一份研究报告在每段后面都标了来源，看起来很专业。
可点开引用后，常见的问题并不少：来源只提到了相关主题，没有支持报告里的具体数字；三条引用其实都转载同一篇文章；报告引用的是新页面，结论却来自旧版本；两个来源口径相反，Agent 没有解释，直接选了更符合自己结论的那一个。
这说明“报告带引用”和“结论可以核验”不是一回事。
普通 RAG 的引用通常围绕一次回答和几段检索证据展开。Deep Research 的报告更长，结论更多，来源横跨多个网站和时间点，还会经历多轮搜索、摘要和综合。引用链一旦在中间断掉，最终报告仍然可以写得很顺，却很难知道哪一句是事实、哪一句是推断。
所以这道题真正考的是：
Deep Research 怎样让每个关键结论都回到原始证据？多个来源相互矛盾时，系统依据什么判断、怎样表达不确定性，又怎样验证引用不是装饰？
先区分“来源相关”和“来源支持”
一篇文章与某个主题相关，不代表它支持报告里的具体主张。
假设报告写：“方案 A 在当前部署方式下维护成本更低。”引用页面只说“方案 A 部署简单”。它与结论相关，但没有比较对象，也没有给出维护成本口径。报告把“部署简单”扩展成“维护成本更低”，中间多了一层推断。
再比如报告写：“某技术在 2026 年已经默认启用某功能。”引用的是 2024 年的路线图。页面确实提到了该功能，但只能支持“计划支持”，不能支持“已经默认启用”。
因此，一条引用至少要过三道检查。
第一，来源讲的是不是同一个对象、版本和时间。
第二，证据片段是否直接支持当前主张，而不是只在主题上相似。
第三，报告的措辞强度是否超过证据。来源说“可能”，报告不能改成“一定”；来源是单个案例，报告不能扩展成普遍规律。
引用链要从工具返回时就建立
如果 Agent 只把网页正文作为一大段 Observation 塞给模型，等最终写报告时再让模型回忆来源，很容易错配。
更稳的方式是在 Visit 工具返回时就结构化保存证据单元。一个证据单元可以包括来源 ID、页面标题、规范化 URL、发布时间或更新时间、访问时间、相关原文、位置、目标主张和来源类型。
Search 返回的标题和摘要只适合发现线索。关键结论需要进入正文，确认上下文和口径。若页面无法访问，只能把搜索摘要标成弱线索，不能与已核验正文等价。
研究状态里保存的也不应只是“我知道了某事实”，而应是“当前主张由哪些证据支持、哪些证据反对、还缺什么”。这样后续摘要和重规划才不会把来源关系压掉。
来源要在检索时绑定证据，在报告里绑定主张，不能最后凭记忆补链接。
一条关键主张应该怎样建模？
可以把报告里的关键陈述拆成 Claim。
每个 Claim 保存主张文本、主张类型、适用对象、时间和版本、支持证据、反对证据、当前状态以及表达边界。
主张类型可以是事实、比较、计算结果或建议。
事实主张要核对原文。比较主张需要对多个对象使用可比口径。计算结果要保存输入和公式。建议则必须说明它依赖哪些用户约束，不能伪装成客观事实。
当前状态可以是已支持、部分支持、存在冲突、待验证和公开不可得。
表达边界决定最终怎么写。已支持可以用确定陈述；部分支持需要限定范围；存在冲突要并列来源；公开不可得要告诉读者没有足够证据。
这种结构使引用从排版元素变成研究数据。报告生成只是把已经核验的 Claim 按章节组织，而不是现场发明结论再找链接。
三个链接可能只有一个来源
交叉验证最容易被数量欺骗。
某个新闻最初来自一家公司公告，随后被媒体 A 转述，博客 B 又引用媒体 A。Agent 搜到三个页面，以为是三方一致，实际只有一个信息源。
判断来源是否独立，可以检查页面是否引用同一原文、关键措辞是否高度一致、发布时间是否呈转述链、数字和错误是否完全相同。
独立性并不要求所有来源来自不同类型机构，它要求系统识别传播血缘，不能把同一事实的重复转载算成多方证明。
