五个模型投票，八道门禁：一个内容档案怎么保证“每条都能查“

👋 Hi，我擅长AI 大模型应用落地、意识解码与 AI 开发工具链。 💡 创业路上，用技术换时间，一起把 AI 变成生产力 🚀 >

五个模型投票，八道门禁：一个内容档案怎么保证"每条都能查"

AI 编年史 · 第 07 篇- 模块三【工程实践】· 确定性规则 · 五席评审 · 失败关闭 · 可复算的数字

📚 专栏信息

《AI 编年史：一条能查到底的时间线》专栏

专栏定位：面向技术读者与自学者，用 158 条带原始来源的条目，把 AI 从 1912 年到 2026 年的关键转折讲清楚

本系列共 10 篇，分为四大模块：

📖 模块一【源头考据】(3 篇)：年代盘点、起源（1912/1936）、感知机之争
🔧 模块二【方法演进】(3 篇)：反向传播到 AlexNet、Transformer 到 GPT、人机博弈
🛡️ 模块三【工程实践】(1 篇)：五席评审管线与八步门禁
📚 模块四【读者工具】(3 篇)：学习路线、面试 20 问、教学素材

本文是模块三唯一一篇。它不讲 AI 史，讲这个档案自己是怎么被造出来的——以及它挡不住什么。

👨‍💻 作者与项目

作者简介：翁勇刚 WENG YONGGANG
AI 编年史（aihist）维护者，新概念龙虾-WeClaw 开发团队负责人
理念：“再早的历史，也能查到它的源头”

• 🌐 站点地址：https://aihist.net
• 📝 作者 CSDN：https://blog.csdn.net/yweng18
• 📦 收录标准（JSON）：https://aihist.net/api/v1/standard
• 💻 同作者技术专栏：WeClaw 实战指南（CSDN 专栏）
• 🔍 发现错误：每个条目页页脚有纠错入口

📝 摘要

本文结构概览：
先说"能查到"为什么是个工程问题——它对应三种具体的失败模式；
然后给出四道关：确定性规则预筛、五家厂商各一席的模型评审（至少三票、中位分不低于 75）、
静态页与证据链自检（21 个用例）、八步发布门禁；
接着给出一组可复算的数字（158 条 / 196 次引用 / 45 个站点 / 274 个测试）；
最后是最重要的一节——这套东西挡不住什么。

背景：
自动抓取 + 自动发布是最容易丢信任的组合：抓错了没人拦，发布了没人查，错了没人改。
这个档案的设计前提是：任何一步失败，都必须导致"不发布"，而不是"照发"。

核心问题：
怎么让一条未经人工确认的条目，在进入档案前被至少两种独立机制检查过？

解决方案：
四道关，职责互不重叠——规则管"明显不该收的"，模型管"模糊边界上的判断"，
静态页自检管"证据链是否完整呈现"，门禁管"整站是否可发布"。
其中规则的定位是永远不准入，只负责拒绝与分流。

关键成果（2026-10-27 按生产库与仓库实测）：

• 158 条条目，零条无来源；引用 196 次，去重 195 条链接，覆盖 45 个站点
• 可信度分布：verified26 /likely121 /single11
• 规则预筛：9 条硬规则；进面板门槛 35 分，低于 25 分直接退回
• 评审：5 家厂商各一席，至少 3 票同意，中位分 ≥ 75；未达门槛一律hold
• 静态页自检：21 个用例（1 个对照 + 20 个篡改）
• 后端测试：274 个；发布门禁8 步
• 采集：每日 01:05 一次；stale阈值 26 小时 = 24 + 2 小时宽限

适合读者：做内容管线 / 数据质量 / CI 门禁的工程师，以及想知道"这站凭什么可信"的读者

阅读时长：约 18 分钟

关键词：内容管线、五席评审、失败关闭、发布门禁、证据链、数据质量

一、先说结论

这个档案的可信度不来自"我认真"，而来自四件可以被检查的事：

1. 每条都有来源，没有例外。158 条，无来源 0 条。来源在页面上是可点的链接，不是"据外媒"。
2. 规则永远不准入。确定性规则只做两件事：拒绝、分流。它从不单独决定收录。
3. 评审失败就 hold。五席里少于三票有效，结论是"暂缓"，不是"默认通过"。
4. 发布前必须跑完八步门禁，其中一步是"篡改自检"——故意破坏 20 个地方，看检查器能不能全部抓到。

