AI 与上下文知识与笔记

Stateful Corpus Research Loop:别再收集来源了

关键在于知道下一步该检索什么,更在于知道何时停下。与其事先定下 30 或 50 个来源,不如从一个小而精选的语料库出发,从中提炼出结构化知识,再让它已经知道的和尚不知道的东西决定下一次检索。结果是:冗余更少,盲区可见,停止标准也可以检验。

Info

原文为法语。由 AI 翻译——保留的是含义,而非文风。

《Le contexte》一书封面
延续《Le contexte》一书

本文延续了我在著作《Le contexte》中写下的思考。如需阅读全书,请下载,或在 Amazon 上购买。

让 AI 做研究时,人们的第一反应往往如出一辙:

给我找 20、30 或 50 个关于这个主题的好来源。

问题不在来源的数量,而在于还没弄清真正缺什么,就先决定了要找多少。

结果很容易堆积起一堆彼此重叠的文档:概念相同,引用的研究相同,营造出一种虚假的覆盖感。与此同时,有些角度始终不可见,只因为它们在最初的结果里没有得到充分呈现。

我用的是另一种方法:从一个极小但经过严格精选的语料库出发,从中提炼出结构化知识,诊断这个语料库已经能让我们理解什么——更重要的是,还不能让我们理解什么——然后让这个状态决定下一次检索。

我把这种方法称为 Stateful Corpus Research Loop,简称 SCRL。

它的逻辑可以用一句话概括:

不是去找更多来源,而是去找下一个有可能改变我们对某项任务既有认知的来源。

1. 问题不在于海量检索

检索大量来源本身当然没有错。有些研究确实需要几十甚至上百份文档。

问题出在策略一开始就被定死的时候:

scope → 30 个来源 → 阅读 → 综合

数量于是成了衡量质量的替代指标。

可事实上,三十个来源可能只覆盖了几个反复出现的观点。它们可能出自同一类作者,引用同样的研究,基于同样的假设,或对同一个矛盾视而不见。

所以真正值得问的不是:我有多少个来源?

而是:我的语料库已经知道什么,还不知道什么,哪一次检索最有可能改变这个状态?

SCRL 因此把通常的逻辑倒了过来。

不是先收集、后理解,而是先理解到足够的程度,再决定接下来该检索什么。

2. 一切始于任务和 scope

没有边界的迭代循环可能永无止境。

每个新来源都会引出新问题,每个问题都会带来新概念,而每个概念都足以成为再读二十篇文献的理由。

所以 SCRL 从一项明确的任务开始:

  • 一个核心问题;
  • 哪些属于主题之内;
  • 哪些属于主题之外;
  • 需要理解的几个方向;
  • 期望得到的知识类型。

收敛从来不是绝对的。

我们不可能得出这样的结论:“关于 AI 智能体,我们现在已经知道了一切该知道的东西。”

我们只能得出:就这项任务、在这个范围内,新的迭代实质性改变我们现有模型的可能性已经很低。

scope 不是行政上的约束,而是让停止标准成为可能的前提。

3. 从一个小而高度精选的 seed 出发

SCRL 不从穷尽式收集开始,而是从一个 seed(种子)开始:几个经过仔细挑选的来源。

这第一批来源需要足够:

  • 可靠;
  • 多样;
  • 贴近主题核心;
  • 丰富,足以呈现出初步的概念结构。

seed 的目的不是覆盖整个领域。

它的作用更朴素,也更有用:产生一个足够好的初始知识状态,以便发现还缺什么。

它的用途是启动这个循环。

4. 把来源转化为知识,而不是摘要

原始文档是很糟糕的推理单位。

一篇文章可能包含五个彼此独立的机制。两份截然不同的文档可能支撑完全相同的观点。反过来,同一个来源里可能既有站得住的论断,也有推测性的假设,还有含义模糊的定义。

因此,在来源和最终产出之间需要一个中间层。

在我的体系里,这一层主要由三类笔记构成,本博客已经详细介绍过:

  • 原子笔记沉淀一个自足的知识单元,只有一个思想重心;
  • 主题笔记把多条知识联系起来,产生额外的理解;What Is a Thematic Note?
  • 术语表条目在某个歧义可能改变对语料库的解读时,固定一个术语的含义。

