需求捕获作战手册

风险、控制与证据信息架构主题权威体系内容运营 KPI与验收标准

需求捕获手册

为有机需求捕获构建一个可预测的系统。

支柱+集群结构
内部链接策略
内容质量保证+运营

从范围开始

你将获得

清晰的信息架构
主题地图和权威性计划
可重复的内容运营工作流程
关键绩效指标和验收标准
安全变更的控制措施与证据

手册章节

范围与非范围 信息架构 主题权威系统 内容运营 关键绩效指标与验收标准 风险、控制措施与证据

相关

迁移与平台重构手册 发布运行手册

相关概念（需求捕获）

内部链接策略 内容简报 内容质量保证 架构与片段

Articles

Category

Search

证据能否在人工智能流水线中存续？——证据保全链

2026年10月15日

证据能否在人工智能流水线中存续？——证据保全链

证据在源头可能是正确的，但在经过解析、规范化、分块、检索和上下文组装之后，仍可能变得不可靠。证据保全链追踪的是身份、来源、范围和含义是否在整个AI流水线中得以保留。

为什么AI会检索某些来源而忽略其他来源？——检索权威层

2026年10月15日

为什么AI会检索某些来源而忽略其他来源？——检索权威层

找到相关文档还不够。AI系统还需要区分哪些来源是当前的、权威的、适用的和可追溯的，哪些来源只是看起来相似。检索权威层定义了这种来源选择的边界。

AI主张与证据之间有多远？——证据距离

2026年10月15日

AI主张与证据之间有多远？——证据距离

并非所有被支持的答案都与其证据同样接近。证据距离是一种实用的方式，用来描述一个AI主张与可直接检验的证据之间相隔了多少次转换、摘要、假设和推理步骤。

RBAC与租户隔离：两种不同的安全边界

2026年10月8日

RBAC与租户隔离：两种不同的安全边界

RBAC 控制用户可以做什么；租户隔离控制该操作可以触及哪个租户的资源。了解为什么多租户 SaaS 安全需要这两道边界。

什么是上下文工程？模型在回答之前接收到了什么

2026年10月8日

什么是上下文工程？模型在回答之前接收到了什么

上下文工程负责设计 AI 模型在推理前接收的信息，包括提示词、检索内容、记忆、应用状态、工具结果和对话历史。

AI系统中的真相来源：可靠知识究竟从何而来

2026年10月8日

AI系统中的真相来源：可靠知识究竟从何而来

事实来源（Source of Truth）定义了对于特定事实或状态，哪个来源具有权威性。了解它与RAG、溯源、记忆、上下文、向量数据库和记录系统有何不同。

AI治理：模型、数据、权限、风险与可审计性

2026年10月8日

AI治理：模型、数据、权限、风险与可审计性

AI治理定义了在模型、提供商、数据、权限、风险、评估及整个生命周期中，谁可以批准、操作、更改和审计AI系统。

ADR 与 NFR：架构决策与系统质量并非同一回事

2026年10月8日

ADR 与 NFR：架构决策与系统质量并非同一回事

ADR 与 NFR 解析：了解系统质量需求如何驱动架构决策、ADR 如何记录权衡取舍，以及为什么验证保持独立。

生成式人工智能解析：模型、检索、工具与应用并非同一回事

2026年10月8日

生成式人工智能解析：模型、检索、工具与应用并非同一回事

生成式AI不仅仅是一个模型。了解模型、检索、工具、上下文、运行时和应用程序如何在生产AI系统中协同工作。

向量数据库、嵌入和重排序：检索的三个不同部分

2026年10月8日

向量数据库、嵌入和重排序：检索的三个不同部分

嵌入表示含义，向量数据库检索候选结果，重排序器则精炼结果。了解这三个检索层在RAG中如何不同并协同工作。

为什么更多上下文会让AI的回答更糟

2026年9月25日

为什么更多上下文会让AI的回答更糟

更大的上下文窗口并不保证更好的答案。本文解释了信号稀释、证据冲突、状态过时、位置敏感性和有损压缩如何降低AI可靠性——并介绍了一种实用的上下文压力测试。

如何判断一个AI智能体是否真正使用了正确的证据

2026年9月25日

如何判断一个AI智能体是否真正使用了正确的证据

AI代理可以引用来源，却仍然使用错误的证据。本文介绍一种实用方法，用于核查主张支持、来源权威性、适用性、出处，以及证据是否实际影响了答案。

1 / 2