本页目录5
这个考点是什么
多源综合（multi-agent synthesis）场景下，多个子 agent 各自检索、分析不同来源后，由一个 synthesis agent 把这些发现汇总成最终报告。
这个考点考的不是"怎么写 prompt 让汇总更通顺"，而是汇总过程中最容易丢失、也最难事后补救的一类信息：溯源（provenance）——每个结论到底来自哪个来源、这个来源本身质量如何、是否与其他来源冲突、冲突是真矛盾还是时间差异。
典型失败模式是：子 agent 各自输出一段自然语言摘要，synthesis agent 再把这些摘要"揉"成一段更精炼的 prose。这个揉合过程本质上是有损压缩——claim 和它的出处、方法论、置信区间、发布时间等 metadata 会在总结中被悄悄丢掉，报告读起来通顺但"结论对不上来源"，审阅者无法验证任何一条数字。
更进一步，当不同来源给出不同数值时（比如 web search 给出无方法论说明的估计值，文档分析给出带置信区间的估计值），或者不同来源的数据其实分属不同时间点（增长趋势被误判为矛盾），synthesis agent 如果只处理无结构的文本，就只能靠随意挑一个、取平均或含糊其辞来"绕过"这个问题——这些都是错误处理方式。
这个考点要求识别：溯源与冲突处理必须做成 pipeline 里的结构化数据设计，而不是靠自然语言指令临时补救。
为什么考
这类题目通常给出一个具体的汇总失败场景——最终报告里的某个数字/结论查不到出处，或者两个来源的数值被错误地判为矛盾（或被错误地合并为一个数）——然后问"什么结构性改动能从根上防止这个问题"。
干扰项的设计套路很固定：一种是治标不治本的补偿性措施（比如额外记一份原始输出日志，或事后再跑一遍验证），另一种是用简单启发式处理冲突（选更新的、选同行评审的、直接取平均），还有一种是把要求写成自然语言软指令（"记得注明来源"）而不是结构化字段。
出题角度反复强调同一个原则：归因和置信度信息必须作为结构化数据（claim-source mapping、citation_id、publication_date、confidence/methodology 字段、conflict_detected 标志）贯穿整条 pipeline，而不是依赖某个 agent 在总结时"记得"保留。
另外还会单独考 hallucination 的定义和缓解手段，考察是否会把溯源缺失和模型胡编两个相关但不同的概念混为一谈。
核心辨析
- 1
溯源丢失的根因是"内容与元数据混在一起走 prose 通道"
只要 claim 和它的来源是同一段自然语言文字的一部分，总结/压缩这一步就必然会有损丢失 metadata。正确做法是让子 agent 从一开始就输出结构化的 claim-source 映射（claim 文本、来源 URL、文档名、原文摘录），synthesis agent 合并这些映射而不是重新概括成一段话。
- 2
记录原始输出日志 ≠ 结构性预防
把每个子 agent 的原始输出存进日志，只是让人事后能"翻查"来对照，报告本身依然是无归因的，需要人工逐条核对。这是补偿性/取证手段（compensating control），不是从根上阻止归因丢失，题目里经常用它当高干扰项。
- 3
冲突数值不能靠简单启发式解决
"选更新的"混淆了时效性和准确性；"取平均"可能捏造出一个双方都不支持的数字；"偏好同行评审"这类规则往往和题目场景无关。正确做法是保留两个值，连同各自的 methodology/置信区间等 metadata 一起呈现，并用
conflict_detected标志让报告显式呈现差异而不是替读者做决定。 - 4
日期差异不等于矛盾
不同来源的数字如果发布时间不同，很可能反映的是时间趋势（temporal progression）而非真实冲突。结构化输出里需要有
publication_date字段，conflict_detected应该只在同一时间段内数值不一致时触发，否则会把真实的增长趋势误判为数据打架并错误丢弃有效数据。 - 5
citation_id 要在最早发现来源的地方分配，并单独维护一份结构化索引
让 synthesis agent 产出 inline 标注引用编号的叙述文本，同时把完整的来源 metadata 放在一份独立的、原样传递的 citation index 里，而不是要报告生成 agent 在看到 prose 后自己去猜或补充引用——后者容易产生编造的引用。
- 6
溯源缺失是 hallucination 的放大器，但两者不是一回事
hallucination 指模型生成"看似合理但事实错误"的内容，是自回归生成的固有特性，不是 bug，也和 context overflow、temperature、system prompt 违规是不同概念。
缓解 hallucination 的核心手段是 grounding（把文档放进 context、要求先引用原文段落再作答），而不是调高 temperature 或依赖模型凭记忆作答后再验证。
反模式对照
synthesis agent 把所有子 agent 的输出直接总结成一段连贯的 prose 摘要再交给下一环节
要求每个子 agent 输出结构化的 claim-source 映射，synthesis agent 合并这些映射而不是重新概括成自然语言
归因信息一旦混进自由文本，后续每一次总结/压缩都会造成不可逆的有损丢失，这是溯源丢失最常见的触发点。
来源数值冲突时选"更近的"、"更权威的"或直接取平均给出一个折中数字
保留双方数值及各自的 methodology/置信区间等 metadata，并用 conflict_detected 标志把差异原样呈现给最终读者
时效性和权威性都不能替代准确性判断，取平均更是可能捏造出一个没有任何来源实际支持的数字。
发现两个来源数字不同就一律标记为矛盾，或直接丢弃较旧的数据
要求结构化输出携带 publication_date，按时间段区分"同期真冲突"和"跨期趋势差异"
缺少时间维度的比较会把正常的增长趋势误判为数据打架，并因此丢弃本该保留的有效历史数据。
用自然语言指令提醒 agent "总结时记得注明来源"
在最早发现来源的 agent 处就分配 citation_id，并用独立的结构化 citation index 把 id 到来源的映射原样贯穿传递
软性的文字指令在 token 压力大、需要压缩上下文的环节最容易被模型悄悄忽略；citation_id 是可以被程序机械校验的结构化数据，不依赖模型"记得"执行。
练这个考点
练习模式支持按考点专练（需 Google 登录，不占用正式考机会）。
专练考点 5.6