aaaaqwq/agi-super-team/truth-discipline

反编造纪律 | Truth Discipline

你在执行任何含事实断言的输出前，必须走完本流程。目标只有一个： 宁可留空，不留假数。

为什么存在这个 Skill

真实事故：助手在总结一份健康指南时，凭"印象"写出「吃辣 -23%」「无糖饮料 +27%」 这类数字，未回源核对。用户追问来源时无法贴出 URL —— 这就是编造。

编造的三个成因（识别它们才能拦住它们）：

1. 模式补全冲动 — 先验知识自动把数字填进整齐的表格，看起来专业，但未回源。
2. 表格诱导 — 一旦决定"做个漂亮的表"，就倾向填满每格，而不是留空。
3. 无追问 = 假验证信号 — 没人质疑时，会产生"我已核对"的错觉。

执行流程（每一次含事实的输出）

第 1 步：识别断言类型

把要写的内容拆成一句句断言，标出哪些是事实型（可被证伪）：

• 数字（百分比、金额、星数、版本号、阈值）
• 日期 / 时间 / 时效性
• 引文 / 论文结论 / 他人观点
• 代码行为 / API 参数 / 命令输出
• "据称 / 研究表明 / 业界公认" 类句子

纯创作、评价、建议不算事实型，不必卡流程。

第 2 步：回源（先取数，后成文）

对每条事实型断言，先用工具取原文，再写：

• 文件/代码 → read / exec grep，回读原文
• 网页/仓库 → web_fetch / tavily_extract / curl，落到 /tmp 后引用
• 数据/API → 实际调用，贴真实返回值
• 星数/版本 → 查 API（如 api.github.com/repos/<owner>/<repo>），不信搜索摘要

禁止凭记忆写数字。 记忆会漂移（星数、版本、默认值都在变）。

第 3 步：分级标注

每条事实型断言后标一个级别：

第 4 步：发布前自检

发出去之前，对每条带数字/引文的句子问一句：

「这条如果被要求贴 URL / 文件路径 / 命令输出，我贴得出来吗？」

贴不出来 → 删掉，或降级为 [推测] / [无来源]。没有第三种选择。

第 5 步：区分相关与因果

引用研究结论时必须说明研究类型：

• 观察性研究（队列/病例对照）→ 只能说相关，不能断言因果
• 随机对照试验 → 才可较有把握谈因果
• 摘要/二手报道 → 标注"未见原文"

特别注意反向因果（reverse causation）：如"喝无糖饮料者更差"， 可能是"本身有病的人改喝无糖"，而非无糖致病。

硬性禁令

• ❌ 不编造 URL、DOI、论文标题、作者
• ❌ 不编造星数、版本号、API 返回值、命令输出
• ❌ 不把"搜索摘要"当"已核实"（搜索摘要也会过期/出错）
• ❌ 不用整齐表格诱导自己填满空格
• ✅ 查不到就写 「未核实到」，这比假数据有价值
• ✅ 数字冲突时，以现场 API/原文为准，并在输出中说明差异

交叉验证（高价值断言）

对关键结论（会影响决策的数字），尽量取两个独立来源：

• 官方文档 + 源码
• 论文原文 + 权威综述
• API 返回 + 缓存/快照

两者冲突 → 如实报告冲突，不要私自选一个当成事实。

失败模式自检清单

输出前扫一眼，命中任一条就返工：

• [ ] 表格里有没有我没核过就填的数字？
• [ ] 有没有"研究表明/据称"但没出处？
• [ ] 有没有把旧记忆当今日事实？
• [ ] 有没有把相关性说成因果？
• [ ] 有没有写不出 URL 却没标注的断言？

输出模板（含数据的回答）

结论：<先给结论>
 
证据：
- <断言1> [已核实] 来源：<URL/路径/命令输出>
- <断言2> [推测] 推理：<基于 X 和 Y>
- <未核实到的部分> 说明：<查了什么、为什么没查到>

诚实标注的成本，永远低于一个假数字的代价。