所以 SCRL 并不直接从一堆文档出发去驱动检索。

它从已经提炼并结构化的知识出发去驱动检索。

5. 语料库变得有状态

第一次摄入之后,语料库就拥有了状态。

它可以逐步呈现:

  • 哪些看起来已经确立;
  • 哪些文献支撑仍然薄弱;
  • 哪些只依赖单一来源;
  • 哪些仍不确定;
  • 各种矛盾;
  • 术语上的歧义;
  • 尚未理解透彻的机制;
  • 已经识别出的局限;
  • 占比过高的区域;
  • 几乎空白的区域;
  • 语料库各部分之间的关系。

这个状态成为下一个决策的输入。

↻ Stateful Corpus Research Loop

任务 / scope → 精选 seed → 来源 → 笔记 → 语料库状态 → 诊断 → 定向检索 → 新来源 → 更新语料库 → 收敛测试 → 新一轮迭代

语料库不再只是研究的结果。

它成了驱动下一次检索的引擎。

6. 新一轮迭代真正可以检索什么

新一轮迭代不再意味着:“再给我找些相关文章。”

它接收的是由语料库诊断生成的目标。

一轮迭代可以致力于:

  • 拓宽——发现一个仍然缺失的重要维度;
  • 加固——为一条重要知识补充独立的证据;
  • 填补缺口——记录一个仍然缺失的机制、步骤、指标或条件;
  • 寻找反证——主动寻找能够推翻或限定语料库已视为可靠之结论的研究;
  • 明确边界——确定一个论断在何时何地不再成立;
  • 区分相互竞争的含义——找出不同作者、产品或学科对同一术语的不同用法;
  • 从描述走向机制——不仅理解发生了什么,还要理解为什么以及如何发生;
  • 让证据多样化——混合理论、benchmark、实证研究、技术文档、一线反馈和真实观察;
  • 检验可迁移性——验证在一个领域观察到的观点在另一个领域是否依然成立;
  • 识别依赖条件——找出机制运转所必需的条件;
  • 寻找副作用——成本、延迟、偏差、退化、组织约束或治理风险;
  • 核查是否过时——发现某项技术演进是否让语料库的一部分失效;
  • 连接相互隔离的区域——发现同一个机制贯穿主题的多个部分;
  • 重新平衡——纠正某个仅因某类来源占比过高而显得强势的结论;
  • 寻找可能推翻模型的东西——明确提出这样一种检索:一旦有结果,就必须重新审视某个核心结论;
  • 衡量饱和度——检验新的检索是否还能产生实质性的知识。

这份清单之所以重要,是因为它改变了检索的功能。

搜索引擎的任务不再是找到“好来源”,而是找到语料库此刻需要的那类证据。

7. 海量检索 vs SCRL

传统研究通常是这样的:

scope → 大规模收集 → 阅读 → 提炼 → 综合

SCRL 更像是这样的:

scope → 小 seed → 知识 → 诊断 → 由诊断决定的下一次检索

所以区别并不在于 5 个来源对 50 个来源。

SCRL 完全可能最终用到 100 个来源。

区别在于:

在准确了解自身需求之前就去收集

还是

让已经获得的知识决定接下来该检索什么。

8. 一次真实实验:Adobe Summit Paris 2026

我在围绕 Adobe Summit Paris 2026 的一项个人准备工作中检验了这种方法。

这项任务被有意限定在五个方向上:

  1. 智能体时代的内容生产与组织——智能体、编排、人工监督、工作流与规模化;
  2. 品牌语境与 AI 内容治理——品牌表征、约束、审核、持久语境与控制;
  3. 可查询的文档与知识系统——RAG、retrieval、grounding、引用、文档间矛盾以及基于语料库的生产;
  4. 智能体化的 Web、可发现性与 LLM 中的可见度——GEO、引用、归因、结构化数据、分发与可见度衡量;
  5. 对话式界面与意图驱动的创作——自然语言、创意控制、状态保持、直接操作以及将意图转化为操作。

此后,研究以一轮又一轮的循环推进。

实验结束时:

