# 数据校验协议

> 防止错误数据污染 wiki。可验证的数据必须验证，不可验证的必须标注。

## 核心原则

**Wiki 是知识资产，不是垃圾桶。** 错误数据进入 wiki 后会被后续 query 引用、被其他 ingest 当作"已有结论"比较，错误会 compound。必须在入口把关。

## 校验时机

在 ingest 流程中，**读取源文件之后、写入 wiki 之前**插入校验步骤：

```
读源文件 → 提取关键声明
    ↓
分类：可验证 vs 不可验证
    ↓
可验证 → 用工具交叉验证 → 通过/不通过/无法验证
    ↓
写入 wiki（带校验标注）
```

## 可验证数据的识别

以下类型的声明应该尝试验证。**具体用什么工具取决于用户环境中可用的 MCP/工具**——下表是常见映射，不是硬性要求：

| 数据类型 | 示例 | 常见验证工具（视环境而定） |
|---------|------|--------------------------|
| 上市公司财务数据 | 营收、净利、ROE | 金融数据 MCP（如 tushare、ifind、wind） |
| 基金/年金规模 | 管理规模、份额 | 金融数据 MCP |
| 宏观经济指标 | GDP、CPI、PMI | 金融数据 MCP |
| 监管文件编号 | 人社部发〔2026〕XX 号 | WebSearch |
| 公司基本信息 | 成立时间、注册资本、法人 | 金融数据 MCP / WebSearch |
| 行业统计数据 | 市场规模、增速、份额 | WebSearch / 行业数据 MCP |
| 日期和事件 | "2026年3月发布" | WebSearch |

**工具发现**：Agent 在首次 ingest 时通过环境检查（见 `source-validation.md`）确认可用工具。没有对应工具时，该类数据标注 `verified: false`，不阻塞 ingest。

**不可验证的声明**：观点、分析、预测、推断、主观评价。这些跳过校验，按 source-validation.md 的来源分级标注。

## 校验流程

### Step 1: 提取可验证声明

从源文件中识别包含具体数字、日期、文号的事实性声明：

```
源文件原文：
"截至2024年底，中国企业年金基金累计规模达到3.2万亿元，覆盖企业12.8万家"

提取出 2 个可验证声明：
- 声明 A：企业年金累计规模 3.2 万亿（截至 2024 年底）
- 声明 B：覆盖企业 12.8 万家（截至 2024 年底）
```

### Step 2: 尝试验证

按优先级使用可用工具：

```
1. 专业数据 MCP（如金融、医疗、法律等领域数据接口）：有接口 → 直接查
2. WebSearch：搜索官方发布的同期数据
3. Wiki 内交叉：看 wiki 中其他页面是否有相关数据
4. 无可用工具：跳过，标注 unverified
```

### Step 3: 判定结果

| 结果 | 处理 | frontmatter 标注 |
|------|------|-----------------|
| **verified** — 工具返回数据一致（误差 < 5%） | 正常 ingest | `verified: true` |
| **disputed** — 工具返回数据不一致 | **暂停**，展示差异，让用户决定 | 用户确认后标注 `verified: user-confirmed` |
| **unverifiable** — 没有工具或数据源不覆盖 | 正常 ingest | `verified: false` |
| **partial** — 部分声明验证通过，部分未验证 | 逐条标注 | 混合标注 |

### disputed 时的用户交互

以下示例以金融领域为例，实际执行时替换为用户的目标领域和工具：

```
⚠️ 数据校验发现差异：

声明："XX 基金累计规模达到 3.2 万亿元（2024 年底）"
数据工具查询结果：3.58 万亿元（2024 年底）
差异：-10.6%

可能原因：
- 源文件数据有误
- 统计口径不同
- 数据工具更新延迟

请选择：
1. 使用工具验证数据（3.58 万亿）→ 替换源文件数据后 ingest
2. 使用源文件数据（3.2 万亿）→ 标注 user-confirmed 后 ingest
3. 两者都记录 → 以 contested 方式 ingest
4. 放弃本条 → 跳过此声明
```

## 页面中的校验标注

在实体/概念页面中标注验证状态：

```markdown
## 基金规模

截至 2024 年底，XX 基金累计规模达 3.58 万亿元。
✅ verified（数据工具 2025-01-15 查询）
（来源：[[2026-04-06-source-doc]]，原文数据 3.2 万亿经工具校正）

## 历史

- ~~累计规模 3.2 万亿元~~（来源：[[2026-04-06-source-doc]] 原文，经工具校正为 3.58 万亿）
```

## 工具可用性

| 场景 | 有工具时 | 无工具时 |
|------|---------|---------|
| 专业领域数据 | 对应 MCP 自动验证 | 标注 unverified，建议用户手动确认 |
| 公开信息 | WebSearch 交叉验证 | 标注 unverified |
| 内部数据（口述/会议） | 无法验证 | 标注 source_type: 口述，confidence: medium |

**Skill 在被动模式（无搜索工具）下**：所有数据标注为 `verified: false`，依赖 source-validation.md 的来源分级作为可信度参考。不会阻断 ingest，但会在每个数字旁标注"未验证"。

## 与 ingest-protocol 的关系

校验插入在 ingest-protocol.md 的 Step 1 和 Step 2 之间：

```
Step 1: 读取源文件，提取关键信息
Step 1.5: 【数据校验】提取可验证声明 → 工具交叉验证 → 判定结果
Step 2: 搜索已有 wiki
Step 3: 逐页比较新旧
...
```

如果 Step 1.5 发现 disputed 数据并暂停，用户确认后才继续 Step 2。