第6章　一个答案，怎样才算有根据

样章 v0.1　｜　2026年9月20日

第二十五枚硬币会怎样

设想你看到这样一段短视频：一张折成连续折纹的纸，搭在两摞书之间。有人把硬币一枚一枚放到纸桥上。十枚，二十枚，二十四枚……画面到这里结束，桥没有塌。

转发时，有人配了一句话：“一张A4纸最多能托住24枚硬币，照这样折就一定能成功。”

这个结果很有意思，你也想试一试。不过，“已经托住24枚”和“最多只能托住24枚”，说的是同一件事吗？视频里没有放上第二十五枚，是因为纸桥已经到了极限，还是因为手边只有这么多硬币？两摞书之间的距离，又有没有影响？

上一章，我们研究AI怎样生成内容，知道同一份材料可以有不同表达，也可能被补上原本没有的细节。这一章继续往前走：遇到一个值得弄明白的问题，怎样找到资料、看懂资料，并让AI帮助我们形成有根据的回答？

我们将围绕纸桥阅读几份短材料，先形成一个回答，再加入新的记录，看看哪些说法可以保留，哪些需要修改。整个练习用文字就能完成。你也可以把本章的方法带回第1章留下的问题，继续寻找答案。

学完本章，你将能够：分清模型生成、搜索与资料提供各自的作用；从材料中找出支持一句话的依据；解释检索怎样与生成配合；比较不同记录的条件；把已经确认、仍有疑问和暂时不知道的内容说清楚。

6.1　分清回答来自哪里

6.1.1　模型生成、搜索结果与提供的资料

向AI询问纸桥能托住多少枚硬币，它可能很快给出一个数字，也可能先询问纸张、折法和支撑距离。阅读回答以前，可以先看看：这次回答能够参考什么？

第5章讲过，语言模型会利用训练形成的能力，结合当前输入生成内容。你只输入“一张纸能托住多少枚硬币”，模型能够调用已有的语言与知识关联，解释相关因素，提出试验建议。但是，没有看到那次试验的记录，它就缺少判断现场具体情况的直接材料。[1]

模型可以先帮我们解释问题、提出观察方向；现场用了什么纸、放到哪一枚停下来，则需要查看相应记录。

有些AI应用能够调用搜索工具，先到外部寻找资料，再将找到的内容交给模型组织回答。这样，模型就有机会参考本次检索得到的信息，包括训练之后才发布的内容。能不能做到，要看应用是否具有并实际使用了相应工具。[2]

搜索本身也有一个过程。以网页搜索为例，搜索系统会发现网页、处理和整理内容，在收到查询后返回相关结果。它能够找到哪些页面，受到收录范围、访问条件和查询方式等因素影响。没有出现在搜索结果中的内容，仍然可能存在。[3]

第三种常见情况，是由我们直接提供资料。你把一次试验记录贴到对话中，模型便可以根据这段文字回答。这时，资料不必已经在互联网上公开，也不必先被写入模型参数。

本次怎样获得可参考的信息	对纸桥问题有什么帮助	还需要留意什么
利用模型已有能力回答	解释问题、提出可能影响结果的因素	是否缺少这次试验的具体记录
先搜索，再组织回答	寻找公开记录和相关说明	找到了什么，原文是否支持回答
直接提供记录再提问	围绕指定材料阅读、比较和归纳	材料是否完整，归纳是否改变原意