对关键数字，优先追到原始公告、官方文档、论文或数据表。二手来源可以帮助解释和发现线索，但不应在原始资料可得时替代它。
也要防止另一种极端：盲目崇拜“官方”。厂商文档最适合确认功能和配置，第三方测试可能更适合观察某种环境下的表现。来源价值取决于它能支持哪类主张，而不是给网站排一个永久可信度名次。
多个来源冲突，先不要让模型投票
两个来源给出不同数字，不一定有人错误。
可能比较的不是同一对象版本；时间点不同；测试硬件不同；样本范围不同；指标名字相同但定义不同；一个给平均值，一个给高分位值；一个是实验环境，一个是生产观察。
因此，冲突处理先对齐口径，不能一上来就按来源数量投票。
先对齐对象和版本。功能是否在某个版本后才出现，旧文档仍可能有效，但不适用于当前版本。
再对齐时间。市场、政策和产品能力会变化，发布时间和数据所属期不能混用。
再对齐指标定义。吞吐、延迟、准确率和成本都依赖测量方式，名称相同不代表可比。
再对齐条件。硬件、数据规模、并发、缓存、索引配置和过滤条件都可能改变结果。
最后检查原始出处。某个来源可能只是转述时丢了限定条件。
冲突不一定需要选边，先判断它是事实矛盾还是测量条件不同。
冲突处理后，报告有三种写法
第一种，冲突可以解释。
例如两个性能数字来自不同硬件。报告应分别保留，并说明不可直接横向比较，而不是算平均值。
第二种，某个来源明显过时或不适用。
报告可以采用当前版本的原始资料，同时说明旧说法为什么不再适用。不能静默删除，否则读者无法理解互联网上为什么还有相反信息。
第三种，冲突仍无法解决。
报告应明确并列来源和分歧，说明目前无法下确定结论，并给出下一步需要的证据。真正专业的研究报告允许存在“暂不能确认”。
不应该做的，是让模型根据文风、网站知名度或自己偏好的结论选择一个来源，然后把另一个藏起来。
引用完整性和引用准确性不是一回事
引用完整性关注：报告里的关键主张，有多少提供了来源。
引用准确性关注：已经提供的引用，是否真的支持对应主张。
一份报告可以完整性很高，每句话后面都有编号，却准确性很低，编号链接与陈述并不对应。
也可以准确性很高，但只给少数结论配了来源，大量重要判断没有出处。
还要检查引用位置。把五个链接统一放在段尾，读者很难判断每个来源支持哪一句。更清楚的做法是让引用紧跟具体主张，或在表格中为每个比较单元保留证据 ID。
评估时应先识别报告中的关键 Claim，再逐条判断是否有证据、证据是否蕴含主张、来源是否适用。不能只统计链接数量。
计算结果和建议也需要来源链
研究报告里的数字不一定直接抄自网页，也可能由 Agent 计算得到。
这时引用不能只指向最终数字。系统要保存输入数据分别来自哪里、使用了什么单位、做了什么转换和计算。若两个输入属于不同时间口径，即使算式正确，结果也可能没有意义。
建议类主张同样需要证据链。建议不是事实，但它应明确依赖哪些用户约束和已经确认的事实。例如“更适合小团队”至少要说明团队对运维、部署和预算的要求，以及候选在这些维度上的证据。离开约束，建议就不再成立。
可以把最终报告分成三层：原始事实绑定来源；派生结论绑定事实和计算；建议绑定结论和用户约束。这样读者能够沿着建议回到输入，而不是只看到一句模型判断。
来源质量不能压成一个永久分数
工程上很容易为每个网站设置一个可信度分数，然后优先使用高分来源。
这个方向可以帮助排序，但不能代替主张级判断。
同一个来源在不同问题上价值不同。官方文档适合确认功能与参数，却未必适合证明真实负载下的表现；论文适合说明实验方法，却不一定反映某个产品当前版本；用户讨论可以帮助发现 bad case，但不应单独支持普遍结论。
因此来源元数据可以记录类型、时间、是否原始出处和历史可用性，最终仍要判断“它是否适合支持当前 Claim”。不要因为来源整体评级高，就跳过对象、时间和口径核对。
