防止 RAG 幻觉：使用 Clarity Gate 验证知识库文档质量 #

解决 RAG 系统中常见的“过度自信”幻觉问题：在文档摄入（Ingestion）前建立一道“认知之门”，强制要求对假设、预测和未验证数据添加明确的标记，确保 LLM 能正确区分事实与推测。

为什么需要这个技能 #

在构建 RAG（检索增强生成）系统时，如果知识库中的文档包含模糊的描述（例如将“预计营收 5000 万”写成“营收将达到 5000 万”），AI 在检索到该片段后会极高概率地将其作为绝对事实输出，导致严重的业务误导。

传统的检测工具只能发现文本中“是否包含”不确定词汇，而 Clarity Gate 实现了强制执行（Enforcement）：它会审视文档，判断此处“是否应该”表达不确定性，并强制将其转换为符合规范的 CGD（Clarity-Gated Documents）格式。

适用场景 #

• RAG 知识库预处理：在文档进入向量数据库前，确保所有主张（Claims）都有来源或不确定性标记。
• 技术文档交付：在不同 LLM 会话或团队之间交接规格说明书、状态文档时。
• 高风险数据审计：处理包含预测、估算或竞争对手对比数据的文档。
• SOT（唯一真理源）验证：验证核心事实文件是否符合结构化校验标准。

核心工作流 #

1. 语义审查（9 个验证点）：

   • 认知检查：区分假设与事实，强制执行不确定性标记（如使用 PROJECTED: 或 ~），使隐含假设显式化。
   • 数据质量：扫描内部数据冲突（如前后文数字不一致）及隐含因果关系。
   • 时间一致性：校验文档日期与版本时间轴是否逻辑自洽。
   • 外部可验证性：标记需要人工核实的特定数字（如价格、比率）。

2. 确定性计算：

   • 使用 scripts/claim_id.py 为每个主张生成唯一的 Hash ID，便于追踪。
   • 使用 scripts/document_hash.py 对文档进行规范化处理并计算 SHA-256 哈希，确保文档完整性。

3. HITL（人机协作）验证：

   • Round A：确认 AI 对现有来源的理解是否正确。
   • Round B：由人类专家对无来源的推论或关键事实进行最终确认。

4. 输出 CGD 标准文档：生成包含 YAML 前置元数据和 ## HITL Verification Record 记录的 .cgd.md 文件。

下载和安装 #

下载 clarity-gate 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要 #

暂无推荐