SAG / ARCHITECTURE NOTE
依据与来源追溯：将 AI 回答转化为可验证结果的结构
介绍如何将问题、观测条件、来源、审核与审批记录关联起来，形成可复现的结果，而不是只保存 AI 回答中的句子。
先记录观测条件，再看回答
AI 回答可能因服务、模型、时间、语言和账户状态而异。因此，仅保存屏幕上显示的一句话，很难再次说明结果。需要同时记录问题原文、观测渠道、执行时间、目标国家和语言，以及使用的输入条件，才能形成可供比较的资料。
SAG 将观测结果与解读分开。实际确认的句子和链接作为观测记录，说明不足之处或改进优先级则作为分析意见单独标注。对于无法确认的值，不会将其改为 0，而是保留为未观测状态。
Provenance 让回答的可信度有据可查
Provenance 是能够追踪结果来源的信息。必须保留以下各环节之间的关联。
| 阶段 | 需要记录的信息 |
|---|---|
| 问题 | 原文、语言、客户意图 |
| 观测 | 渠道、时间、执行条件 |
| 依据 | 来源 URL、页面标题、已确认的内容区段 |
| 判断 | 满足或不足的标准、分析人员意见 |
| 执行 | 修改对象、负责人、审批状态 |
| 再次确认 | 相同条件下的前后差异 |
保留这些关联后，面对“为什么提出这项改进方案？”的问题，就能回到原始依据并作出回答。
自动化与专家审核各自的作用
自动化适合以相同格式收集和比较大量问题与页面。专家则会审核服务背景、法规相关表述，以及客户实际难以理解的部分。SAG 不会将自动采集结果直接视为最终报告，而是通过审核和审批状态后再予以交付。
说明变更前后的报告
好的报告不只呈现一个分数，而是说明发生了什么变化。它会展示修改了哪些句子、补充了哪些依据，以及在相同问题下，回答和来源发生了哪些变化。依据与来源追溯并不是将 AI 回答变成绝对事实的技术，而是一种用于验证观测结果并以负责任的方式加以改进的结构。
按主题分类的技术参考
如何继续了解这项技术
了解 SEO、AEO、GEO、实体和 JSON-LD 分别要解决的问题。
SAG / KNOWLEDGE LINKS