学习契约与正确模型
先明确为什么学、学完能做什么，以及如何证明自己真的掌握。
复杂问题可能拆成多个子任务并从多来源取证，因此只优化一个 exact keyword 不足以解释 AI visibility。真正可持续的是覆盖关键决策子问题、提供可核验来源和清晰实体关系。
- 能画出 RAG/生成式搜索的抽象来源链并标注未知环节
- 能将复杂 buyer prompt 分解为可验证的 subquestions 与 evidence needs
- 能理解 recall、precision、reranking、grounding 和 citation 并避免算法神话
精读 42 分钟 → 引导练习 36 分钟 → 实战任务 92 分钟。实战时间单列，不再把浏览页面和项目操作混成一个数字。
- 它是什么
- RAG 将检索到的外部信息放入生成上下文；query fan-out 是对复杂问题并行探索子主题/数据源的一种产品技术。
- 为什么重要
- 该模型解释为什么内容需要清晰覆盖相关子问题和证据关系，也解释引用只是检索、上下文与生成决策的最终可见部分。
- 什么时候使用
- 研究 AI citations、规划主题覆盖、评估自建知识助手或理解生成式错误时使用。
- 什么时候不要套用
- 不能用抽象 RAG 图推断 Google/ChatGPT 的具体内部权重，也不要根据模型猜出的 fan-out queries 批量建薄页。
- 边界与不确定性
- 自建测试 corpus 只使用授权内容；尊重版权、robots 和访问条款，不把客户资料、凭证或内部文档放入未批准模型/向量库。
机制精讲
先读完整因果链，再看每个环节留下什么可观察信号。
Query fan-out 与 RAG 是理解复杂问答的一般工程模型，不是对任何商业搜索或答案引擎私有实现的断言。一个系统可能把任务改写或拆成子问题，从索引或工具检索候选，进行排序/重排，组装受长度限制的上下文，再生成带引用的答案。每一步都有独立失败方式：拆解漏掉约束、检索召回不足、重排偏向流畅来源、上下文截断关键例外、生成跨来源拼接出不受支持的句子，或引用虽相关却不蕴含结论。
内容策略的合理应用是用该链条审查“复杂任务需要哪些可核验证据”，而不是批量制造同义页面或声称某引擎一定会执行指定 fan-out。团队应为子问题定义权威性、时效、可访问性和来源多样性，保留发布日期、适用地区与限制；用 gold questions 测 retrieval coverage、citation correctness 与 answer completeness。自家产品事实、法规、标准、第三方比较和客户结果各有不同 source of truth，相关共现不能证明生成系统采用了某页面，也不能把引用当排名保证。
分解把复合任务变成证据单元
复杂请求常同时包含定义、适用条件、比较、实施和风险。子问题需要相对独立、能由证据回答且合起来覆盖原任务。
检索与重排控制进入上下文的证据
召回阶段要找到可能相关资料，重排阶段在相关性、权威性、新鲜度和多样性之间选择；高排名不等于事实正确。
生成与引用需要逐声明核验
上下文存在来源不代表答案受其支持；模型可能扩大范围、混合时间或把推断写成事实。
内容网络按任务边界分工
一个可导航的总览可综合决策，独立技术或法规页面承载需要单独更新的证据；外部权威来源不应被自家复述替代。
关键概念
掌握术语之间的关系，才能迁移到不同网站、行业和工具。
Query decomposition
把复杂任务拆成实体、条件、比较、事实核验和后续问题；不同系统的实际分解不可从输出完全观察。
Recall and precision
retriever 要在找全相关来源与减少无关来源之间权衡；生成质量受检索候选集上限约束。
Reranking
对初始候选使用更多信号重新排序；相关性、质量、时效和多样性可能共同作用。
Grounding/citation gap
回答文字可能综合多个来源或模型知识；显示 citation 不一定支持每个句子，需逐条核对。
完整示范
跟随一次“输入 → 分析 → 中间产物 → 结论”，看见专家是怎样做判断的。
为企业数据血缘选型问题构建来源链
教学用合成数据：研究团队要回答“受监管银行如何评估云数据血缘平台，并在90天内完成试点？”现有素材有产品页、两份标准、三篇客户案例和十篇博客。
- 示例不代表任何答案引擎的真实 fan-out 或排序规则
- 法规和标准只由相应官方来源解释，产品能力由版本化文档确认
- 客户案例仅描述其许可样本，不外推所有银行
拆解独立子问题
- 输入
- 原任务同时含适用义务、功能标准、部署依赖、试点计划和成功指标。
- 分析
