一个 AI 客服被问"这个能退吗"，它答"可以退，7 天内"。而实际政策是"7 天无理由，但拆封后不支持"——它漏掉了后半句。用户投诉时说了一句关键的话："它说得很肯定，我才信的。"
AI 输出的不确定性有两种处理：不说（自信地答）、说（标注不确定）、给依据（让用户自己判断）。三者对体验与责任的影响完全不同，这个"看起来最好"有指标支撑：满意度、完成率、会话时长都会更好——因为这些指标在"答错但答得快"上表现优秀，而"答错"的代价不在这些指标里。
而多数团队选第一种，因为"它看起来最好"。
1. 三种交代方式的效果
| 方式 | 用户体验 | 责任 |
|---|---|---|
| 自信作答（不标注） | 短期最好 | 全在系统 |
| 标注不确定（"可能""建议核实"） | 短期变差 | 转移到用户 |
| 给依据（引用原文/来源） | 中（要看） | 可追溯 |
第一项的"短期最好"是陷阱：用户在"答对时"满意，"答错时"愤怒加倍这个"加倍"的机制是"预期落差"：语气越肯定，落差越大。而"愤怒"往往超过"信息本身错误"的严重程度——因为它包含了"被误导"的感受。
——因为"肯定的语气"提高了预期。
第二项的"边界"在"比例"：如果 80% 的回答都带"可能"，那标注就变成了语气词——用户会直接跳过它，于是"标注"不再提供信息。
第二项的成本是"事事都标注"会让用户觉得"这系统没自信"——于是"该自信的地方也不敢信"。
第三项是"长期最优"：它把"判断"交回用户，同时让系统可被核对。第三项的"成本"在于"用户要读来源"：多数人不读。所以实践中会"只展示结论 + 一个可展开的来源"，让"想核对的人能核对"，而不强迫所有人读。
2. 什么时候该"说不确定"
| 情形 | 处理 |
|---|---|
| 检索证据弱 | 明确"资料中没有" |
| 多份资料冲突 | 列出两种说法 |
| 问题超出范围 | 说明并给路径 |
| 答案涉及规则细节 | 给原文让人核对 |
第一项与第三项是"拒答"，而它的价值在于"不让用户按错的答案做事"。
第四项的"判据"是"这条信息是否"可以照抄""：可以照抄的（政策原文、配置项、错误码），引用优于归纳；需要综合判断的，才用归纳。
第四项最实用："7 天无理由，拆除包装后不支持"这句话本身不需要模型解释，直接引用比"归纳"更安全。
3. 三种"不确定"的表达强度
| 表达 | 适用 |
|---|---|
| "资料中没有相关内容" | 无依据 |
| "根据《X》第 3 条，…（原文）" | 有依据 |
| "可能""建议确认" | 有依据但不完整 |
第二项是"最强的可信度"：它同时给了结论与出处，用户能自己核对。第二项在"合规场景"里是硬要求："你说的依据在哪"必须能回答——而"引用原文"是唯一能直接回答的方式。
第三项最弱："可能"是模糊的，用户不知道该不该信——于是它既没有帮助判断，又降低了体验。
"确认成本"是这套设计的一个隐含变量：用户要花多少步才能核实。
// 三种答案的核实成本
自信作答："可以退" → 用户无法核实，只能信或打电话
标注不确定："可能可以，建议确认" → 要打电话（成本高，多数放弃）
给依据："第 2 条：拆封后不退" → 点开即核实（成本最低）
// 结论：给依据是唯一让"核实"变得可行的方式
4. "自信"该怎么分级
| 依据强度 | 表达 |
|---|---|
| 有原文引用且一致 | 直接陈述 |
| 有原文但需推断 | 陈述 + "依据 X" |
| 多来源一致 | 陈述 + "多处资料一致" |
| 来源冲突 | 列两种 + "请与 X 确认" |
| 无依据 | 拒答 + 给路径 |
这个区分很重要：模型的置信度是对"自己输出"的评价，而依据强度是对"资料来源"的评价——前者可能"对错信息也自信"，后者是客观的（有几条来源、是否一致）。
这套分级的关键是"依据强度决定语气"，而不是"模型的置信度"。因为"模型的置信度"不等于"事实的可靠性"——它可能对"错误的信息"也很自信。
// 同一条政策的三种回答（依据强度不同）
