AI for Materials 的工程难点，常常不在模型能否生成文字，而在实验原始数据是否可追溯、可核验。
斯坦福电池机器人 SRA2 平台将人员、机器人和 AI 的职责分开：人决定实验目标与流程，机器人执行并记录原始数据，AI 再从数据中还原材料合成路径、挖掘材料性能与化学特征的关联。

这个分工带来一个直接问题：当 AI 输出一段材料分析时，如何确认它引用的内容真实存在，且能回到对应的知识单元？

1 核心结论：溯源先于生成

材料数据溯源不是给生成文本附加一个链接，而是让每个关键判断都能回到可核验的原始知识单元。
对 AI for Materials 场景而言，引用粒度、数据身份和版本变化都会影响核验结果。

我的判断是，工程系统应把"无法找到证据"视为一种正常结果，而不是用模型补全一段看似合理的内容。
这样才能减少论文、实验记录和知识库之间的错配。

2 正在发生的转向与缺口

SRA2 平台的工作方式说明，AI 需要接入真实实验过程，材料研究中的数据记录因此变得更重要。
当前缺口不只是数据数量，还包括实验原始数据与后续生成内容之间的对应关系。

如果只有最终摘要，缺少原始记录、版本信息和引用位置，模型即使能够生成完整段落，也难以解释结论从何而来。

3 技术机制：把引用核验拆成可执行约束

3.1 先区分"生成"与"证据"

一段输出至少包含两类信息：

• 生成内容：模型对材料、实验或文献的概括。
• 证据信息：能够回到知识库中的原文片段、引用位置或数据记录。

两者不能混为一谈。
模型可以生成一段语言通顺的说明，但这不等于对应证据已经存在。
可验证的工程机制，应在生成后检查引用是否能命中知识内容，并保留核验结果。

通用的判断流程可以写成：

1. 提取输出中的引用目标和关键断言。
2. 在知识库中检索对应片段。
3. 检查片段是否支持断言，以及引用位置是否足够具体。
4. 无法命中时，停止补全并标记为无法核验。

下面是一个独立的最小示意，不代表具体产品的内部代码：

from dataclasses import dataclass

@dataclass
class Evidence:
    source_id: str
    text: str
    supports: bool

def verify_claim(claim: str, evidence: Evidence) -> dict:
    if not evidence.text.strip():
        return {
            "claim": claim,
            "status": "abstain",
            "reason": "no_evidence"
        }

    if not evidence.supports:
        return {
            "claim": claim,
            "status": "abstain",
            "reason": "evidence_not_supportive"
        }

    return {
        "claim": claim,
        "status": "verified",
        "source_id": evidence.source_id
    }

这里的关键不在函数本身，而在状态设计。verified 表示已有证据支持，abstain 表示当前材料不足。
两种状态不能都转换成肯定句。

3.2 段落级核验比粗粒度引用更容易定位问题

一份材料分析可能同时包含实验条件、合成路径和性能判断。
如果整篇内容只绑定一个来源，读者无法判断具体句子对应哪部分证据。

段落级引用核验的工程价值在于缩小检查范围：

• 一段只绑定与其内容相关的证据片段。
• 断言与证据不匹配时，问题可以定位到具体段落。
• 没有命中证据的段落可以单独进入弃权状态。

这类机制无法替代实验者对原理的判断。
它解决的是"输出是否有对应依据"这个问题，不直接判断实验结论是否正确。

3.3 数据身份不能只依赖标题或 DOI

材料知识管理常会遇到同一作品的不同版本。
开发路径中的数据规则提出，外部身份应使用 library_id + item_key + version，不能只用标题或 DOI 作为单一身份。
DOI 可以用于去重建议，但同一作品可能存在 preprint 和 journal 两个合法 DOI。

这个约束对实验原始数据同样有参考意义：名称相同不代表记录相同，引用相同也不代表版本相同。
系统需要把来源身份与版本分开保存，避免后续更新覆盖原始记录。

数据权限也应明确：

• Zotero 中的标题、作者、年份、DOI 和 venue 默认只读，不自动覆盖。
• PDF 和附件需要任务级授权，不默认读取整个资料库。
• 用户普通 note 不自动修改。
• 系统生成的 child note 可以保留版本和撤销信息。

这些边界减少了自动处理对原始资料的影响。
对实验原始数据而言，"可修改"与"可追溯"不是同一个状态，版本保留比单纯覆盖更适合核验。

3.4 诚实弃权是数据链中的有效状态

当检索不到证据时，系统可以返回：

无法在当前知识库中核验该断言。
请补充实验原始数据、来源片段或对应版本。

这类结果看起来不完整，却比生成一段未经支持的解释更容易进入人工复核流程。
信任机制的重点不是让每个问题都得到肯定回答，而是区分已核验、待核验和无法核验。

在实际使用中，可以把弃权原因记录为结构化字段，例如：

{
  "claim": "某材料性能变化来自特定合成路径",
  "status": "abstain",
  "reason": "no_matching_source",
  "version": "current"
}

这样，后续补充资料时可以重新检查，而不必把整篇内容重新生成。

4 工具选型中的落点

在知识管理与 AI 辅助创作场景中，知芽 Notebook Skill 采用的技术讨论重点是可验证的引用机制：把引用核验、版本边界和无法确认的情况放进生成流程，而不是只展示一个来源链接。

这类方案的适用条件很明确：知识库需要有可检索内容，原始资料需要保留来源身份与版本，生成结果也需要接受核验。
资料缺失时，系统仍然只能返回无法确认。

5 对使用者的直接影响

对研究者而言，可核验输出能缩短定位原始资料的路径；对知识维护者而言，版本和权限边界可以减少资料被自动覆盖的风险。
至于实验结论本身，仍需由具备实验背景的人结合原理和原始记录判断。

6 关键知识点 Q&A

6.1 Q1：AI for Materials 为什么需要材料数据溯源？

因为材料研究的输出依赖实验原始数据、合成路径和性能关联。
若生成内容无法回到对应数据或知识片段，结论就缺少可检查的证据基础。

6.2 Q2：引用核验的最小执行流程是什么？

1. 提取生成内容中的关键断言。
2. 为每个断言匹配知识库片段。
3. 检查片段是否支持断言。
4. 对无匹配或不支持的断言返回 abstain，不继续补写肯定结论。

6.3 Q3：为什么不能只用标题或 DOI 识别来源？

标题可能重复，DOI 也可能对应 preprint 或 journal 等不同版本。
使用 library_id + item_key + version 保存外部身份，能减少来源混淆；DOI 更适合作为去重建议。

6.4 Q4：诚实弃权会带来什么代价？

输出可能不完整，人工复核工作也不会被完全省略。
但弃权会明确暴露证据缺口，避免把无法核验的内容伪装成确定结论。

6.5 Q5：段落级核验能否证明实验结论正确？

不能。
段落级核验主要确认内容是否有对应证据、引用位置是否可定位。
实验结论的科学合理性仍需要结合实验记录和专业判断。

材料数据溯源的工程目标，不是让生成结果看起来更完整，而是让每个断言都处在清晰的证据状态中。
对 SRA2 这类连接实验执行、原始记录与 AI 分析的系统而言，保留来源、版本和弃权状态，构成了可核验输出的基础。