Update nexus: fix conflicts and sync local changes

wiki/concepts/Source-Grounding.md

@@ -1,34 +1,34 @@
----
-title: "Source-Grounding"
-type: concept
-tags: [RAG, AI可靠性, 事实核查]
-sources: [7-ways-i-use-notebooklm-to-make-my-life-easier, google-神级生产力工具-所有-github-开源平替都找到了]
-last_updated: 2026-04-23
----
-
-## Definition
-一种 AI 回答约束机制——将 LLM 的知识库严格限定于用户提供的可信文档范围，确保输出内容完全可溯源、可验证、无幻觉。
-
-## Core Mechanism
-- **知识边界限定**：AI 仅能访问指定文档集合，无法依赖训练数据中的泛化知识
-- **引用驱动**：每个答案附带精确引用（原文片段 + 位置），支持一键回溯核实
-- **零幻觉保证**：因为输出严格来自文档片段，消除了 LLM 自由生成时产生幻觉的风险
-
-## Trade-offs
-| 优势 | 局限 |
-|------|------|
-| 答案有据可查 | 无法回答文档外的问题 |
-| 无幻觉 | 依赖文档质量 |
-| 支持精确核实 | 知识边界受限 |
-
-## Related Concepts
-- [[RAG]]：更宽泛的知识检索增强，Source-Grounding 是其严格子集
-- [[Source Citation]]：引用机制，Source-Grounding 的实现手段
-- [[Personal Knowledge Base (RAG)]]：依赖 RAG 技术栈提供文档检索能力
-
-## Source Examples
-- [[NotebookLM]]：Source-Grounding 的标杆实现，NotebookLM 的核心技术理念
-- [[OpenNotebook]]、[[SurfSense]]、[[Podcastfy]]：NotebookLM 开源平替，继承 Source-Grounding 约束
-
-## Why It Matters
-通用大模型（如 Gemini、ChatGPT）面临的核心问题是"幻觉"——模型可能自信地给出看似合理但错误的信息。Source-Grounding 通过将回答严格限定于可信文档，从根本上消除了这一风险，尤其适用于法律文档审核、医学信息查询、技术文档分析等高精度要求的场景。
+---
+title: "Source-Grounding"
+type: concept
+tags: [RAG, AI可靠性, 事实核查]
+sources: [7-ways-i-use-notebooklm-to-make-my-life-easier, google-神级生产力工具-所有-github-开源平替都找到了]
+last_updated: 2026-04-23
+---
+
+## Definition
+一种 AI 回答约束机制——将 LLM 的知识库严格限定于用户提供的可信文档范围，确保输出内容完全可溯源、可验证、无幻觉。
+
+## Core Mechanism
+- **知识边界限定**：AI 仅能访问指定文档集合，无法依赖训练数据中的泛化知识
+- **引用驱动**：每个答案附带精确引用（原文片段 + 位置），支持一键回溯核实
+- **零幻觉保证**：因为输出严格来自文档片段，消除了 LLM 自由生成时产生幻觉的风险
+
+## Trade-offs
+| 优势 | 局限 |
+|------|------|
+| 答案有据可查 | 无法回答文档外的问题 |
+| 无幻觉 | 依赖文档质量 |
+| 支持精确核实 | 知识边界受限 |
+
+## Related Concepts
+- [[RAG]]：更宽泛的知识检索增强，Source-Grounding 是其严格子集
+- [[Source Citation]]：引用机制，Source-Grounding 的实现手段
+- [[Personal Knowledge Base (RAG)]]：依赖 RAG 技术栈提供文档检索能力
+
+## Source Examples
+- [[NotebookLM]]：Source-Grounding 的标杆实现，NotebookLM 的核心技术理念
+- [[OpenNotebook]]、[[SurfSense]]、[[Podcastfy]]：NotebookLM 开源平替，继承 Source-Grounding 约束
+
+## Why It Matters
+通用大模型（如 Gemini、ChatGPT）面临的核心问题是"幻觉"——模型可能自信地给出看似合理但错误的信息。Source-Grounding 通过将回答严格限定于可信文档，从根本上消除了这一风险，尤其适用于法律文档审核、医学信息查询、技术文档分析等高精度要求的场景。