可追溯学术：生成式AI时代人文探究的页面锚点与阿里阿德涅之线

这篇论文提出可追溯学术（Traceable Scholarship）作为生成式AI时代人文研究的最低规范条件，涵盖页面锚点、双重页码、引用优先生成、NO_EVIDENCE标记、人工验证和四级合规性等机制，并给出三层参考实现AIH-Infra（Contexture、Open WebUI AIH-Infra、AIH-Infra MCP Server），以29卷康德全集知识库验证了可追溯性对检索修正和证据分级的作用。

此前AI生成的学术风格文本缺乏可靠来源和版本信息，使验证与反驳困难。该工作首次系统提出一套标准化的可追溯规范与实现框架，要求每个陈述关联到具体页面和版本，恢复了人文研究在生成式AI时代所需的公开性和可反驳性。

论文通过页面锚点（page anchors）将生成内容与原始文献中的具体位置绑定，采用引用优先生成（citation-first generation）确保输出始终基于来源，引入NO_EVIDENCE标记和四级合规性对证据等级进行分类，并设计人工验证与判断降级流程；AIH-Infra将此规范落地为文档结构化层、可追溯知识库层和智能体网关层，实现端到端可追溯。

产品团队需在RAG流程中集成页面锚点与双重页码机制，嵌入证据分级和判断降级逻辑，并加入人工验证环节；现有学术写作工具和知识库系统需增加引用优先生成模式及NO_EVIDENCE标记功能，以符合可追溯规范，否则生成的输出可能被视为不可验证。

• 开发支持双重页码和页面锚点的学术写作插件，自动插入来源位置并生成可追溯引用
• 构建基于AIH-Infra架构的可追溯知识库产品，用于机构内部文献管理与AI问答
• 提供四级合规性检查API服务，帮助研究者评估AI生成内容的信息证据等级
• 设计引用优先生成的对话界面，要求用户指定来源范围后再输出回答

• 该框架是否已被学术期刊或出版社纳入审稿或投稿标准？
• 页面锚点在PDF、HTML等不同文档格式下的技术实现方式有何差异？
• 四级合规性标准与已有学术诚信准则如何衔接？
• AIH-Infra的开源许可协议及社区维护现状如何？