为什么给 AI 「找对人问对事」比「知道更多」更重要？
你有没有过这种体验：问一个知识渊博的朋友专业问题，他反而不如只懂那一行的人答得准？AI 也一样——不是知道得越多越好，而是能不能把问题交到对的「人」手里、再把好质量关。
一个反直觉的发现：「什么都知道」的 AI 反而容易错
我们先看两个真实场景的错误。
第一个是临床病历摘要。帕金森病患者要定期做运动能力、日常活动、非运动症状、生活质量四项评估，每次随访都有一堆分数。普通大模型直接拿这些数据写摘要，在纵向 UPDRS-only 场景下事实准确率只有 43.6% 左右——比如把「运动评分从第 1 次 28 分、第 2 次 31 分、第 3 次 35 分（持续加重）」说成「从 28 分改善到 22 分」，中间数值和变化方向全是编的 [3]。你可能以为换个医学专用模型会好，但实验发现，专门的医学模型（如 Meditron-7B）确实能把就诊时间顺序排得整整齐齐，可事实准确率反而不如通用指令模型 Llama-3.1-8B——它更会「装得像」，但里面的数照样编 [3]。
第二个是知识图谱问答。我们常说知识图谱是 AI 的「外部记忆」，但如果只是把从文档里抽出来的三元组一股脑塞进图谱，就像把所有书乱堆在一个大书架上。抽的时候就有不少错，问答时再全局检索，错上加错。实验显示，这种「扁平插入」的图谱，在 SciERC 科学文献数据集上严格三元组 F1 只有 0.106，人类盲审里只有 62.5% 的三元组能找到原文证据支持 [1]。
问题出在哪？不是模型知道得不够多，而是没有分工，也没有把关。一个智能体既要抽知识、又要存知识、还要回答问题，既当运动员又当裁判员，不出错才怪。
方案一：把知识图谱从「乱书架」变成「分科图书馆」
第一篇论文提出的 MAGG 框架，思路很直接：给知识图谱加一个「治理层」，把「谁管这块知识、凭什么准入、出了问题找谁」都明明白白记下来 [1]。
你可以把它想象成一座分科图书馆，分三层运作：
第一层是创建层，相当于采购部。文档进来后，先按领域分类，再抽实体、抽关系、找证据。大部分高置信度（置信度≥0.7）的条目直接往下走，低置信度的会走一个「黑板式审议侧路」——让 3 个不同角色的智能体投票辩论，就像采购时拿不准的东西要开会讨论 [1]。
第二层是治理层，相当于各学科的馆长。抽出来的候选三元组，会按领域分给对应的「域专家智能体」（由大模型扮演，非人类）。这个专家只懂自己这一科，它会对照原始证据和自己管的那部分图谱，决定是批准、拒绝、修改还是上报更高级别。每一条决策都会写进审计日志——谁批的、依据是什么，清清楚楚 [1]。
第三层是应用层，相当于咨询台。有人来问问题时，不是在全馆乱翻，而是先由编排器分解问题、判断属于哪个学科，直接找对应领域的专家回答，再把答案拼起来 [1]。
效果怎么样？在 SciERC 数据集上，MAGG 的严格三元组 F1 比扁平插入提升了 47%，映射 F1 提升了 51% [1]。人类盲审更说明问题：经过治理修订的三元组，100% 都有原文证据支持 [1]。下游问答上，在多跳开放域问答数据集 MuSiQue 上，MAGG 比微软的 GraphRAG 精确匹配高 9.0 个百分点，token-F1 高 11.2 个百分点 [1]。
当然，实际情况比这个比喻更复杂。比如一个实体可以属于多个领域，「生物标志物」既归炎症管也归心血管代谢管，所以所有权是集合映射而不是单一归属，支持跨域推理 [1]。另外治理也不是全靠人工规则，域专家本身也是大模型，它的能力边界受限于基座模型 [1]。
还有一笔账要算：MAGG 每篇文档要调用约 18.45 次 LLM，消耗约 8 万 token，大概是扁平插入的 2.5 倍 [1]——质量提升是有成本的。
方案二：把临床推理拆成四个「专科医生」再加一个「总编」
如果说 MAGG 管的是「知识怎么建」，那第二篇论文的 MA-RAG 管的就是「知识怎么用」，内核却惊人地一致：分治 + 校验 [3]。
MA-RAG 面向的是帕金森病纵向临床评估的查询式摘要。它的架构也可以用医院来类比：
首先，检索不靠向量相似度，靠元数据精确匹配——患者 ID、就诊时间戳，对得上才调出来，避免把不同患者的相似记录混在一起 [3]。这就像挂号时先核对身份证，不会因为两个病人症状像就把病历搞混。
然后，把临床推理拆成四个专科医生：运动科、日常活动科、非运动科、生活质量科。每个医生只看自己领域的那部分量表数据，各写各的报告 [3]。为什么要拆？因为一个医生同时看四张表，很容易看串数字、漏项；四个专科各管一摊，出错概率小得多。