  • 15 轮检索迭代;
  • 语料库中收录 82 个来源;
  • 1 个来源无法使用,因为无法可靠提取;
  • 51 条在用笔记;
  • 34 条原子笔记;
  • 10 条术语表条目;
  • 7 条主题笔记;
  • 5 份综合简报,每个方向一份。

但值得关注的数字不是 82。

而是迭代的角色是如何变化的。

开始阶段:拓宽

最初几轮循环主要用来了解情况。它们揭示出概念、机制以及主题的初步边界。

中间阶段:加固与结构化

接下来的迭代寻找更好的证据,拆分某些观点,填补缺口,并让笔记之间的关系浮现出来。

最后阶段:攻击模型

最后几轮迭代的性质变了。

第 13、14、15 轮迭代主要充当了破坏性测试。

问题不再是:“我们还能补充什么?”

而变成了:“我们可能找到什么,会迫使我们重新审视自以为已经理解的东西?”

到第十五轮迭代时,已没有哪个新来源重要到值得采纳、足以改变五个方向的概念模型。

这当然不意味着这个主题已经被穷尽。

它表明的是,在既定的 scope 内,语料库开始收敛了。

9. 收敛:知道何时停下

这大概是这种方法最有意思的收益。

在传统研究中,“我检索得够了吗?”这个问题常常没有答案。

30 个来源?50 个?100 个?

这些数字构不成认识论意义上的标准。

SCRL 可以使用另一种信号。

当新的迭代出现以下情况时,研究就开始收敛了:

  • 不再产生新的核心知识;
  • 不再显著修改重要笔记;
  • 不再揭示重大矛盾;
  • 不再发现 scope 内的重要缺口;
  • 主要只是增加确认或冗余;
  • 剩余的不确定性都已被清楚标识。

因此,收敛并不意味着“我们什么都知道了”。

它意味着:一轮新迭代实质性改变我们当前表征的可能性,相对于这轮迭代的成本而言,已经变得很低。

而且这个标准是可以检验的。

我们可以有意发起旨在推翻模型的检索。如果它们接连几次都失败了,饱和信号的可信度就会大大提高。

10. 这对研究智能体意味着什么

许多“deep research”系统仍在隐含地沿用类似这样的架构:

search → scrape → summarize → write

即使它们发起了多次检索,这些检索也往往只是一个很早就定下的计划的分支。

真正的自适应研究循环需要更多东西。

智能体必须维护一个状态,其中尤其包括:

  • scope;
  • 已经稳定下来的知识;
  • 它们的出处;
  • 它们的支撑程度;
  • 各种矛盾;
  • 各种不确定性;
  • 已识别的缺口;
  • 已经做过的检索;
  • 毫无收获的策略;
  • 被视为已饱和的区域。

这样它才能决定:

此刻,哪一次检索最有可能带来有用的知识增益?

架构于是变成:

scope → 记忆 → 语料库状态 → 诊断 → 检索策略 → 新证据 → 知识更新 → 收敛测试

研究不再是生成之前的一个阶段。

它成了一个系统:不断更新自己对“已知什么”的表征,并用这个表征来选择下一步行动。

有状态,而不只是有深度

deep research 这个说法强调的是深度。

但深度并不能保证质量。

一个智能体可以读上一百份文档,却一再重复同样的偏差。它可以大量探索,却从不去寻找与其核心结论相矛盾的来源。它可以积累庞大的上下文,却说不清还有什么是不确定的。

所以,重要的转变也许不是检索得更深。

而是带着状态去检索。

这正是 Stateful Corpus Research Loop 的理念。

语料库不再是一堆文档。

它成为针对某项任务所获知识的一种不断演进的表征——而这个表征被用来决定下一次检索。

下一个来源必须有存在的理由

好的研究大概不应该再从这个问题开始:

关于这个主题,最好的文章有哪些?

它应该逐步走向一个要求更高的问题:

鉴于我们已经知道的东西,此刻什么信息最有可能改变我们的理解?

这是一个微妙的差别。

但它彻底改变了检索的角色。

SCRL 追求的不是找到大量好来源,而是在每一刻判断:哪个来源还可能改变我们对某项任务的认知。