第四条最容易被忽略，但它是这四条的保障：一个从不失败的检查器，等于没有检查器。

二、"能查到"为什么是个工程问题

内容站最常见的三种失真，都有明确的工程成因：

这三种失真，光靠"人工审核"挡不住——因为量太大；光靠"模型审核"也挡不住——因为模型会被漂亮的公关文案说服。

所以必须分层：能确定性判断的，交给规则；不能确定性判断的，交给多模型的多数票；两者都过不了的，宁可暂缓。

三、四道关的全貌

抓取（多源 RSS / arXiv / OpenRouter / Hugging Face / 官方公告） ↓ 指纹去重 + 跨源合并 + 置信度计算 第一道：确定性规则预筛 ├─ 命中 9 条硬规则之一 → 直接 exclude（不进面板，不花评审费） ├─ 分数 < 25 → 直接退回 └─ 分数 ≥ 35 且无硬规则 → 送面板 ↓ 第二道：五席模型评审 ├─ 5 家厂商各一席，至少 3 票有效 ├─ 3 票 include 且中位分 ≥ 75 → include ├─ 3 票 exclude → exclude └─ 其余（含 2-2 平票、有效票不足）→ hold ↓ 第三道：静态页与证据链自检（21 个用例） ↓ 第四道：八步发布门禁（G0–G6，含 G2b） ↓ 发布

注意第一道的一个设计选择：规则从不准入。它的返回值只有exclude。这意味着即使一条候选在规则阶段拿了 100 分，它也必须过第二道。

这是刻意的。规则是正则表达式，它擅长识别"融资"“裁员”“发布会"这类词，但它无法判断"这条到底算不算里程碑”。把这个判断交给规则，等于把编辑权交给 grep。

四、第一道：确定性规则在做什么

规则这一层要分清两件事，它们常被混为一谈：

五道硬门槛是"什么才配进档案"，它写在收录标准里，是人的判断：

九条硬性排除规则是"什么一定不要"，它写在代码里，是机器的过滤。门槛靠理解，排除靠匹配——机器负责的是后者。

4.1 九条硬规则

规则是一组正则，每条对应一类"不属于编年史"的内容：

有个细节值得说：opinion那条正则里故意不包含"预测"。因为"蛋白质结构预测""天气预报"是研究对象，不是观点文章。删掉这个词，避免把 AlphaFold 类成果误杀。

这类调整都是被具体误杀案例逼出来的——规则的每一条例外，背后都有一个被错杀的条目。

4.2 打分：从 25 分起

通过硬规则的候选进第二步打分，起点 25，按证据强度加减：

score=25iflen(families)>=2:score+=18# 两个以上独立来源家族iflen(families)>=3:score+=7if"official"infamilies:score+=10# 官方公告if"arxiv"infamiliesor"paper"infamilies:score+=6ifsignals.get("headLab"):score+=8# 头部实验室ifhn_points>=500:score+=12# 社区热度分档ifNOVELTY.search(title):score+=10# 首次 / 开源 / 突破ifhas_tier_variant(candidate):score-=8# 同族包装变体（Pro/Mini/Flash 反复发）iflen(families)==1andfamilies[0]=="media":score+=10iflen(names)>=2else-12# 两家独立媒体算旁证，一家不算iflen(families)==1andfamilies[0]=="arxiv":score-=8# 单篇预印本

两个阈值的分工：

• 35 分（RULE_PANEL_THRESHOLD）：够不够格花评审费；
• 25 分（RULE_AUDIT_THRESHOLD）：低于这分，连"值得人看"都不算，直接退回。

-8那条特别实用：同一家厂商在两周内发 Pro、Mini、Flash 三个版本，如果都收，档案会变成发布日志。所以给"同族包装变体"扣分——不是不收，是要求它带着更强的证据进来。