这三种情况可以出现在同一次回答中。例如，模型阅读你提供的记录，再搜索一个相关概念，最后综合信息生成文字。使用的资料可能来自不同地方。

因此，核对时要落实到具体句子。“纸张形状可能影响承托表现”是一种需要知识解释的说法；“视频里的纸桥托住了24枚”则是在描述某次试验。它们需要的依据不同。

把链接放进对话后，还要看看应用是否真正读取了网页。没有网页读取能力时，可以直接提供相关短文；AI自称“已经查证”时，也要看它给出了什么可查看的依据。

停下来想一想：你想知道自己昨天做的纸桥用了几枚硬币，而记录还在自己的笔记本里。AI能够直接知道这个数字吗？它可以先帮你做什么，你又需要补充什么？

6.1.2　看起来合理与得到证实

“纸很薄，所以一定托不住硬币”听起来有理由；“把纸折起来就能托住很多硬币”也可能让人觉得有道理。要说明某次试验究竟发生了什么，我们需要更具体的信息。

先读两份材料。以下是本章使用的纸桥试验示例。

材料A：第一次试验记录

① 用一张A4纸折成连续的折纹，搭在两摞等高的书之间。两摞书内侧相隔10厘米，纸桥两端放在书上，没有用胶带固定。

② 将同一种硬币逐枚放在桥面中部的一小片区域。放到24枚时停下，纸桥仍托住这些硬币。

③ 手边准备的硬币已经放完，没有继续加放。当天只进行了这一次试验。

材料B：根据第一次记录写成的转发配文

一张普通A4纸折一折，最大承托数量就是24枚硬币。任何人照着做，都能达到这个结果。

材料B根据材料A改写，没有增加新的试验。两份材料都出现了“24枚”，但它们表达的意思有差别。

材料A交代了观察结果、停止原因和试验次数。材料B却把“放到24枚时停下”变成了“最大数量是24枚”，又把“一次试验”变成了“任何人都能达到”。这些新增判断，需要额外的依据。

我们把信息从哪里取得称为来源。来源可以是一篇文章、一份原始记录，也可以是一张照片、一段录音。某项材料中能够支持或反驳一个具体说法的内容，就是我们判断这个说法时所用的证据。

来源与证据之间，需要通过问题联系起来。材料A能说明当时怎样摆放纸桥，也能说明放到24枚时的情况。它没有记录第二十五枚会怎样，因此，不能据此确定最大数量。

想写进回答的话	材料A能否支持	理由
这次纸桥托住了24枚同一种硬币	能，在记录所述条件下	第②句写明了数量和观察结果
这座纸桥最多只能托住24枚	还不能	第③句说明停止后没有继续加放
换一张纸，任何人都能得到相同结果	还不能	只记录了一次试验，没有提供不同人的重复结果

“还不能支持”也有明确含义：目前的材料不够。它既不能把一个说法变成已经证实的事实，也不自动说明这个说法已经被证明是假的。

换一个例子，如果有人说“第一次试验把纸桥用胶带粘在书上”，这就与材料A第①句“没有用胶带固定”直接不符。若我们暂按这份记录讨论，就应当指出这一处矛盾。它与“没有测出最大数量”属于不同情况。

还有一个层次需要记住：准确转述一份记录，与确认记录描述的事情确实发生过，也有区别。本章先用所给材料练习阅读和判断；研究实际事件时，还要看记录由谁完成、怎样形成，必要时查看原始照片、完整视频或重复观察。

让结论与掌握的依据相称：材料写了什么，清楚转述；材料没有解决的部分，先保留问题。

现在写一句自己的回答：只根据材料A，你准备怎样告诉一个想试做纸桥的人，这次试验已经说明了什么？尽量保留有用结果，也保留重要条件。

6.2　让AI依据资料回答

6.2.1　寻找相关内容并提供给模型

手头有材料，接下来就可以与AI一起阅读。先不要把“你觉得对不对”作为唯一问题，试着把需要查清的事情问具体。

例如，我们要查的是：“材料B所说的‘最大承托数量就是24枚’，能否从材料A得到？”找到材料A第②、③句，就已经接近了这个问题的关键。

第②句告诉我们观察到了什么，第③句告诉我们观察到哪里为止。只留下第②句中的“24枚”，就会漏掉判断最大数量所需的重要信息。

开始本章的连续练习。打开AI对话工具，附上材料A和B，再提出下面这样的要求：

请根据这两份材料，回答：这次纸桥已经托住了多少枚硬币，能否据此确定它的最大承托数量？请指出依据的材料和原句。材料没有说明的地方，直接说明还缺什么信息。

先读它给出的结论，再对照你在上一节写的那句话。它有没有找到“没有继续加放”？有没有保留“两摞书相隔10厘米”这个条件？这次主要观察资料与回答之间的关系，不需要增加其他功能。

