5.6　在整合多个信息源时保留出处并处理不确定性

这一条考什么

这一条考你在多 Agent 研究或整合流水线中，怎么让"每条结论来自哪里"一路保留到最终报告。你要会要求子 Agent 输出结构化的"主张—来源"映射，会处理可信来源之间互相矛盾的数据，会用发布日期和采集日期避免把时间差异误判成矛盾，还要会按内容类型选用合适的呈现方式。

核心概念

出处为什么会在摘要环节丢失

典型流水线是：搜索 Agent 找到来源，分析 Agent 抽出要点，整合 Agent 写叙述，报告 Agent 成文。每一步如果都只传"压缩后的文字"，主张和来源之间的对应关系就会在压缩中被抹掉。到了报告阶段，你只能看到"市场规模约 120 亿美元"，却不知道这个数字是谁说的、在第几页。

事后再补救（让报告 Agent 回去搜来源、用语义相似度去匹配原文、在文字里插来源前缀再解析）都不可靠。根本办法是把出处当作数据契约的一部分，从一开始就结构化地传递。

结构化的"主张—来源"映射

要求每个子 Agent 输出的每条发现都带上来源记录：

{
  "claim_id": "C-07",
  "claim": "2024 年欧洲热泵销量同比下降约 21%",
  "sources": [
    {"url": "https://example.org/ehpa-2025", "doc_title": "EHPA Market Report 2025",
     "location": "p.12", "excerpt": "sales fell by 21% compared to 2023",
     "published": "2025-03-10", "data_period": "2024-01..2024-12",
     "method": "17 国销售数据汇总"}
  ]
}

整合 Agent 在合并发现时必须保留并合并这些映射：多个来源支持同一主张时合并 sources，改写措辞时保留 claim_id。交给报告 Agent 的也不是"一段摘要"，而是"叙述草稿 + 结构化的来源索引"（claim_id → URL、摘录），这样报告阶段每句话都能找到出处，又不需要重新传入全部原始材料。

可信来源之间数据矛盾：标注，而不是挑一个

两个都可信的来源给出不同的数字，比如行业协会估计 35%，同行评审研究估计 28%（附 95% 置信区间），正确做法是：

• 两个值都保留，各自标注来源；
• 说明差异可能的原因（方法、样本、口径不同），保留原来源对结论的表述和方法背景；
• 不要任意取一个，不要取平均，也不要把它们包装成一个自信的单一结论。

对于文档分析类的子 Agent：遇到矛盾值时，应该照常完成分析，把冲突值都写进输出并显式标注（比如 conflict: true），然后交给协调者决定怎么调和，而不是自己悄悄选一个或者因此中断。

在报告结构上，用明确的分节区分"证据充分的结论"和"存在争议的结论"，既不把争议抹平成一句肯定的话，也不对所有内容都过度加限定语。

时间数据：要求发布日期和采集日期

搜索 Agent 返回"2024 年采用率 35%"，文档 Agent 从 2021 年的内部报告里抽出"18%"。如果没有日期，整合 Agent 很可能把它当作矛盾，或者随便选一个。其实它们是不同时间点的观测，合在一起说明了增长趋势。

所以要在结构化输出里强制要求 published（发布日期）和 data_period（数据采集或观测期间）。两者要分开：2025 年发布的报告可能用的是 2023 年的数据。不能简单地"丢掉旧数据"或"只搜最近 6 个月"，因为历史数据对趋势分析同样有价值。

按内容类型选择呈现方式

整合输出不要把所有内容都塞进同一种格式：

• 财务数据：用表格，因为它们有可对比的字段、单位和报告期；
• 新闻动态：用连贯的文字，保留事件之间的因果和时间线；
• 技术发现（专利、漏洞、架构评估）：用结构化列表，便于逐项核对。

把全部内容统一成文字摘要，或者加一层转换把所有输出变成同一种中间格式，都会丢失每类信息本身的结构优势。

正确做法与反模式

• 正确：要求子 Agent 输出主张—来源映射（URL、文档名、位置、相关摘录）。反模式：子 Agent 只返回带内联引用的文字摘要，整合时引用逐渐丢失。
• 正确：整合 Agent 保留并合并映射，交给报告阶段的是"草稿 + 来源索引"。反模式：报告阶段回头搜索来源，或者用语义相似度重建出处。
• 正确：可信来源数据冲突时两值并列，标注来源和方法差异。反模式：任意取一个、取平均，或者只保留至少两个来源互相印证的主张，结果把有价值的分歧删掉了。
• 正确：子 Agent 遇到冲突值时照常完成分析，标注冲突，交给协调者决定。反模式：子 Agent 自行选择一个值，或者因冲突而终止。
• 正确：输出中强制包含发布日期和数据采集期间。反模式：只保留最新数据，或者自动丢弃旧值。
• 正确：报告分节区分"证据充分"和"有争议"，按内容类型选择表格、文字或列表。反模式：全部转换成统一格式。