强：根据《售后政策 2024》第 2 条，"7 天无理由，拆除包装后不支持"。
中：检索到的资料提到 7 天无理由，但未说明拆卸包装的情形，建议确认。
弱：未找到相关的退换政策，可咨询客服或查看《售后政策》。
// 差别：三句都"没编"，但可信度清楚
"依据强度"可以用"三个可判的条件"算出来，而不必靠模型自评：
// 依据强度的三问（每条答案问一次）
1 检索到几份独立来源支持？ 1 份 → 中；≥2 份且一致 → 强
2 是否有原文片段可直接引用？ 有 → 强；只能推断 → 中
3 来源之间是否冲突？ 冲突 → 必须"列两种"
// 用法：三问决定"语气档位"，而模型只负责"按档位组织语言"
5. 标注本身的设计
| 做法 | 问题 |
|---|---|
| 每句都加"可能" | 噪声，用户忽略 |
| 只在低置信时标注 | 需要"置信"判断 |
| 用"依据 + 未覆盖部分" | 最清楚 |
| 用图标/颜色 | 快，但可能被忽略 |
第一项会让"标注"失去信号价值：当所有句子都说"可能"，用户就不再读了。第一项的"量化"方式是"标注密度"：每 100 字出现几次不确定词。密度超过 3 次，基本等于"没标注"。
第三项是最实用的写法：说清"依据覆盖了什么、没覆盖什么"——它比"置信度"更可理解。
"冲突"的展示方式值得单独设计，因为它最容易被"合并"掉：
// 冲突的两种展示（推荐第一种）
好：资料中有两种说法：A 说"7 天内可退"，B 说"拆封后不退"（B 为 2024 版）。请以最新版为准。
差：一般 7 天内可退（部分情况除外）。 ← 合并成了一个模糊结论
// 判据：用户能否从答案里"看到冲突本身"
6. 排错：五种"不确定性处理不当"
| 现象 | 成因 | 处理方向 |
|---|---|---|
| 答错后投诉激烈 | 语气过肯定 | 按依据强度分级 |
| 用户不信系统 | 过度标注 | 只在低依据时标 |
| 关键细节被漏 | 归纳代替引用 | 给原文 |
| 冲突信息被合并 | 未检测冲突 | 列两种说法 |
| 无法追责/核对 | 无来源 | 加引用 |
第四项的"检测"可以后置：抽取答案里的关键数字/条件，逐个回查来源。若两个来源给出的数字不同，就应当"列两种"而不是"取平均"。
第四项最危险：两份资料说法不同，模型"合并"成一个折中的答案——而它既不是 A 也不是 B，用户按它做就错了。
最后一个"验收"方式：把"该标注却答得很肯定"的案例做成回归集。因为"语气"不会出现在准确率指标里，只能靠人工抽样。
// 抽样检查（每周 20 条，问三个问题）
1 这条有依据吗？ 无 → 应当拒答，实际答了 → 记录
2 依据够强吗？ 1 份来源但语气像"确定" → 记录
3 有冲突吗？ 有但未展示 → 记录
// 指标：三类记录的条数；目标是逐月下降
7. 边界：什么情况不必标注
| 场景 | 为什么 | 做法 |
|---|---|---|
| 闲聊/创意生成 | 无事实约束 | 不标注 |
| 有强后置校验（人工复核） | 错误会被拦 | 不标注 |
| 单一定义类问题（1+1） | 无不确定性 | 直接答 |
| 用户明确要"快速给个方向" | 不需要精确 | 直接答 |
判断口径一句话：用户会不会"按这个答案去做一件事"。最后一条与"责任"有关的边界："标注不确定"并不转移责任。它只是"把信息完整地传达"，而"传达到位"这件事本身仍是系统的责任——所以"标注了但答案仍错"依然是问题。
会（退换、报销、配置），就必须按依据强度给语气；不会（问问看、找灵感），直接答更好。
8. 自测
- "自信作答"为什么短期最好、长期最差？"肯定的语气"改变了什么？
- 什么时候该"说不确定"？为什么"引用原文"比"归纳"更安全？
- 三种表达强度里，哪一种最弱？为什么"可能"既没帮助判断又降低体验？
- 为什么"语气应当由依据强度决定"而不是"由模型置信度决定"？
- "每句都加可能"为什么让标注失去价值？
- 判断"是否需要标注"的那个问题是什么？