你刚才从材料中寻找与问题有关的内容，这个过程可以称为检索。在少量文字中，人可以直接阅读查找；材料多起来时，程序能够帮助完成这项工作。

例如，一个应用保存了许多试验记录。收到“这座纸桥的最大承托数量是多少”这个问题后，它先寻找有关这座纸桥的段落，再把这些段落连同问题一起交给模型，模型据此组织回答。

把检索得到的资料与模型生成结合起来，是检索增强生成（retrieval-augmented generation，RAG）的基本思路。资料为当前回答提供可参考的内容，模型利用已有能力阅读、联系和表达这些内容。[4]

可以沿着一条基本路线理解它：

提出问题 → 找到相关资料 → 将问题与资料交给模型 → 生成回答 → 对照原文检查

查找决定哪些材料进入回答，生成负责利用和组织材料，检查则帮助判断结果是否有根据。实际应用也可能在资料不足时继续查找。

本章手动选择并提供材料，帮助我们看清这些环节。一个能够自动检索的应用，还需要程序完成查找等工作；本章暂不要求搭建。

材料多了，程序怎样找？

一种做法是寻找关键词。例如，查找“纸桥”“硬币”“24”，能够把范围缩小。具体名称、型号和编号也常适合用文字匹配查找。

另一种做法是比较意思。问题写着“能撑住多重”，记录写着“放上硬币后仍未塌”，用词不完全相同，内容却可能有关。

第5章介绍过用一组数表示文字。检索中可以使用经过训练的表示模型，把问题和段落分别转换成可以互相比较的向量，再寻找数字表示较接近的内容。这种方法有助于找出用词不同但意思相关的材料，通常称为向量检索。有些系统把它与关键词检索结合使用。[5]

这里得到的是“可能相关的材料”。一段话说“托住了24枚”，另一段说“没有托住24枚”，都与纸桥和硬币有关，表达的事实却相反。找到相似内容之后，还需要认真阅读它究竟说了什么。

为了便于检索，较长文件可以按段落或内容分成小段，并保留文件名称与原文位置。模型一次能够处理的输入有长度限制，检索能够帮助选择当前需要的部分，而不必每次提供全部资料。[6]

分段时也要保留关系。把“放到24枚时停下”与“没有继续加放”拆开后，如果只取回前半部分，模型就少了一项重要条件。表格中的数值也需要连同表头、单位一起读取。[6]

应用中所说的“知识库”，常常包括经过整理、能够查询的一组资料，以及帮助查找它们的信息。把文件加入知识库，可以改变应用能够查到什么；在普通检索问答过程中，这通常不等于重新训练语言模型。[1][6]

更新资料，改变了本次能够查到的内容；微调等训练方法则会调整模型参数。第5章讲过的区别，在这里仍然适用。

为什么找到了资料，还要检查？

因为一份相关材料可能漏掉条件，也可能本身写错；模型在组织回答时，还可能遗漏、误读或扩大原意。检索为回答提供依据的机会，是否真正用好了这些依据，要看具体结果。[2][7]

回到纸桥问题：无论材料是自己找到的，还是程序自动找到的，我们最终都应当能回到“放到24枚时停下”和“没有继续加放”这两句话，解释结论是怎样形成的。

6.2.2　对照原文检查回答与引用

AI可能在回答旁边标出材料名称，也可能提供网页链接。这样的标注帮助读者找到内容的出处，通常称为引用。

引用可以帮助我们核对，但需要真的走回原文。研究生成式搜索时，人们会分别检查两件事：回答中的重要说法是否有相应依据，以及所列引用是否确实支持旁边那句话。两方面都需要看，不能只数引用有几条。[7]