来源评分还可能制造看不见的偏见。若系统只允许少数高分网站进入报告，新出现但重要的原始资料可能被忽略。评测集应加入权威但过时、非官方但有完整测试条件、同源转载和新发布原始资料等边界样本。
引用链还要处理页面变化
研究报告生成后，来源页面可能更新、移动或删除。
保存 URL 之外，还应记录访问时间、页面标题、证据片段和定位信息。允许保存快照时，要遵守内容授权、隐私和存储策略；不能为了可追溯就无边界复制受限内容。
报告再次打开时，可以提示来源当前是否仍可访问，但不能用今天的页面内容悄悄替换当时证据。历史结论基于哪个时间点，需要保持清楚。
如果来源失效，系统可以寻找官方迁移页面或新的原始出处，并把它作为一次版本更新。旧报告保留原证据状态，新报告说明来源变化，避免引用链在后台被静默改写。
引用编号为什么不能直接写死？
读者看到的引用通常是 [1]、[2]，但系统内部不能把这个展示编号当作来源身份。
报告在编辑、压缩或增加新段落后，展示顺序会变化。如果正文直接保存“引用 3”，而没有保存稳定的 Source ID 和 Evidence ID，重新排序时就可能把原本支持延迟结论的资料，错误地挂到成本结论后面。这类编号错位看起来只是排版问题，实际会破坏证据关系。
更稳妥的做法是让每条主张绑定内部稳定 ID，发布报告时再根据首次出现顺序生成读者看到的编号。表格、摘要和附录也引用同一组内部 ID，不各自复制一套编号。报告发生修改时重新渲染展示编号，但不改变历史证据对象。
这样既能支持正文重排，也方便审计某条结论究竟来自哪次访问、哪个页面版本和哪段证据。编号服务阅读，稳定 ID 服务追溯，两者职责不同。
摘要和演进报告最容易弄丢什么？
长任务会对历史做摘要。如果摘要只保留“结论”，不保留来源 ID、限定条件和冲突状态，最终报告就会出现“结论还在，证据断了”。
例如原始记录是：“在特定硬件和数据规模下，来源 S3 报告某结果；另一来源 S5 使用不同条件，不可直接比较。”
错误摘要可能只剩：“方案 A 性能较好。”
这不只是信息变短，而是把有条件的证据改成了无条件判断。
因此，演进报告或动态摘要至少要保留关键主张、来源 ID、时间版本、限定条件、冲突与缺口。原始正文可以放在外部证据库，需要时按 ID 重新取回，不必把整页永久塞进上下文。
一个教学示例：两份“冲突”的公开测试
下面是结构教学示例，不对应真实产品或真实测试数字。
来源 A 声称某方案“查询更快”，测试条件是单用户、数据已缓存、小规模数据集。
来源 B 声称同一方案“延迟更高”，测试条件是多用户、带结构化过滤、较大数据集。
这两份结果不能用多数投票，也不能简单平均。
Agent 应先抽取共同字段：版本、硬件、数据量、并发、过滤、缓存状态、指标定义。对齐后发现二者测量的是不同工作负载。最终报告可以写：“现有公开结果覆盖不同场景，无法形成统一性能排序；在无过滤的小规模条件下来源 A 更有利，在带过滤的并发条件下来源 B 观察到更高延迟。当前项目需要按自身负载复测。”
这里的专业性不来自选出赢家，而来自拒绝制造不可比的结论。
四类引用 bad case 怎样定位？
Bad case 一：引用页面相关，但不支持数字
先定位数字第一次在哪一步出现。它来自工具正文、模型计算，还是生成阶段自行补出。没有证据记录的数字应删除或降级，不要继续给它找一个主题相关链接。
Bad case 二：编号错位
报告多次改写后，原来的引用编号与来源列表顺序发生变化。解决方式是内部始终使用稳定 Source ID，展示层最后再渲染编号，不能在正文里直接维护易变的 [1][2]。
Bad case 三：摘要丢了限定条件
检查从原始证据到演进报告、再到最终报告的每次状态更新。需要把条件和冲突状态设成不可丢字段，并对摘要做信息保留测试。
Bad case 四：多个来源其实互相转载
检查引用链、正文相似度和发布时间，找到最初出处。报告可以保留不同解读，但不能把转载数量写成独立共识。