- 拆成“适用哪些要求”“如何验证覆盖/权限”“连接哪些系统”“90天阶段门”“何谓成功与退出”，并保留地区和云环境约束。
- 输出
- 五个可核验子问题及每项必须证据，另列“具体机构适用性需法律确认”。
建立来源优先级
- 输入
- 监管要求有官方文本，连接器有产品文档，实施时程只有三个许可案例，博客多为二手总结。
- 分析
- 法规优先官方文本和更新日；功能优先产品事实；案例只能提供可能范围，不能证明通用90天承诺。
- 输出
- 来源表含 authority、freshness、access、scope、conflict 与 owner。
模拟检索与上下文审计
- 输入
- gold set 有25条必答声明；检索候选覆盖22条，但权限撤销与数据驻留例外未进入前十上下文。
- 分析
- 回答前先补回关键风险来源，而不是让生成模型用相似段落猜测。
- 输出
- coverage 22/25，两个高风险缺口阻断发布，一个低风险缺口标为未知。
按内容边界发布
- 输入
- 总览负责选型流程，技术页维护连接与权限，外链指向官方要求，案例页披露样本和时程。
- 分析
- 分工减少重复更新；逐声明引用检查通过后，答案仍将机构适用性和90天可行性写成条件推断。
- 输出
- 页面网络、引用清单、更新时间与季度 gold-question 回归测试。
决策规则与证据边界
把“看到什么、意味着什么、下一步做什么”连起来，同时区分公开事实、实践推断和未知项。
- 查询分解、检索、排序、上下文组装、生成与引用是公开的信息检索/生成系统设计组件。
- 给定测试集可测候选召回、声明覆盖、引用相关性与引用是否支持声明。
- 把复杂主题组织为总览与可维护证据页，可能提高人和系统找到完整证据的机会，但不是引用保证。
- 公开行为样本可提示某类问题的来源偏好，不能还原私有权重或完整 fan-out。
- 商业引擎对具体请求是否分解、生成哪些子查询、如何重排和使用多长上下文通常未知。
- 某次未引用页面的原因、未来模型版本行为及内容对答案的增量影响未知。
引导练习
先独立完成，再按提示修正，最后展开参考解法并用 0–4 级量规评分。
教学用合成数据：要回答“跨境 SaaS 如何选择日志保留方案并满足欧盟客户审查？”检索到厂商博客6篇、欧盟官方指南1份、产品保留文档2份、匿名论坛帖3条；答案草稿写“所有日志必须保留七年”。请重建来源链。
给定材料
- 12个候选来源的发布者、日期、地区、可访问性和支持段落
- 原问题约束、产品实际保留选项和10条 gold claims
需要提示时再展开
- 把法律适用性、合同要求、产品能力与实施选择拆开，不能由一篇博客给出统一年限。
- 逐声明检查官方材料是否真正蕴含“七年”，若不支持就删除或条件化。
完成后核对参考解法
先拆为四个子问题：具体客户与数据类别适用哪些法规/合同要求，组织的风险与删除义务是什么，产品实际支持哪些保留与导出控制，如何用审计证据验证配置。欧盟官方指南用于说明一般原则和适用边界，具体法律结论需合格法律人员确认；产品文档只证明对应版本的可配置能力；厂商博客可作线索，论坛仅作探索，不支撑强声明。应把“所有日志必须保留七年”删除，因为现有材料没有建立普遍适用的统一年限。对10条 gold claims 记录检索命中、权威性、新鲜度与逐声明引用；若客户合同或国家规则未知，就明确列为未知并提供获取路径。内容可由一个审查总览连接产品配置页和外部官方材料，不复制法规全文，也不声称这种结构会被任何引擎引用。
自评分量规
真实项目实战
把理解变成一个可以检查、复核和复用的工作产物。
分解一个复杂 B2B 采购 prompt
目标客户会问“适合欧盟制造企业、可与 SAP 集成且满足审计要求的方案如何选？”
- 拆出组织/地区、use case、集成、合规、比较标准、实施风险和决策角色等 subquestions。
- 为每个 subquestion 列出最佳一手证据类型：产品文档、法规、case、benchmark、API docs、security docs。
- 审查站内是否有明确实体关系、可访问 source page 和上下文链接，避免一个超级页面强塞所有内容。
- 用小型授权 corpus 做 retrieval test，观察 top-k 中缺失、噪声、过期与重复来源。
- 在多平台重复 prompt/citation 观察，将结果标为外部行为样本而非内部算法证明。
验收条件
- 每个 subquestion 对应真实 buyer evidence need
- 来源优先一手且范围/时效明确
- 公开事实、学术模型和对商业引擎的推断有清楚标签
- 没有因猜测 fan-out 而生成重复薄页或使用未授权 corpus
