工程证据链：让每一条 AI 结论都能被追问

一个团队引入 AI 审查后，研发负责人在评审会上被问：「这个『低风险』的结论，凭什么？」如果答案是「AI 说的」，这个系统离被停用就不远了。工程场景对 AI 的要求与消费场景有本质不同：消费 AI 给建议，用户自己承担后果；工程 AI 给结论，必须能被追问、被审计、被签核。答案是证据链。

证据链的四个环节

结论：一句话说清楚

「C3 电容存在降额不足风险，等级：中」——结论必须具体、可判定、带等级。模糊的结论（「建议关注」）无法被复核，也无法被追责。

依据：每个判断挂原始出处

结论的每条论据指向原始资料：规格书页码与版本、测试报告编号、历史案例编号。「额定电压 16V，第 3 页，Rev C」比任何转述都可靠。依据的颗粒度决定复核的成本：页码级依据让复核变成「翻到那一页确认一眼」。

过程：规则和推理可追溯

结论是怎么得出的：用了哪条规则（规则版本号是什么）、走了哪些核对步骤、有没有调用外部数据。过程留痕的价值在争议时显现——「为什么这次查出来了上次没查」必须能回答。

版本：一切都带时间戳和版本

BOM 版本、规格书版本、规则集版本、模型版本。工程的世界里没有「永恒正确」，只有「某时某版下正确」。版本信息让历史结论可重放，这在客户投诉和法律纠纷中是硬要求。

证据链的三类消费场景

• 内部评审：工程师沿着证据链确认，签核有据
• 体系审计：ISO、IATF 等审核时，结论的完整溯源链直接呈现
• 客户审核：供应商审查要看的不是你「有没有检查」，而是「检查的证据在哪」

很多团队发现，把证据链做扎实之后，AI 系统反而成了审核的加分项——人工审查的证据通常散落在邮件和记忆里，系统的证据链却是标准化的。从「AI 的可信度问题」到「AI 比人更合规」，中间只差一条证据链。

落地建议：从模板开始

证据链不需要一步到位。先给每类输出物定一个证据模板（结论/依据/过程/版本四个栏位），哪怕早期由人工填写，也能立刻提升成果质量。模板跑顺之后，再让系统自动填充其中的环节。证据链是文化多于技术：团队习惯了「结论必带依据」，AI 系统的接入就只是水到渠成。