交叉验证独立来源

当真正独立的 Evidence Path 相互收敛时，Confidence 才应该上升；很多链接重复同一个上游 Claim 并不构成独立验证。

核心心智模型

计算 Independent Evidence Path，而不是 Citation 数量。五个页面复制同一个 Original Source，本质上仍然只有一份底层证据。

为什么重要

AI 辅助 Research 很容易生成一长串看起来很严谨的 Bibliography，但 Epistemic Depth 仍然很薄。Syndicated Article、Derived Summary 与重复媒体报道可能全部继承同一个未经验证的 Claim。Triangulation 关注的是 Evidence 是否真的拥有独立来源。

追踪 Evidence Lineage

先识别 Primary Source，再把共享同一 Upstream Evidence 的文档归为一组。对于高影响 Claim，需要寻找不同 Evidence Path，例如 Official Record、Independent Measurement、独立 Dataset 或 Expert Analysis。如果独立来源没有收敛，则保留分歧，而不是强行统一答案。

例子：五篇文章，一个统计数字

五篇 News 都写着“70% 的团队已经采用 AI”，但它们全部引用同一家公司 Blog。这只是同一个 Data Point 被重复五次。一个拥有不同 Sample 的独立 Survey 才构成第二条 Evidence Path；另一篇改写 Blog 的文章则不算。

常见失败模式

把 Syndicated Coverage 当作 Independent Confirmation。
用 Search Result 数量代替 Confidence。
为了让 Narrative 更整洁而抹平真实分歧。

工程启发

为每个重要 Claim 追踪最初 Source。
高影响结论至少寻找一条独立 Evidence Path。
在 Synthesis 中保留 Conflict 与 Uncertainty。

关键结论

01Citation 数量不等于 Evidence Diversity。
02Independence 取决于 Source Lineage。
03强 Synthesis 完全可以明确说明可信证据彼此冲突。

来自 Knowledge Graph 的相关知识点

这些关系直接来自 canonical graph，不维护第二套 Guide 分类体系。

Claim–Evidence 矩阵ENABLES