最后，加一个总编做最终核验。四个专科的草稿汇总上来，总编不会直接润色发表，而是拿着原始结构化分数表一条一条对：这个 28 分有没有出处？那个「加重」的结论对不对得上时间点？核对无误了，才合成最终摘要 [3]。
这个设计的效果有多夸张？在纵向 UPDRS-only 场景下，事实精度从传统方法的 0.436 提升到 0.970，相对提升 122%；幻觉率从 0.564 降到 0.010 左右，降了约 98% [3]。相当于从「一半都是编的」变成「几乎没有瞎编」。
有意思的是，提升最大的是事实准确性，而语义相似度和时间保真度的提升幅度没那么大，甚至某些基线在这两项上得分还更高 [3]——说白了，普通模型写得可能更「通顺」「像那么回事」，但里面的数不能信；MA-RAG 写得可能没那么花哨，但每句话都有依据。
MA-RAG 也有自己的局限：目前只针对帕金森病的 UPDRS 和 PDQ-8 两种结构化量表，要扩展到其他疾病得改造领域层；而且计算成本是单轮 RAG 的 3 到 6 倍 [3]。
你看，MAGG 和 MA-RAG 一个管知识构建，一个管知识应用，长得完全不一样，但底层逻辑是同一个：先把问题拆给专门的人，再有人专门负责校验。
校验该怎么给反馈？说「错了」没用，说「哪错了」才有用
说到校验，你可能会问：校验不就是说一句「不对，重写」吗？还真不是。第三篇论文告诉我们，反馈的质量直接决定了修正的效率，差得不是一点半点 [2]。
这篇论文研究的是自然语言转正则表达式的任务——就是你用大白话说「匹配所有包含 dog 的邮箱地址」，让 AI 写正则。为什么选正则？因为它紧凑、易碎，而且可以用程序确定性地检查对错，能把「修正能力」单独拎出来研究，不混入检索、工具使用等其他干扰 [2]。
实验对比了四种反馈方式，都给模型四次改正机会（基于 Gemini 3 Flash Preview 模型）：
第一种是零样本，就是一次生成，没反馈，成功率 17% [2]。
第二种是通用自我修正，就是告诉模型「不对，再想想」，成功率 27% [2]——比零样本强点，但有限，相当于老师改作业只打个叉。
第三种是仅错误数量反馈，告诉模型「错了 3 个正例、2 个反例」，但不说具体是哪几个，成功率 23%，还不如第二种 [2]。
第四种是诊断式反例反馈，也就是 A-CEGIS 的做法：把具体哪条字符串匹配错了、是不该匹配却匹配了（假阳性）还是该匹配却没匹配（假阴性），清清楚楚列出来，最多各给两个短例子。成功率多少？90% [2]。
差了两倍多。这就像改数学题，打个叉、扣几分都没用，你得圈出「第三步这里算错了」，学生才知道往哪改。
而且这种修正是净进步的。论文里有个指标叫「修正效率比（RER）」，等于修好的问题数除以修坏的问题数，A-CEGIS 下这个数是 2.61——每修坏 1 个，能修好 2.6 个 [2]。好的修正应该是局部微调，不是每次都推倒重来。
不过也要注意，「全对」也可能藏着漏洞。30 个任务在隐藏测试集上全部通过后，再用边界案例一「刁难」，立刻有 7 个露馅，比如接受了空串、通配符放太宽 [2]。所以论文还加了一步「硬化（hardening）」，专门找边界案例来测，测出来问题就继续修 [2]。
当然，这个结论目前只在正则任务上验证过，能不能推广到 SQL、配置策略等其他领域，还需要更多研究 [2]。但核心道理是通用的：校验不是拍脑袋审批，而是给出具体的、可定位的反例证据。
从「抽取时代」到「治理时代」：知识系统正在换范式
把这三篇论文放在一起看，你会发现一个清晰的脉络：我们对 AI 知识系统的关注点，正在从「怎么把知识提出来」转向「怎么把知识管起来」。
过去的思路是「抽取优先」：想尽办法从文本里挖出更多三元组、更多事实，堆得越多越好。但三篇论文共同告诉我们，堆信息解决不了可靠性问题——扁平插入的图谱三元组多了近两倍（2881 个 vs 1077 个），但有用的反而少 [1]；单智能体什么都看，但事实准确率不到一半 [3]；零样本生成一次出结果，但正确率只有 17% [2]。
新的思路是「治理优先」：不追求一次就对，而是靠分工和校验来逐步逼近正确。MAGG 的域专家 + 审计日志是治理 [1]，MA-RAG 的专科分解 + 最终核验是治理 [3]，A-CEGIS 的反例引导迭代也是治理 [2]。它们的共同结构是「分治 + 校验」——先拆分降低每个单元的复杂度，再用反馈循环保证质量。
但这条路还刚开始，有不少未解决的问题：
