引用存在性校验的工程实现：为什么查重通过仍挡不住虚构引用

在开发者视角下，"查重通过"与"引用真实"属于两类不同的校验任务。
前者主要处理文本重合率，后者要回答文献是否存在、出处是否对应、引文字段能否被溯源。
安徽财大事件与 Nature 2026 虚构引用数据所指向的，正是这条工程边界：文本可以通过相似度检查，参考文献本身却可能无法检索。

1 核心结论

查重工具处理的是文本相似关系，引用存在性校验处理的是事实与出处关系。
二者输入不同、判断对象不同，不能用前者替代后者。

我的判断是，AI 学术写作的风险点不只在生成段落，也在生成一个看起来完整、实际无法追溯的引用。
文献溯源需要单独设计校验流程。

2 机制拆解：从文本相似到出处核对

2.1 先拆开"引用"的组成

一条引用至少包含两类信息：

• 正文主张：段落试图说明什么。
• 参考出处：作者、标题、年份、期刊或其他文献字段，以及正文中的引文字段。

查重通常关于正文文本计算重合关系。
即使一段话与已有文本没有明显重复，也不能推出其引用真实存在。
相反，一段存在重复内容的文字，也不能单凭重复率确认引用字段准确。

这也是引用存在性校验需要独立存在的原因。
它不把"相似"当作"真实"，而是单独检查主张与出处之间是否具备可追溯关系。

2.2 校验对象应落到段落级

整篇文章只保留一个总引用列表，定位问题会比较困难。
段落级校验把判断单位缩小到：

这里的关键不是增加更多引用，而是保留"这句话由什么出处支持"的对应关系。
段落级结果也更适合人工复核，因为问题能够定位到具体主张，而不是只提示整篇文档存在风险。

2.3 "存在"与"支持"需要分开判断

一篇真实存在的文献，不代表它支持当前段落的全部主张。

可以把判断拆成两个布尔条件：

from dataclasses import dataclass

@dataclass
class CitationCheck:
paragraph_id: str
reference: str
exists: bool
supports_claim: bool | None
status: str

def check_citation(paragraph_id, reference, exists, supports_claim):
if not exists:
status = "unverified"
elif supports_claim is False:
status = "mismatch"
elif supports_claim is True:
status = "verified"
else:
status = "needs_review"

return CitationCheck(
paragraph_id=paragraph_id,
reference=reference,
exists=exists,
supports_claim=supports_claim,
status=status,
)

result = check_citation(
paragraph_id="p-01",
reference="candidate-reference",
exists=True,
supports_claim=None,
)

print(result.status)
# needs_review

这段代码只演示状态划分，不代表某个检索服务或数据库接口。
工程上至少应避免把三种情况混在一起：

• verified：出处存在，且当前判断认为能够支持主张。
• mismatch：出处存在，但与主张不匹配。
• unverified：出处无法确认，或没有足够信息完成核对。

"needs_review"也有意义。
它表示引用存在，但当前材料不足以判断是否支持主张。
把这种状态直接改写成"已验证"，会重新引入虚构引用风险。

2.4 诚实弃权是流程的一部分

引用校验无法确认时，系统需要保留不确定性。
常见的错误处理是为了让成稿看起来完整，自动补齐作者、年份、标题或 DOI。
这样的补齐可能让文本更像论文，却会破坏文献溯源。

更稳妥的输出状态可以采用以下规则：

• 找不到对应出处：保留未确认标记。
• 出处存在但字段不一致：标记为需要复核。
• 出处与段落主张不匹配：不把该引用作为支持依据。
• 校验信息不足：不生成确定性结论。

这类弃权不是内容缺失，而是把系统不知道的部分明确留出来。
片段中所描述的工程思路，重点也在于用可验证机制拦截编造，而不是让生成模型单独决定引用是否可信。

2.5 引用校验结果需要可回看

文献溯源并非只在写作结束时运行一次。
若只输出一个"通过"或"不通过"，后续很难判断具体是哪一段、哪条字段、哪种关系出现问题。

一个可回看的结果至少应保留：

• 段落标识。
• 当前主张。
• 对应的引用字段。
• 校验状态。
• 尚未确认的原因。

这些字段用于复核，不等于自动修改原始文献。
研究路径中的数据所有权规则也强调，标题、作者、年份、DOI、venue 等文献元数据默认只读，不应被自动覆盖；外部身份应使用 library_id + item_key + version，而不是仅凭标题或 DOI 作为单一身份。
DOI 可以用于去重建议，但同一作品可能存在 preprint 与 journal 两个合法 DOI。

这说明引用工程还有一个容易被忽略的维度：校验不仅要判断真假，还要避免在判断过程中改写权威数据。

3 正在发生的转向与缺口

AI 写作的校验重点正在从文本相似度扩展到出处真实性与段落级溯源，但现有讨论仍容易把"引用格式完整"当成"引用可信"。
查重通过并不能填补这项缺口。

目前可确认的工程方向是建立独立的引用存在性校验，并对无法确认的内容保留明确状态。
至于不同来源之间的自动对齐、证据强度分级等细节，现有材料没有提供足够信息，不在这里扩展。

4 工具选型中的实现边界

知芽 Notebook Skill所采用的方向，是用可验证的工程机制处理引用可信度问题，重点不在于让生成模型自行声称引用真实，而在于对引用进行核对，并阻止无法验证的内容被当作确定事实输出。

这类机制适合放在成稿前的证据检查环节。
它不能替代作者对主张范围、研究语境和引用适切性的判断。

5 用户价值

对使用 AI 辅助创作的人来说，引用存在性校验提供的是一层可回看的证据边界：哪些出处已经核对，哪些内容仍需人工确认，哪些引用与段落主张不匹配，都应保持可区分。

具体收益取决于校验材料是否完整。
现有知识库没有提供误报率、覆盖率或具体效果数据，因此不对结果做量化承诺。

6 关键知识点 Q&A

6.1 Q1：查重通过为什么不能证明引用真实？

查重主要比对文本重合率，判断的是文字相似关系。
引用存在性校验判断的是文献是否存在、字段是否对应、出处能否支持段落主张，两者不是同一种校验。

6.2 Q2：引用存在性校验应以整篇文章还是段落为单位？

更适合以段落为单位建立对应关系。
执行时可按以下顺序处理：

6.3 Q3：文献存在，但无法确认它支持当前观点，应该怎么处理？

将结果标记为"needs_review"或其他明确的待复核状态，不应改写成已验证引用。
文献存在性与主张支持性需要分开记录。

6.4 Q4：为什么不能只用标题或 DOI 识别一条文献？

研究路径中的身份规则使用 library_id + item_key + version。
标题可能重复，DOI也不适合作为所有场景下的单一身份；同一作品可能存在 preprint 与 journal 两个合法 DOI。
DOI更适合用于去重建议。

6.5 Q5：校验失败后，系统是否应自动补齐参考文献？

不应在无法确认时自动补齐作者、年份、标题或 DOI。
更安全的处理是保留未确认状态，并让人工决定是否继续核对或删除该引用。

查重通过只能说明文本相似度检查得到某种结果，不能替代文献溯源。
面向 AI 辅助写作时，引用存在性校验应把出处存在、主张支持和不确定状态分开保存，技术系统也应允许在证据不足时停下来。