先看一段示例：

这次试验中，两摞书内侧相隔10厘米，折叠纸桥托住了24枚同一种硬币。记录者因准备的硬币已经放完而停止，没有继续加放，因此现有记录没有确定它的最大承托数量。（材料A，第①—③句）

回到材料A，可以分别找到这段回答中的条件、观察结果和停止原因。

其中“没有确定最大承托数量”是根据记录作出的判断。原文不必逐字写出这句话，但我们能够解释理由：停止是因为硬币放完，后面没有继续测，因而还不知道再增加会怎样。

有依据的回答允许归纳和推理。读者应当能看清，怎样从记录走到结论，中间有没有加入未经确认的前提。

检查你刚才得到的回答。从中选两三句最重要的话，分别找到原材料中的对应位置。先检查数字和试验条件，再检查“最多”“一定”“所有”等会改变结论范围的词。

例如，“24枚时仍托得住”改写为“这次已经托住24枚”，保留了观察的意思；改写为“最多24枚”，则需要知道第二十五枚以及后续试验的情况。字数相差不多，结论的范围已经变化。

直接摘引原句时，要保持文字准确。用自己的话转述时，可以调整句式，但“没有”“只做了一次”这样的条件不能随意省去。引用范围也要合适，不能把一句话附近并未提到的判断一并归到原文名下。

如果回答把材料B作为“任何人都能成功”的依据，应该继续追问：这份配文增加了新的观察吗？前面已经说明，B只是根据A改写。它能证明有人这样表述过，却没有新增足以支持普遍结论的试验。

原文是网页时，怎样核对？

先打开实际页面，找到相关段落，连同前后文一起读。搜索结果中的标题和摘要适合帮助定位，原文能够提供更多条件和说明。[3]

若页面没有打开，就不要写成已经读过。可以继续寻找同一资料的其他公开版本，或者暂时说明原文还没有核实。只有标题、网址或另一段AI概括时，应当据实际读到的内容作出判断。

还要看这份资料在回答什么问题。介绍一类纸桥的科普文章，可以帮助理解折叠结构，却不能代替某位同学那次试验的记录。记录发生在什么时候，描述的是哪个对象，也可能影响它能支持什么。

对于实际引用，可以记下资料名称、作者或发布机构、日期，以及页码或链接。信息够用即可，目的是让自己和别人能够回到同一处内容。本章的示例材料用字母和句子编号定位，就已经能完成这项练习。

如果发现回答漏掉了条件，可以向AI指出具体位置：“材料A第③句说没有继续加放，请据此检查‘最大数量’这个判断。”读完修改，再回到原文核对。若原回答已经准确，就保留，并说明你核对过什么。

6.3　面对不确定的信息作出判断

6.3.1　比较不同来源，寻找支持与反对的证据

现在加入一份新材料，继续纸桥的讨论。

材料C：第二次试验的补充记录

① 第二天，另取同一包中的一张A4纸，照第一次的方法折叠。两摞书内侧的距离改为20厘米，其他摆放和放硬币的方法尽量与第一次相同。

② 继续使用同一种硬币。放到8枚时，纸桥仍托住硬币；放上第9枚时，纸桥塌下。

③ 这次也只做了一次，没有继续安排其他试验。

第一次托住24枚，第二次放上第9枚就塌了。仅看两个数字，很容易说“它们相互矛盾”。把条件并排放好，再想一想。

比较的内容	第一次：材料A	第二次：材料C
两摞书内侧的距离	10厘米	20厘米
仍托住硬币时记录的数量	24枚	8枚
这次怎样结束	硬币放完，主动停止	放上第9枚时纸桥塌下
记录的试验次数	一次	一次

