Grounding
可以先理解为:把模型输出锚定到具体参考材料
别让模型凭空说,要让它指着一份材料说:我是根据这里来的。
关键结构图
中心节点写「Grounding」,周围连接 source-of-truth loop、Inference-time data、Verification checks,用细线表示相邻路径和调用方向。
What
Grounding 是一种减少幻觉和提高可审查性的做法:让 agent 的回答、判断或行动明确依附于可回查材料,而不是只依赖模型参数记忆。
When
当你要把「AI 评估」从想法推进到可检查的动作时,可以调用「Grounding」。
How
Grounding 是 source-of-truth loop 的前端动作:先把输出接到材料,再用验证检查判断材料是否足够支持结论。
Examples
在验收一个 Agent 或 AI 功能是否真的可交付时,你可以用「Grounding」标记其中最需要被看见的结构,再检查它提供了什么证据、边界或行动方向。
在整理「AI 评估」主题时,把「Grounding」和「source-of-truth loop」放在同一路径里,可以帮助读者从单点概念走向可复用的判断框架。
来源
类型:评估实践 / 方法整理
事实线:这张卡把「Grounding」整理为实践方法: Grounding 是一种减少幻觉和提高可审查性的做法:让 agent 的回答、判断或行动明确依附于可回查材料,而不是只依赖模型参数记忆。
依据:1000 Bricks 本地砖块库的概念定义、相邻砖块关系和AI 评估、质量验证和交付验收讨论。
边界:适用于「AI 评估、验证门、回归检查和质量证据」主题下的理解、复盘和设计判断;不等于行业统一标准或对所有场景都成立的结论。
常见误读:不要把它当作某篇材料的原文摘要,也不要因为概念名清晰就忽略具体情境和验证证据。