ADR-0002: Citation 协议设计

• 状态：Accepted
• 日期：2026-04-28

背景

投研输出必须可溯源。LLM 容易编造数字，必须有强制约束。候选方案：

1. Inline source IDs — [src:tushare:daily:2024-Q3] 自由 prose 中带 tag
2. Structured output with mandatory cite field — JSON schema 强制 cite
3. Two-pass: Agent writes, Verifier checks — 自由生成 + 第二轮 LLM 审核
4. Competence-anchored — 每个声明锚到 Competence ID

决策

采用 2 + 4 的组合：tagged union cite 字段同时支持 kind: "tool" 和 kind: "competence"。

详见 Citation 协议。

理由

• 强 schema 约束 > 弱 inline tag — JSON schema 容易被代码校验，inline tag LLM 容易丢
• Competence-anchored 让知识可溯 — 不只是数字，定性判断也带来源
• 不需要第二个 LLM — 大部分编造（90%+）能被确定性代码抓到

取舍

❌ 输出冗余度高 — 每个数字都包一层 {value, cite} JSON，不能直接当 prose 输出

• 缓解：渲染层把结构化数据转成人类可读的报告（保留可点击的 cite link）

❌ 要求 LLM 输出严格 JSON — 模型的 instruction-following 要够强

• 缓解：Model Router 把综合写作路由到强模型 (Claude Opus / GPT-4)

❌ Competence 注册需要前置工作 — 得先把领域知识列出来

• 缓解：MVP 不要求覆盖完整域；从最常用的 10-20 条开始，按需扩展

为什么不用 LLM Critic

投研里最高频失败是编造数字，不是推理错。编造数字 90% 能被确定性代码抓到：

• Schema check
• tool_call_id 解析
• 值匹配（cite 的值 = tool 返回值）
• competence_id 解析

LLM Critic 多消耗 3-5x token、引入 judge bias、自己也会 hallucination。先用代码兜底，eval 数据证明不够时再加 LLM 层。

影响

• 所有 Skill 输出必须符合 cite schema
• Verifier 是 MVP 的核心组件，不是 nice-to-have
• 数据层 (01) 必须暴露 tool_call_id 与 fetch 元数据
• Competence 注册机制是 Hermes 接入工作的关键依赖