两份记录描述的条件不同，也没有采用相同的结束方式。这些数字可以同时出现在各自的记录中，不能仅因不同，就认定其中一份记录有误。

材料C也没有使材料A失效。它写的是另一次试验，为理解条件变化增加了信息。第二天的记录更晚，并不意味着应当删除前一天发生的事情。

由这两份材料，我们可以提出一个值得研究的想法：书之间的距离改变，可能影响纸桥表现。要进一步判断影响有多大，需要尽量保持纸张、折法、放置方法等其他条件一致，并进行更多次比较。仅凭各一次记录，还不能把全部差别都归到距离变化上。

算一算，再解释：24÷8＝3。这个算式能否说明，第一次纸桥的最大承托数量是第二次的3倍？

计算本身没有问题，但这里比较的是两份记录中“仍托住硬币时的数量”。第一次根本没有继续测出极限，所以不能把这个比值直接称为两种条件下最大承托数量的比值。读懂数值的含义，和算出结果同样重要。

让AI重新比较。在原来的对话中加入材料C，再问：

现在有了第二次记录。它与第一次是否矛盾？请比较两次的条件和结果，再修改原来的回答。仍然无法确定的地方，请具体说明。

查看它是否保留了第一次的有效信息，是否注意到距离变化，也看看它有没有把“可能影响”说成“全部由此造成”。这里观察实际回答即可，不需要让模型必须出现某种错误。

从不同记录走向更广泛的资料

查找其他问题时，同样要比较资料的对象、时间和条件。两份说明谈的是不同型号，两个试验采用不同材料，两个数字来自不同的计数范围，都可能造成表面上的不同。

若资料确实对同一件事给出相反说法，可以查看原始记录是否有抄写错误，寻找完整视频，或向记录者询问。暂时找不到解释时，先写明分歧和各自依据，不必强行合成一个确定结论。

还要留意资料之间是不是独立。材料B来自A；即使B又被转发到十个页面，这十个页面也没有增加十次试验。多次转述可以扩大传播范围，却不能单靠数量证明原结论。

可以请AI帮助整理资料之间的关系，随后打开来源检查。让AI再生成一个同意你的回答，也没有增加独立观察。

寻找证据时，可以主动问：“什么材料可能改变我现在的想法？”如果我们原先想证明“每个人都能达到24枚”，第二次未达到这一数量的记录就值得认真阅读。它帮助我们检查结论是否说得太满，而不是妨碍作品展示。

看到陌生页面时，可以查查发布者是谁，再找其他可靠资料比较。判断仍要落到具体记录与方法上，不能只凭排版、名称或转发量。

照片和视频也要这样读

纸桥照片可以帮助查看当时的摆放，完整视频可以提供时间顺序。但画面之外仍可能有我们没有看到的部分，标题也可能增加图像没有表达的结论。一张显示纸桥上放着硬币的照片，不能单独说明它此前怎样搭成、此后最多还能放多少。

第5章学习过生成图像。仅靠“看起来很真实”或“某处有一点奇怪”，都不足以完成来源判断。更有用的做法是寻找原始发布、完整画面、拍摄说明和相关记录，再比较它们是否支持同一说法。

有些图片或视频能够附带可验证的来源与修改记录。例如，内容凭证可以帮助检查某些来源信息和修改历史。这样的技术能提供线索，但凭证本身不能保证画面所配的每一句解释都正确；没有凭证，也不能直接断定图片是假的。[8]

6.3.2　区分已经确认、尚有疑问与暂时不知道

经过前面的阅读，我们不必只在“全部相信”和“全部不信”之间选择。一个回答可以同时包含已经有依据的内容、值得进一步研究的解释，以及尚未取得答案的问题。

第一次托住24枚、第二次放上第9枚时塌下，都是材料写明的观察结果。距离变化与结果变化之间的关系，还需要更多比较；第一次的最大承托数量，也没有测出。可以把它们分开表达：

当前能够怎样表述	纸桥材料中的例子	下一步可以做什么
根据记录可以确认	第一次在所述条件下托住24枚	介绍结果时保留条件与来源
有线索，仍需验证	距离变化可能影响表现	尽量控制其他条件，进行重复比较
材料尚未给出答案	第一次究竟最多能托多少枚	补充相应试验或寻找完整记录

