一句話該從哪裡來：文化內容的檢索，先要一座可查證的小知識庫

一個漂亮但查無此據的答案

先講一件讓我們停下來的小事。

M-03 在整理一批《艷世紀》的田野手記時，我們順手做了個測試：把一段關於某條巷弄的筆記餵進去，問模型「這條巷子早年叫什麼名字」。它答得很流暢，語氣篤定，還補了一段像是地方誌會寫的沿革。

我們差點就信了。直到有人問了一句：「這是哪來的？」

翻遍手上所有筆記、照片說明、口述紀錄，沒有一條對得上那個名字。它不是抄錯，是「編得剛好」——把幾個相鄰地名的氣味揉在一起，產出一個聽起來很對、實際不存在的舊名。

那天下午我們沒有再去調參數，而是把問題重新寫在白板上：我們要的到底是一個更會講話的系統，還是一個講的每句話都能被翻回出處的系統。

更大的模型，解決的不是我們的問題

主流的敘事很誘人：模型再大一點，幻覺就少一點，答案就準一點。對很多任務這是對的。但把它套進文化內容，會發現方向錯了。

地方知識的難處從來不是「模型不夠聰明」。一條街的舊名、一間老店的開業年份、一場已經停辦的廟會的細節——這些東西不在任何預訓練語料的統計分佈裡，或者只以殘缺、彼此矛盾的形式散落各處。你把模型放大一百倍，它對這條巷子的了解不會多一分，只會把「不知道」講得更有自信。

更關鍵的是，文化內容有一個一般問答沒有的要求：它要能被質疑。

地方誌會被後人翻案，老照片的年份會被重新考證，受訪者的記憶會彼此打架。一個負責任的文化系統，不能只給答案，它得同時交出「我憑什麼這樣說」。一個更大的模型給你的是更平滑的信心，而我們需要的，恰好是相反的東西——一條能往回走的路。

RAG 的意義是「可追溯」，不是「更聰明」

檢索增強生成(RAG)常被當成「幫模型補知識」的技巧，好像它的功能是讓答案變聰明。在我們的用法裡，它的重點完全不在那。

RAG 真正給我們的，是把生成這件事，綁回一份可以指認的來源。

當系統回答「這條巷子的舊名」時，它不是從參數的深處撈出來，而是先去一份我們自己建立、每一條都標了出處的知識庫裡檢索，再據此組織語言。這帶來一個決定性的差別：答案後面永遠掛得住一句「這是根據哪一則手記、哪一張照片說明、哪一段口述」。

答案可能還是會錯。但錯的方式變了——它會錯在來源本身有誤，而那是可以被翻查、被更正、被標註存疑的錯；而不是錯在模型憑空捏造，那種錯你連該去哪裡追都不知道。

可追溯，是把「錯」從黑盒子裡拿出來，放到桌面上。 這對一般聊天無所謂，對文化典藏卻是底線。一則地方記憶如果不能指認它從哪來，它就不該被當成知識存下去，頂多算一種好聽的傳說。

為什麼是「小」知識庫，而且要自己建

於是我們的力氣，從「找更大的模型」轉向「建更誠實的知識庫」。而它必須是小的、自建的。

小，不是能力的妥協，是範圍的誠實。我們不假裝懂整個城市，只認真處理手上真正走過、拍過、問過的那幾條街。知識庫裡的每一條，都能對回一則具體的田野素材——這樣做出來的東西窄，但每一寸都站得住。

自建，是因為出處的品質決定了一切。這座庫裡沒有來路不明的網路抓取，只有我們自己的手記、照片、標註過的口述。條目會註明採集的時間與情境，遇到說法打架就並列、標存疑，而不是挑一個順眼的寫死。這些活，AI 幫不上——它可以做結構化、做初步比對，但「這條到底可不可信」，永遠留在人這邊判斷。這也是六段工作流裡「人工查核」為什麼夾在 AI 兩道工序中間，不能省。

一座小而可查的庫，勝過一個大而流暢的模型。前者你敢把它的話印進策展文案，因為每句都能溯源；後者只能拿來聊天，因為你永遠不知道哪一句是它替你編的。

我們現在站在哪

老實說，這件事還很初期。知識庫目前只覆蓋很少的範圍，檢索的顆粒度還粗，遇到跨區域、跨年代的複雜提問常常接不住。M-04 的多語轉譯一旦接進來，「出處要不要跟著翻譯一起走」又是一整組還沒解決的問題。

但方向我們認了：在文化內容這件事上，追逐更大的模型是條看起來快、其實繞遠的路。真正的護城河，是一座你敢為它每一句話背書的小知識庫。

那條查無此據的巷子舊名，後來我們把它從測試裡刪了。不是因為它不好聽，而是因為它回答不了那個最要緊的問題——你憑什麼這樣說。