诊断练习
目标不是猜中答案，而是提出竞争假设并选择能区分它们的证据。
页面在传统搜索对核心词排名好，却没有出现在复杂 AI comparison 回答的 citations 中。
竞争假设
- 页面只回答宽泛主题，未支持比较中的具体子主张
- 关键证据位于不可访问 PDF/交互/登录后
- 来源过期或缺少独立证实
- retrieval 对该 prompt 的候选集不同
- 采样波动
应该检查的证据
- prompt subquestion–evidence coverage
- 可抓取/索引/rendered content
- 引用来源的粒度、时效和实体关系
- 多次多平台 citation samples 与相关 query SERPs
常见陷阱：为了“覆盖 fan-out”创建每个问题一页，造成 cannibalization 和无价值规模化内容。
完成后用本页决策规则复核
- 若观察到：复合问题包含不同 owner、更新频率或证据类型
应优先：用总览连接独立证据页和外部事实源，保持清晰导航。
不要把每个同义子问题都拆成薄页，页面边界仍由用户任务决定。 - 若观察到：检索结果相关但不直接支持结论
应优先：缩小声明、换用原始来源，或把内容标为推断/未知。
多个弱二手来源不会自动合成为强事实。 - 若观察到：关键子问题无最新可访问权威来源
应优先：阻断确定性发布，向 owner 请求事实或明确披露未知。
“没有找到”不等于事实不存在，只说明当前检索边界。 - 若观察到：团队用 fan-out 猜测某平台私有行为
应优先：改写为设计假设，并只引用平台公开说明或可复现实验。
行为实验仍受时间、地区、个性化与样本限制。
自测与误区
先口头回答，再展开检查。无法给出例外与证据，说明还没真正掌握。
你应该能回答
1. 复杂任务可拆成哪些独立、可核验的子问题？
参考答案：先提取对象、地区、时间、角色与成功约束，再拆成定义/适用性、选择标准、实现依赖、风险、验证和下一步。每个子问题应能由一组原子声明回答，彼此少重复，合起来能覆盖原任务与反例。
为什么：良好分解提高检索与核验可见性；只生成同义查询会增加噪声而不补决策缺口。
2. 每个子问题最权威、最新且可访问的来源是什么？
参考答案：法规与标准优先原发布机构及最新有效版本，产品能力优先版本化官方文档，组织结果优先有方法和许可的原始案例。还要检查地区、日期、访问稳定性、利益冲突与声明范围，不能只看域名权重。
为什么：权威性依问题而变；错误事实源即使排名靠前，也无法可靠支持该类声明。
3. 我们知道的是通用 IR 模型、平台公开信息还是行为推断？
参考答案：通用 IR/RAG 组件来自公开研究与工程文档；某平台明确公布的功能属于平台公开信息；从多次输出观察到的拆题或引用模式只是行为推断。三者在报告中分栏，不把推断升级成私有实现事实。
为什么：证据类别决定能说多确定，混淆会制造无法验证的算法故事。
4. 内容覆盖应通过一个页面、页面网络还是外部证据完成？
参考答案：若任务共享同一读者、上下文和更新 owner，可由一个总览完成；若子问题有独立任务、深度、权限或更新周期，应组成可导航页面网络；法规、标准等应链接外部权威证据。边界由维护与任务决定，不由关键词数量决定。
为什么：合适的信息边界既减少重复薄页，又让专业证据在正确 owner 下持续更新。
需要避开的误区
- RAG 就是向量搜索，且只使用语义相似度。
- Google 公布 query fan-out 后，我们就能枚举真实子查询。
- 被引用的 URL 支持回答中的所有陈述。
术语与复盘
用自己的话复述术语和结论；如果只能认出、不能解释，就还没有形成可调用的知识。
- Query fan-out
- 将复杂请求扩展或拆解为多个检索任务的一般设计模式。
- Retrieval
- 从索引、数据库或工具中取得候选证据的过程。
- Reranking
- 对候选按任务相关性及其他标准重新排序。
- Context assembly
- 在长度与来源约束下选择并组织供生成使用的证据。
- Citation entailment
- 所引来源是否实际支持答案中的具体声明。
- Gold question
- 带预期要点与来源的人工验证问题，用于回归测试。
离开本页前记住
- fan-out 是通用模型，不是商业引擎私有实现声明。
- 复杂任务先拆成独立可核验子问题。
- 相关来源不等于权威来源。
- 进入上下文不保证生成声明受支持。
- 引用要逐声明检查蕴含与时效。
- 页面边界由用户任务、证据 owner 和更新周期决定。
资料与证据
优先采用官方和一手资料。实践材料用于补充工作方法，不替代机制证据。