这种区分针对每一项说法。新材料出现后，我们可以改变判断，并说明理由。

表达不确定性，也不必在所有句子前面加“可能”。原记录已经写清的事实，就清楚转述；不能确认的地方，具体指出缺少什么。

比如，“可能是24枚吧，也许不一定”让人难以继续使用。写成“记录显示已托住24枚，但随后没有继续加放，最大数量尚未测出”，读者就知道哪些内容可用、哪些仍待检查。

如果AI给出“我有90%的把握”，先不要把这个数当成已经测得的准确率。除非能够说明它来自怎样的计算或检验，否则它仍不足以替代原始材料。第3章的实际测试比例、第5章某一步的候选概率，与一句回答中的自报把握，需要分别理解。

完成本章的回答

现在，请给准备试做纸桥的同学写一小段说明。可以参考AI的整理，用自己的话交代：已经观察到什么，哪些条件值得注意，还有哪一个问题需要继续尝试。下面是一段示例：

材料A记录了一次成功托住24枚同一种硬币的试验：折叠纸桥两端放在书上，两摞书内侧相隔10厘米。试验在硬币放完时停止，所以还没有测出最大数量。材料C把距离改成20厘米，记录了放上第9枚时塌下的情况。两次条件不同，不能只比较数字就认为记录相互矛盾。试做时可以参考这些安排，同时记录自己的条件与结果；想弄清最大数量或距离的影响，还需要进一步试验。

这段话保留了第一次的发现，也说明了新记录带来的问题，为继续尝试提供信息。

把它与你最初写的那句话比较。你增加了哪个条件？改掉了哪个说得过满的词？哪一项原先的判断在核对后仍然成立？选一处写明理由即可。

保留最终说明、对应的材料位置和一项修改理由，就完成了本章基本练习。主要成果是一段有根据、能让别人接着探索的回答。

把方法带到自己的问题中

从第1章的问题或自己的作品中，选择一项值得确认的具体说法。它可以很小，例如某次测试是否已经达到目标，一种材料是否适合某种用途，或者一幅作品介绍中的数字来自哪里。

先写清要确认的那句话，再寻找能够直接回答它的资料。可以用自己的观察记录、说明书、公开资料或相关研究。请AI帮助整理和比较，随后亲自核对影响结论的关键位置。

不需要为了显得严谨，把每一项常识都查成一份长报告。检查的深度应当与使用目的相配。课堂中的低风险小尝试，可以边做边记录；会影响他人安全或重要决定的内容，则需要更可靠的材料和具备相应知识的人进一步确认。

也不必因为暂时不知道，就停止创造。我们可以先完成有把握的部分，把新想法写成待试验的方案，再通过实际观察增加知识。未知之处说明了下一步往哪里走。

本章开头，画面停在第二十四枚硬币。认真阅读以后，我们能够把“已经发生”与“还想知道”分开，也能提出一个更好的问题：第二十五枚会怎样？怎样试，才能让下一份记录比这一份多告诉我们一点？

本章回望

一个答案有没有根据，要回到它说了什么、参考了什么，以及这些材料怎样支持结论。

模型可以利用已有能力解释问题，也可以结合搜索结果或我们提供的资料回答。搜索帮助寻找，资料提供内容，模型完成阅读与表达；这些作用可以配合，仍然需要检查具体结果。

检索增强生成把寻找资料与模型生成联系起来。关键词、文字的数字表示和文件分段，都可以帮助从许多材料中找到相关内容。找到以后，还要保留重要条件，检查回答与原文的关系。

纸桥的几份材料让我们看到：24枚是一个观察结果，最大数量是另一个待回答的问题。转述可能扩大原意，不同条件可能得到不同记录，后来的材料也可能帮助我们提出新的问题。

有根据的回答既能保留已经取得的认识，也能说明还有什么不知道。它让自己和读者继续思考、试验和修改。

下一章，我们将更主动地运用文字、图像和声音，把关心的内容做成作品。本章形成的习惯会继续发挥作用：真实介绍保留依据，创作设想说清性质，让别人能够理解我们的表达与选择。