怎样做报告发布前核验？
第一步，抽取关键 Claim。优先检查数字、时间、比较、因果和建议依据。
第二步，检查每个 Claim 的证据覆盖。没有来源的事实主张进入待修复队列。
第三步，检查蕴含关系。证据是否直接支持主张，主张有没有扩大范围或增强语气。
第四步，检查来源适用性。对象、版本、时间和条件是否一致。
第五步，检查来源独立性和冲突。多个链接是否同源，反对证据是否被遗漏。
第六步，检查引用可访问性。页面失效时是否保留标题、时间、片段和替代入口；但也要遵守内容授权和隐私要求。
第七步，人工抽检高风险结论。自动评估适合批量发现问题，影响决策的关键主张仍应保留人工复核。
链接多不等于证据好，覆盖、支持、适用和独立需要分开检查。
引用评测集应该怎样准备？
准备一组明确支持的样本，证据原文能直接蕴含主张。
准备一组主题相关但不支持的困难负样本，检验系统是否只做语义相似匹配。
准备一组时间和版本不一致的样本，检验适用性。
准备一组同源转载，检验独立性。
准备一组合理冲突和真正矛盾，检验口径对齐和不确定性表达。
准备一组资料不可得的任务，正确答案应包含信息缺口，而不是虚构引用。
评估结果按错误类型拆分，才知道应该修检索、证据存储、摘要、报告生成还是引用渲染。
面试官继续追问，怎么接？
追问一：是不是至少两个来源才算可信？
不是固定数量问题。某些事实由唯一权威文档定义，一个原始来源已经足够；某些比较或争议结论需要多个独立来源。关键是来源类型与主张匹配。
追问二：官方来源一定比第三方来源好吗？
官方资料适合确认功能、规则和版本，第三方资料可能更适合观察特定负载下的表现。不能给来源永久排名，要判断它能支持什么主张。
追问三：怎样判断引用支持主张？
先做规则检查对象、数字、时间和否定关系，再用模型按明确 Rubric 判断蕴含，最后对高风险主张人工抽检。模型判断也不是事实裁判，需要持续校准。
追问四：页面后来更新或失效怎么办？
保存访问时间、页面标题、证据片段和稳定来源 ID；允许时保留受控快照或归档定位。报告要说明结论基于哪个时间点，不能假设网页永远不变。
追问五：引用和交叉验证会不会让任务太贵？
会增加动作，所以应按主张风险分级。关键数字、比较和建议依据优先核验，低风险背景信息可以采用较轻流程。不能为了所有句子形式一致而重复搜索。
面试现场如何讲清引用闭环
我不会等报告写完后再补链接，而会在 Search 和 Visit 阶段建立证据单元，保存稳定来源 ID、原文片段、位置、时间、版本和它支持的主张。研究状态里维护每个 Claim 的支持证据、反对证据和当前状态，最终报告只是把已经核验的 Claim 组织起来。
多个来源冲突时，我不会直接投票，而会先对齐对象、版本、时间、指标定义和测试条件，再检查是否来自同一个原始出处。冲突可以由口径解释时分别保留；某个来源过时则说明不适用原因；仍无法确认时并列分歧并标记信息缺口。
评估会把引用完整性和准确性分开。先抽取数字、比较、因果等关键主张，再检查有没有证据、证据是否直接支持、来源是否适用和独立。还要测试摘要是否保留来源和限定条件。最终要让读者能够从每个关键结论回到真正支持它的证据，链接数量本身没有意义。
你的引用链经得起这五问吗
不要只展示最终报告里的链接数量，沿着一条关键主张往回查，看看证据链是否真的闭合。
- 你的系统是否保存原文片段和位置，还是只有 URL？
- Search 摘要与 Visit 正文是否被区分为不同证据等级？
- 摘要是否保留来源 ID、时间、版本和限定条件？
- 能否展示一个来源冲突的真实脱敏案例？没有就把流程写成设计方案。
- 是否测过引用支持度，而不是只统计引用数量？
一份可信的 Deep Research 报告应做到：每个关键结论都能被证据支持，无法支持的部分则诚实地留在边界之外。 每段机械附一个链接，并不能替代这项要求。