证据链（Evidence Chain）
先用一句话说清楚
证据链（Evidence Chain）是把一次 AI Agent（人工智能体）输出背后的资料来源、检索结果、判断过程、工具结果和人工确认串起来。
实战知识卡
| 维度 | 要点 |
|---|---|
| 项目里看什么 | 看输入、资料、检索、工具、人工确认和最终输出是否能串起来。 |
| 新手最该记住 | 证据链（Evidence Chain）让回答不再只是“模型说的”。 |
| 作品集证据 | 展示一条完整任务记录：用户问题、引用、工具结果、审批和输出。 |
| 面试回答公式 | 先说为什么需要证据，再说如何用 Trace ID（追踪编号）贯穿链路。 |
| 常见扣分点 | 只展示最终答案，不展示答案怎么来的。 |
新手通俗解释
模型给出一个答案时，面试官不会只问“它答得像不像人”。他会追问：这个结论依据哪份资料？资料是什么版本？有没有权限？有没有过期？中间有没有工具查询？最后谁确认？
这些问题连起来，就是证据链（Evidence Chain）。
为什么岗位会问它
企业不怕系统偶尔说“不确定”，怕的是系统把没证据的内容说得很肯定。证据链（Evidence Chain）能证明你的系统不是只靠大模型自由发挥，而是有资料、有规则、有工具结果、有审计（Audit）记录。
| 场景 | 证据链（Evidence Chain）要覆盖什么 |
|---|---|
| RAG（检索增强生成）问答 | 命中的资料、片段、版本、引用来源 |
| 报表分析 | 指标口径、数据时间、计算规则、异常样本 |
| 客服工单 | 用户问题、订单状态、政策依据、转人工原因 |
| 内容生成 | 品牌资料、禁用表达、审核记录、发布版本 |
它在项目里怎么用
作品集项目里可以把证据链（Evidence Chain）设计成一张“输出解释卡”：
| 字段 | 说明 |
|---|---|
| 输出结论 | 系统给用户看的结论 |
| 依据资料 | 文件、网页、表格或业务系统返回结果 |
| 资料版本 | 日期、版本号、来源负责人 |
| 处理过程 | 检索、重排序、规则判断、工具调用 |
| 风险提示 | 哪些地方只是建议，哪些地方需要人工确认 |
| Trace ID（追踪编号） | 用于审计（Audit）和复盘 |
常见误解
| 误解 | 为什么不对 | 正确理解 |
|---|---|---|
| 有引用就是有证据链（Evidence Chain） | 引用只是其中一环 | 还要记录版本、权限、处理过程和确认人 |
| 证据链（Evidence Chain）只适合论文问答 | 企业客服、合同、报表、内容也需要 | 只要要复核，就需要证据 |
| 证据越多越好 | 过多会干扰判断，也可能泄露隐私 | 记录必要证据和脱敏摘要 |
面试官可能怎么追问
1. RAG（检索增强生成）项目怎么防止模型编造？
考察点： 是否能把技术和证据管理连起来。
参考回答： 我会把答案限定在可检索资料范围内，输出时带 Citation（引用来源），同时记录命中的 Chunk（分块）、资料版本、检索问题和 Trace ID（追踪编号）。如果证据不足，系统应该追问、拒答或转人工，而不是把模型猜测包装成事实。
容易扣分： 只说“调低温度”。
2. 证据链（Evidence Chain）在作品集里怎么展示？
考察点： 是否会把项目讲成可复盘系统。
参考回答： 我会展示一个完整案例：用户问题、命中资料、引用片段、工具结果、最终输出、风险提示和审计（Audit）记录。这样面试官可以看到系统如何从输入走到结论，而不是只看最终回答。
容易扣分： 只截图聊天结果。
作品集里怎么展示它
- 每个核心项目至少展示一条完整证据链（Evidence Chain）。
- 用表格说明资料来源、版本和权限。
- 把“无证据时如何处理”写成验收样例。
- 在面试讲法里强调“结论可以解释，过程可以复盘”。