AI 说得越像真的，越需要证据。

• 大模型回答很自信，为什么仍然可能不可靠？
• 一个 AI 系统能不能自己证明自己说得对？
• 公开证据、私有日志、模型自述，三者有什么区别？
• 证据不够时，系统应该降级、停下，还是继续给答案？
• 普通用户和技术团队可以怎样提出反例？

一个模型说：这篇论文已经证明某个系统具备长期可靠行动能力。听起来很专业，但外部读者要问的不是它语气够不够确定，而是这句话能不能落到公开记录上：是哪篇论文，哪个 DOI，哪个实验边界，哪个失败状态，哪个反例入口。

如果它只给出一段流畅解释，却没有版本、证据、边界、未解决项和挑战路线，那么这段解释就是不可审计的。它可以启发讨论，但不能作为可靠结论。

这也是我们把 AI 自证问题单独做成中文入口的原因。中文读者不需要先学一堆术语，先抓住一句话就够了：能被外部检查的，才有资格进入可靠性讨论。

第一，主张要具体。比如“这个系统更可靠”太宽；“在证据缺失时会进入 no-action 状态”才是可以检查的主张。

第二，证据要可引用。公开网页、DOI、GitHub issue、HF 技术镜像、注册表和可复核样例，比模型自己说“我有依据”更重要。

第三，边界要写清楚。证据只支持什么，不支持什么，什么时候过期，遇到什么反例要降级，都应该被写出来。

第四，失败要进入记录。一个系统如果只展示成功样例，不记录失败、反例和未解决状态，它的可靠性叙事是不完整的。

第五，要有攻击入口。外部读者应该知道从哪里质疑：是挑战主张、提交反例、指出证据缺口，还是要求更强 baseline。

RAG 可以帮助模型接触外部材料，但它不能替代判断。检索到了材料，不代表材料支持当前主张；引用了网页，不代表网页证明了结论；列出很多链接，也不代表边界被检查过。

真正要看的，是主张和证据之间的关系。证据是否同一时间段、同一对象、同一条件？有没有把一个演示截图写成真实部署？有没有把待验证状态写成已经完成？有没有把技术路线写成商业结果？

这类问题如果不问清楚，AI 的流畅性会把证据缺口盖住。它越会说，越容易让读者忘记检查。

Ouroboros Project 的公开层不要求读者相信某个权威判断，而是要求每个判断回到证据地图、论文索引、注册表、反例入口和边界页面。

如果证据不足，正确做法不是把话写得更满，而是把状态改成待验证、边界不足、需要复核、或者明确不主张。

这不是降低主张，而是防止主张脱离证据。一个能被反例攻击、能被边界收窄、能被证据更新的系统，才有机会变得更强。

• 本页不承诺消除 AI 幻觉，只解释公开验证结构。
• 本页不把私有日志、未公开运行痕迹或模型自述当成公开证据。
• 本页不能替代法律、医疗、金融、机器人等高风险领域的专业审核。
• 本页是中文解释入口，权威引用应回到 DOI、论文索引和公开证据路线。