nexus/wiki/concepts/Source-Grounding.md

title, type, tags, sources, last_updated

title	type	tags	sources	last_updated
Source-Grounding	concept	RAG AI可靠性 事实核查	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	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。