成确定答案。它应明确已核实什么、哪些主张需要更强证据，以及下一次验证会改变哪项判断。这样的记录可以逐轮改进；一个只剩分数、没有来源和理由的报告，即使数字漂亮，也很难帮助客户纠正真正影响购买的信息。