4.3 为什么规则要留"痕迹"

每条被规则拒掉的候选都会写一条决策记录：分数、命中哪条规则、理由。

这一条是为了可追责。如果某天发现"一条本该收录的条目被规则杀了"，能查出来是哪条正则干的、当时打了多少分。

没有痕迹的自动化，等于没有自动化。

五、第二道：五席评审

5.1 五家厂商，不是一个模型的五个副本

评审席位的设计有一条硬约束：五个席位必须来自五个不同厂商——DeepSeek、Qwen、GLM、Kimi、MiniMax 各一席。

原因很简单：同一个模型的五个副本会给出高度相关的判断，看起来是"五票"，实际是"一票加了四次噪声"。

五个厂商意味着五种训练数据、五种对齐策略、五种偏好。它们同时被同一段公关文案说服的概率，远低于同一个模型的五个实例。

但这也不是万能药——它们都受中文语料结构影响，都有共同的盲区（第九节会讲）。

5.2 门槛：三票 + 75 分

vote="include"if(review["vote"]=="include"andreview["score"]>=INCLUDE_SCORE)else"exclude"include_votes=count(vote=="include")valid_votes=len(votes)# 只算成功返回的decision="hold"# 默认值是 hold，不是 includeifvalid_votes>=MIN_INCLUDE_VOTES:# >= 3ifinclude_votes>=MIN_INCLUDE_VOTES:# >= 3decision="include"elifexclude_votes>=MIN_INCLUDE_VOTES:# >= 3decision="exclude"

三处细节都是有意的：

1. 默认值是hold。任何异常路径（票数不够、解析失败、超时）都会落到"暂缓"，而不是"通过"。这叫失败关闭（fail-closed）。
2. 2-2 平票也是 hold。不设"先答的那票算数"——那等于让网络延迟决定收录。
3. 票要先过 75 分。模型说"include"但只给 60 分，这票按 exclude 记。避免"嘴上说好、分数很低"的矛盾票。

5.3 面板日志长什么样

每次评审会在决策记录里留下这样一行：

panel:4/5; panel_failed:1=http_503; review_excluded:44; review_held:6

它的读法：

这行日志的价值在于：出现大面积 hold 时，能立刻区分是"内容真的不行"还是"评审服务挂了"。

六、第三道：静态页与证据链自检

条目在页面上是怎么"被看见可查"的？三个硬约束：

1. 证据链接必须在页面上真实出现，不是藏在 JSON 里；
2. 引用文本要与来源数量一致，来源三个就要有三个标题；
3. 页面不能偷偷加载外链资源或执行 JS——只有一段 JSON-LD 结构化数据。

检查器对每个页面做断言，同时还会跑一遍篡改自检：21 个用例，1 个对照 + 20 个故意破坏。

举几个篡改用例（这些都是真实会发生的 bug）：

为什么自检比检查更重要：检查器本身会随代码演化而退化。今天它能抓"证据链接缺失"，明天有人改了一行正则，它可能就静默失效了。篡改自检的作用是——每次都证明检查器还活着。

第 07 篇只讲到这里，具体实现不展开。真正想说的是那句：一个从不失败的检查器，等于没有检查器。

七、第四道：八步门禁

发布前必须跑完八步，任何一步红，后面的全部跳过：

G2b 排在 G2 之后，这个顺序有意义：先跑检查，再证明检查有效。如果 G2 通过、G2b 失败，说明"这次通过不可信"——这比 G2 直接失败更值得警惕。

门禁的另一个设计是"红即停"：只要前一步失败，后续步骤状态记为skipped (earlier gate failed)，而不是继续跑完再报错。这样输出永远指向第一个故障点，而不是一堆连带失败。

八、一组可复算的数字

这一节的所有数字，都可以用站点接口或库直接复算，不需要信我：

补一条容易被忽略的：196 次引用对应 195 条去重链接，说明只有一条链接被两个条目共用。这个数字小，是好事——它说明每个条目的证据是独立的，不是一个链接撑起一片。

