引用或拒答:Rexfin 的 AI 回答绝不靠猜测

向一个通用 AI 助手问一个关于某家公司的数字性问题，它会给出答案。这是它的设计使然。它被训练得乐于助人，而一个流畅的“无法回答”在模型看来就是一种失败，于是它会用一个看起来合理的东西填补空缺。在金融领域，一个不真实却显得合理的数字，比根本没有答案更糟糕，因为它看起来和正确答案一模一样，直到有人拿它去对照原始文件，才发现根本对不上。

Rexfin 的回答引擎围绕一条听起来很简单、却被刻意设计得难以绕过的规则运转:回答中的每一项数字性论断，要么落实到一条引用出处上，要么引擎就拒绝回答问题的那一部分。不是“标注为不确定”,而是直接拒绝。

两项工作，刻意拆分

这套引擎把寻找证据和撰写答案这两件事分开处理。第一道流程，即调查员，在从原始文件中提取出的事实及其关系构成的图谱上运行多步搜索，专门寻找该问题实际需要的具体数据点。只有在收集齐这些证据之后，第二道流程，即撰写员，才会起草答案，并且被限定只能依据它拿到手的那个证据区块来写作。它无法越过这个区块，去调用自己从训练数据中“记住”的关于这家公司的任何信息。如果证据里没有这个数字，撰写员就无法接触到任何来自别处的版本。

但仅靠这一层约束还不是全部保障，因为模型仍有可能错误陈述自己手头证据的内容。因此之后还有一道独立的、确定性的检查:一道引用真实性关卡，会审视草拟答案中的每一个数字，验证它是否确实由所引用的证据支撑，而不只是看起来贴合而已。一个背后没有真实引用支撑的数字，不会被加上一句免责声明就蒙混过关，答案会被拒绝，或者把不受支持的那部分内容直接删掉，并在回复中明确说明这一点。在此之上还会运行一道验证流程，并给出一个置信度标签，高、中或低，这样读者得到的不只是“这条答案已经过核实”,而是核实的把握有多大。

有效地拒绝，而不只是一句拒绝

一句干巴巴的“我无法回答”,几乎和给出一个错误数字一样没什么帮助。所以当 Rexfin 无法按照问题原样作答时，不管是因为问题本身含糊不清，还是涉及不止一份文件的范围，又或者要求的是底层文件里根本不存在的内容，它会转而说明自己能够回答什么，而不是留下一条死胡同。如果一个问题在指涉哪家公司或哪份文件上含糊不清，引擎会主动询问缺失的范围信息，而不是去猜用户大概想问哪一个。

范围上的严谨远不止于此。属于某一个报告分部的数字，不会被悄悄当作整个公司的数字来引用;而限定在某一财年的问题，也不会因为文件库里恰好存放着一份更新的年度报告，就被用那一年的数字来作答，而不管问题限定的年份是哪一年。这些听起来是些细枝末节的区别，但恰恰是这类混淆，才会把一个听起来自信满满的答案，变成一个在快速浏览时很难察觉出问题的错误答案。

证据本身来自哪里

如果这套拒答纪律所依赖的证据池本身不牢靠，那么以上这一切都没有多大意义。撰写员被限定只能使用的引用，来自已经通过与文件打印总额的对账核实的数字，并且处于信任链中相应的层级:一个已归档并经过核实的数字，与一个内部估算数字会被区别对待，回答引擎尊重这种区别，而不是把它一律拉平。这也是为什么一条答案背后的引用，会直接链接进入出处抽屉,这样读者只需一次点击，就能从这句话跳转到原始文件，而不必凭信任照单全收。

这是为谁而建

这对任何必须在他人面前为一个 AI 来源的数字担责的人来说都最为重要:向董事会汇报的 CFO、回答贷方问题的分析师、应对审计师追问的财务主管。如果给出一个错误答案的代价是你自己的信誉，那么“听起来自信、却缺乏依据”正是你承担不起的失效模式，而引用或拒答正是为了消除这种失效模式而设计的机制。想了解这套证据层是如何搭建起来的，请浏览完整的 Rexfin 产品导览。