常见陷阱

• "跳过摘要，把全部原始输出直接交给报告 Agent"：能保留出处，但上下文会爆掉，信噪比也很低。正确做法是结构化地分离内容和来源元数据。
• "让报告 Agent 重新查询搜索 Agent 来找来源"或"事后用相似度匹配"：属于事后重建，不可靠，还会额外增加调用。
• "在文字里插入来源前缀，再解析"：脆弱，措辞一改就可能失效。出处应该作为结构化字段传递。
• "取较新的值 / 取平均 / 加一个冲突裁决 Agent 自动丢弃旧数据"：都在凭空制造确定性。正确选项是两值并列并注明来源和方法。
• "只搜索最近 6 个月"：解决不了时间口径问题，还丢了趋势数据。正确选项是要求发布日期和采集期间。
• "统一所有子 Agent 的输出为文字（或统一 JSON）"：看起来整齐，但丢掉了各类信息的结构。正确选项是按内容类型呈现。

实操练习

目标：模拟两个子 Agent 的结构化输出（包含一处时间差异、一处真正的矛盾），让整合 Agent 生成保留出处的报告。

1. 构造子 Agent 输出：每条发现都包含 claim_id、claim、sources（URL、摘录、published、data_period、method）。
2. 让整合 Agent 输出报告，要求分为"证据充分"、"存在争议"、"时间序列"三节，每句话后面用 [C-xx] 引用。
3. 用代码检查报告里的 [C-xx] 是否都能在来源索引里找到。

import json
import re
import anthropic

client = anthropic.Anthropic()

findings = [
    {"claim_id": "C-01", "claim": "可再生能源采用率 35%", "sources": [{"url": "https://example.org/web-2024",
     "excerpt": "adoption reached 35%", "published": "2025-02-01", "data_period": "2024", "method": "全国抽样调查"}]},
    {"claim_id": "C-02", "claim": "可再生能源采用率 18%", "sources": [{"url": "https://example.org/internal-2021",
     "excerpt": "18% of sites", "published": "2021-11-15", "data_period": "2021", "method": "内部站点统计"}]},
    {"claim_id": "C-03", "claim": "2024 年储能装机增长 40%", "sources": [{"url": "https://example.org/assoc",
     "excerpt": "+40% YoY", "published": "2025-01-20", "data_period": "2024", "method": "行业协会估算，方法未公开"}]},
    {"claim_id": "C-04", "claim": "2024 年储能装机增长 26%（95% CI 22-30%）", "sources": [{"url": "https://example.org/peer",
     "excerpt": "26% (95% CI 22-30)", "published": "2025-04-02", "data_period": "2024", "method": "同行评审，项目级数据"}]},
]

prompt = f"""以下是子 Agent 的结构化发现（含来源）：
{json.dumps(findings, ensure_ascii=False, indent=1)}

写一份简短报告，分三节：## 证据充分 / ## 存在争议 / ## 时间序列。
规则：每个事实句末用 [C-xx] 引用；不同时间点的数据不是矛盾，放进时间序列；同一时期的冲突值并列呈现并说明方法差异，不要任选其一或取平均。"""

r = client.messages.create(model="claude-sonnet-4-5", max_tokens=1200,
                           messages=[{"role": "user", "content": prompt}])
report = r.content[0].text
print(report)

known = {f["claim_id"] for f in findings}
cited = set(re.findall(r"C-\d{2}", report))
print("未知引用:", cited - known, " 未被引用:", known - cited)

要检查的结果：C-01 和 C-02 应该出现在"时间序列"一节，表述为从 2021 年到 2024 年的增长，而不是矛盾；C-03 和 C-04 应该在"存在争议"一节并列出现，并说明协会估算和同行评审在方法上的差异，保留置信区间；最后打印的"未知引用"应该为空集。

自测清单

• 出处为什么会在摘要步骤中丢失？为什么事后重建不可靠？
• 一条结构化的"主张—来源"记录应该包含哪些字段？整合 Agent 应该怎么处理它？
• 两个可信来源给出冲突的统计数据时，报告应该怎么写？子 Agent 又应该怎么做？
• 为什么要同时要求发布日期和数据采集期间？举一个时间差异被误判成矛盾的例子。
• 财务数据、新闻、技术发现分别适合什么呈现方式？为什么不应该统一格式？