核心 GUIDE
Fact-check 与 Revision
AI 辅助长内容只有把 Claim 抽取出来、用权威 Source 独立检查，再带 Provenance 修订，才能建立信任；让同一个模型“自我 Fact-check”并不足够。
核心心智模型
Fact-checking 是 Claim–Evidence Workflow：识别 Verifiable Claim，匹配合适 Source，标记 Supported/Contradicted/Unresolved，再修改 Manuscript，并保留为什么改动的 Trace。
为什么重要
长文同时包含 Fact、Synthesis、Opinion 与 Illustration。通用 Review Prompt 容易漏掉细小错误，也可能因为 Statement 很像训练数据而自信通过。把 Claim 从 Prose 中拆出来形成 Reviewable Unit，可以让 Author 把昂贵 Verification 集中在高后果或高不确定 Assertion 上。
01
把 Prose 转换成 Claim Queue
抽取 Claim 并记录 Location，判断哪些需要 External Evidence，检索 Authoritative Source，再记录 Support、Contradiction 或 Unresolved Status。Evidence Review 完成后才 Revision，并把 Citation 与 Source Note 继续绑定。最后做 Consistency Check，避免某一 Chapter 改正后，其他地方仍保留旧 Claim。
02
示例：一个过时统计数字出现在三个章节
Manuscript 引用了旧 Report 的 Adoption Percentage，又在不同 Chapter 中用不同方式 Paraphrase。Claim Extraction 把这些 Statement 关联起来，Reviewer 找到更新的权威 Dataset，Revision 同步修改所有出现位置和对应 Interpretation，Evidence Record 保留数字为什么变化。
常见失败模式
- 让 Drafting Model 在没有独立 Source 的情况下为自己的 Claim 背书。
- 只检查 Citation 是否存在，却不检查它是否支持具体 Claim。
- 只修正一个位置，长文其他地方仍保留不一致版本。
工程启发
- 按 Claim Consequence 与 Uncertainty 安排 Verification 优先级。
- 用 Structured Matrix 保存 Claim Location、Source 与 Review Status。
- Factual Edit 后再次做 Cross-document Consistency Check。
关键结论
- 01Fact-checking 针对 Claim，而不是 Prose 的“感觉”。
- 02Independent Source 比 Model Confidence 更重要。
- 03Revision 应保留 Provenance，并一致传播 Correction。
阅读记录
这里只记录你真实做过的动作，不代表掌握、熟练或认证。
用于这些学习路径
这个 Concept 会在多个 canonical 学习路径中复用。