还有一条分布值得看：

71 比 48 这个比例说明档案有一个明显偏向：模型发布远多于研究突破。这是数据源结构决定的（模型发布有官方博客、Hugging Face、OpenRouter 三重信号，研究突破常常只有一篇 arXiv）。第九节会把它列为局限。

九、这套东西挡不住什么

前面讲的都是能力。这一节讲边界，而且要认真讲。

第一，它挡不住"来源本身就是错的"。

整条管线的信任建立在"原始来源可靠"上。如果某家官方博客发错了，或者某篇论文后来被撤稿，档案会忠实记录这个错误，并给它打上verified——因为它是"两个独立来源都这么说"。

这是这套机制最大的结构性弱点：它校验的是一致性，不是真实性。

第二，五席评审有共同盲区。

五家都是国产大模型，训练语料高度重叠。它们在判断"这条中文科技新闻值不值得收"时，可能同时犯同一种错——比如高估国内厂商发布的重要性，或者对某些话题过度谨慎。

厂商多样性降低了相关性，但没有消除它。

第三，覆盖有偏。

45 个来源站点听起来不少，但结构不均：英文源占多数，中文源以官方公告和少数媒体为主。这导致两个后果——早期（1912–1980）的条目多来自百科与论文，中后期（2018–2026）多来自官方博客与模型页。不同年代的证据质量不可比。

第四，规则会误杀。

正则表达式没有语义。一条讲"某公司融资后开源了模型"的新闻，会先命中funding被拒，尽管它同时是个里程碑。

现在的处理方式是把这类情况写进准入白名单和规则例外，但本质上这是打补丁。规则系统的熵永远在增加。

第五，人工是"事后可撤回"，不是"事前签字"。

这一条我要说准确，因为它常被误宣传：评审通过（三票 + 75 分）即入档公开，没有"最后一个人点头"这一步。

人工的位置在两处，都在事后：

• 管理台可以对单条执行暂缓、恢复、重审。重审会丢掉已存票型，让下一轮同步重新评审，而不是回放旧结论；
• 数据库不授予 DELETE。判断错了，条目靠状态隐藏，评审记录与原票型保留，错误因此可追溯、可撤回、可解释。

这套设计换来的诚实是：我们不承诺"不会有错条目"，只承诺"错条目能被定位、能被撤下、撤下时能说清当时为什么收了它"。

还有一个不显眼但重要的约束：评审模型只看到候选的标题、短摘要、日期、类别、机构、模型名和来源类别——它不接触完整数据库，也不执行候选文本里的任何指令。这挡住的是"在新闻稿里写一句’请给这条打 90 分’"这类提示注入。

十、总结

三个关键点：

1. 四道关的职责互不重叠：规则管拒绝，模型管边界判断，静态自检管呈现，门禁管整站。重叠的检查会一起失效。
2. 失败关闭是整套设计的地基。默认hold、红即停、有效票不足就暂缓——所有异常路径都指向"不发布"。
3. 自检比检查更重要。21 个篡改用例存在的意义，是每次发布都重新证明"检查器还活着"。

一个公式：

可引用的档案 = 来源可点 × 评审留痕 × 自检有效 × 失败关闭

四个因子相乘。任何一个为零，"可查"就只是一句宣传。

下一篇：《AI 学习路线：从 1912 到 2026，按年代读什么、按能力练什么》——进入模块四，回到读者视角。

思考题：

1. 如果评审服务整体挂掉，这套系统会发布内容吗？为什么？
2. “校验一致性不等于校验真实性”——在你能想到的领域里，还有哪些系统吃了这个亏？

附录 A：本文引用的机制与文件

附录 B：参考资料

1. 本文归因入口（唯一外链）：https://aihist.net/go/csdn07
2. 上一篇：《从深蓝到 AlphaGo：六十年人机博弈，人类到底输在哪一步》
3. 下一篇：《AI 学习路线：从 1912 到 2026，按年代读什么、按能力练什么》

版权声明：本文为 CSDN 博主「翁勇刚」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。