第一，冲突更新怎么办？知识不是一成不变的，新的研究可能推翻旧结论，不同来源的事实可能打架。MAGG 目前还没有很好地处理这个问题 [1]。
第二，规模化怎么做？领域越多、知识量越大，治理的成本会不会指数级增长？现在的实验还都是中小规模 [1]。
第三，基座模型依赖。不管是域专家还是校验者，本身都是大模型，治理的可靠性最终受限于基座模型的能力，还没有引入人类专家或形式化规则做最终兜底 [1]。
第四，成本问题。MAGG 是扁平插入的 2.5 倍 token 成本 [1]，MA-RAG 是单轮 RAG 的 3 到 6 倍 [3]——质量提升很诱人，但钱包也要扛得住。
补记：别忘了——很多语言连「被正确分词」都还没做到
聊了这么多智能体治理、知识图谱、临床推理，你可能觉得这就是 AI 的前沿全貌了。但还有一个很容易被忽略的事实：前面讨论的这一切，都是高资源语言的奢侈品。对很多低资源语言来说，连最基础的分词效率和评估基准都还没配齐。
先看分词。现代大模型的分词器（tokenizer）是按训练语料里的出现频率来合并子词的。英语因为训练数据多，很多常用词能合并成一个 token；而乌克兰语等西里尔字母语言就没这待遇了——同样的内容，乌克兰语的 token 数是英语的 1.68 到 3.2 倍，旧版 cl100k 分词器甚至能到 3.2 倍 [5]。
这意味着什么？同样的上下文窗口，乌克兰语能装的内容只有英语的一半甚至三分之一；同样的 API 调用，乌克兰语用户要花两三倍的钱。而且这不是因为西里尔字母本身占字节多——只要训练数据里加 10% 的乌克兰语，开销立刻降到原来的五分之一 [5]。本质上是训练数据分配的问题。
还有个反直觉的发现：把乌克兰文转成拉丁字母（罗马化），以为能省 token，结果在 5/6 的现代分词器下反而增加 2% 到 19% 的 token 数 [5]。因为分词器已经学过西里尔文的合并规则，转写反而破坏了这些规则。
再看评估基准。就算分词问题解决了，你怎么知道模型好不好？得有基准测试吧？但对斯拉夫语族来说，基准数据的稀缺程度超乎想象。俄语还有全部 8 类任务的数据，波斯尼亚语、白俄罗斯语只有 2 类有数据 [4]。很多任务看起来有好几个数据集，其实彼此高度相关，等于「同一道题换了个问法」，不算真正的独立验证 [4]。
论文提出了一个「证据强度评分（ESS）」来衡量基准结论的可靠性，结果发现：就算是俄语这种相对高资源的语言，整体证据强度也只有 0.49（满分 1）[4]。很多「模型排名稳定」的结论，其实只是因为只有一个数据集可测——就像只考了一道题就说学生水平稳定，那当然「稳定」了 [4]。
所以你看，AI 技术栈的分层差距非常大：顶层在研究多智能体治理、知识图谱治理，底层还有大量语言连分词效率、评估基准这些基础设施都没搞定。我们在聊「智能体的未来」时，得记得这只是全球语言版图里很小的一部分。
如果你只记住一件事
AI 系统的可靠性，核心不是「知道多少」，而是「谁来负责、谁来把关、反馈够不够具体」。 分治降低复杂度，校验保证质量，具体的反例驱动修正——这三件事加起来，比单纯堆信息、堆模型能力有效得多。
参考文献
- From Extraction to Governed Memory: Multi-Agent Knowledge Graph Construction with Domain-Expert Review（arXiv、2026、全文精读）
- Counterexamples as Feedback for Agent Self-Correction（arXiv、2026、全文精读）
- MA-RAG: Multi-Agent Retrieval-Augmented Generation for Query-Driven Summarization of Longitudinal Parkinson s Disease Assessments（arXiv、2026、全文精读）
- Dataset Scarcity Limits Robust Evaluation of Multilingual Embedding Models: A Case Study of Slavic Languages（arXiv、2026、全文精读）
- Beyond Two Bytes per Letter: Tokenization Overhead in Cyrillic AI Systems（arXiv、2026、全文精读）