练习与继续探索

1. 分清回答怎样形成。AI解释“为什么要记录纸桥的摆放条件”，与AI回答“我昨天放了多少枚硬币”，分别需要什么信息？先搜索再回答、直接提供记录再回答，怎样与模型已有能力配合？

2. 给一句话寻找依据。只看材料A，判断下面三句话分别与材料是什么关系：“第一次托住了24枚”“第一次用胶带固定纸桥”“第一次最多只能托住24枚”。指出对应原句，区别有依据、与材料不符和依据不足。

3. 看懂检索与生成。应用收到纸桥问题后，先找记录，再把记录交给模型回答。哪一步属于检索？为什么找到一个反复出现“纸桥、硬币、24”的段落，还不能保证它能支持结论？把新记录加入可查询资料，是否等于重新训练模型？

4. 检查一次引用。一段回答写道：“任何人照着做都能托住24枚，参见材料B。”引用确实指向了这句话，为什么仍然不足以证明它？若要继续研究，还需要什么材料？

5. 比较数字背后的条件。根据材料A和C，说明24÷8＝3为什么不能直接解释为两次最大承托数量之比。第二份记录出现以后，第一份记录中的哪些内容仍然有效？

6. 为下一次探索留下问题。回看最终说明，选一项暂时不知道的内容，提出一种能够增加依据的做法。也可以换成自己的作品或第1章的问题，说明准备找什么资料、做什么观察，以及新结果可能怎样改变判断。

本章资料来源

[1] Google for Developers. LLMs: Fine-tuning, distillation, and prompt engineering. 用于核对利用现有参数处理输入，与通过训练调整参数的区别。访问日期：2026-09-20。https://developers.google.com/machine-learning/crash-course/llm/tuning

[2] Google Cloud. Grounding overview. 用于核对将模型输出与可核验外部资料联系起来，以及搜索与自有资料的不同接入方式。访问日期：2026-09-20。https://cloud.google.com/vertex-ai/generative-ai/docs/grounding/overview

[3] Google for Developers. In-depth guide to how Google Search works. 用于核对发现网页、建立索引、返回相关结果及搜索覆盖范围，不将检索结果视为对全部信息的穷尽。访问日期：2026-09-20。https://developers.google.com/search/docs/fundamentals/how-search-works

[4] LEWIS P, PEREZ E, PIKTUS A, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. 2020. arXiv:2005.11401. 用于核对检索外部材料与语言生成相结合的基本思路。https://arxiv.org/abs/2005.11401

[5] Microsoft Learn. Vector search in Azure AI Search. 用于核对问题与资料的向量表示、相似性检索，以及与关键词检索结合的基本方法。访问日期：2026-09-20。https://learn.microsoft.com/en-us/azure/search/vector-search-overview

[6] Microsoft Learn. Retrieval-augmented generation (RAG) in Azure AI Search. 用于核对检索问答的组成、资料分段、输入长度与相关内容选择；不要求学习具体产品配置。访问日期：2026-09-20。https://learn.microsoft.com/en-us/azure/search/retrieval-augmented-generation-overview

[7] LIU N F, ZHANG T, LIANG P. Evaluating Verifiability in Generative Search Engines. 2023. arXiv:2304.09848. 用于参照回答是否有依据、引用是否支持对应陈述的核对方法；正文不沿用该研究中的历史产品表现或统计值。https://arxiv.org/abs/2304.09848

[8] C2PA. C2PA and Content Credentials Explainer, version 2.2，3、7.1.2、7.2.2节等。用于核对内容来源与修改记录的作用，以及这类记录不能单独保证内容事实正确的限制。访问日期：2026-09-20。https://spec.c2pa.org/specifications/specifications/2.2/explainer/Explainer.html