---
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。