Executor 证据归因幻觉

状态：待规划 严重程度：高 发现时间：2026-07-07 来源：Trace Workbench 复核 / 最近 Chat 诊断会话低置信分析关联：ISS-005（证据链补齐与降级契约收敛）、ISS-006（固定诊断评测集与回归 Harness）、chat-verifier-agent、diagnosis-playbook-skills

背景

最近连续多条 Chat 诊断会话都被 Verifier 判定为 LOW_CONFID。这些会话并不是没有调用工具；相反，它们大多完成了 lookup_knowledge、query_metrics、query_logs 等证据工具调用。

问题出在 Executor 的最终答案：它拿到部分真实工具返回后，将以下三类内容混在一起输出为“本次事故结论”：

本次工具直接返回的事实。
runbook、知识库或历史案例里的通用模式。
模型基于经验补全的推断。

Verifier 随后逐条核查 executor_final_answer，发现大量关键事实没有对应工具证据，于是按规则输出 LOW_CONFID。

现象

最近 5 条 Chat 诊断会话均为低置信：

session	verdict	groundedness_score	direct_evidence	indirect_support	no_evidence
`e2e-mysql-skill-rag-20260706-2355`	LOW_CONFID	0.50	2	14	5
`e2e-mysql-skill-rag-20260706-2312`	LOW_CONFID	0.37	4	11	14
`e2e-mysql-skill-rag-20260706-2255`	LOW_CONFID	0.10	1	2	18
`e2e-mysql-skill-rag-20260706-2242`	LOW_CONFID	0.53	3	9	4
`e2e-mysql-skill-rag-20260706-2230`	LOW_CONFID	0.20	1	2	11

典型无证据断言：

order-service 出现 OutOfMemoryError: Java heap space
OrderService.processLargeOrder() 内存泄漏导致 JVM OOM
频繁 Full GC（10 分钟 15 次，平均 850ms）
users + user_profiles 慢查询 2.8s，全表扫描
UPDATE orders 锁等待 2.1s
user-service DB 查询超时 5.2s~5.8s

这些事实要么没有出现在工具返回中，要么属于其它服务或历史案例，不能作为当前会话的直接事实。

根因判断

这是一个经典的 Agent 幻觉问题，但更准确地说是：

Executor 的证据归因幻觉。

Executor 已经调用了工具，但在综合答案阶段没有严格区分：

direct evidence：工具本次实际返回的事实
reference / runbook：流程指导、历史模式、建议方向
hypothesis：基于已知证据的推测
missing evidence：还没有被工具证实的内容

因此它会把“可能相关的历史模式”写成“当前事故事实”，并把“建议排查方向”写成“已确认根因”。

影响

Verifier 正确拦截后，最近 Chat 会话长期停留在 LOW_CONFID。
用户侧结果虽然带免责声明，但仍难以直观看出哪些内容是真实证据、哪些只是推测。
评测里 verdict 分布会被 Executor 输出质量拖低，掩盖工具链本身是否已经足够。
面试讲解时容易被追问：既然工具都调用了，为什么答案仍然不可信？

本 issue 目标

收紧 Executor 的最终输出契约，避免把未证实内容写成确认结论。

完成后应做到：

Executor 最终答案明确分区：
- 已证实事实
- 合理推测
- 证据缺口
- 建议动作
已证实事实 只能来自本轮 evidence tools 的返回。
runbook / skill / 知识库中的流程和历史案例不得直接作为本次事故事实。
其它服务的证据不得迁移为当前服务事实。
根因结论必须绑定至少一条直接或间接证据；否则只能放入 合理推测 或 证据缺口。
Verifier 的 LOW_CONFID 缺口应能直接映射回 Executor 的分区错误。

范围

In scope

修改 chat-executor-prompt.md，加入证据分区和证据归因规则。
必要时在 ChatService.buildChatExecutorAgent(...) 中注入更明确的最终答案格式约束。
增加 focused tests，覆盖 Executor prompt 中的证据边界规则。
增加或更新诊断 eval fixture，验证 unsupported claims 不会出现在确认结论中。
Trace Workbench 可继续消费 Verifier 缺口展示低置信原因。

Out of scope

不放宽 Verifier 的 PASS 判定矩阵。
不通过调高 verifier.low-confidence-threshold 掩盖问题。
不把 runbook 或 skill 内容写入 tool_invocation 伪装成事实证据。
不新增数据库 schema。

验收标准

对 MySQL 连接池耗尽类 case，Executor 输出中：
- 已证实事实只包含工具返回的服务、指标、日志、慢 SQL 等事实。
- OOM、Full GC、连接泄漏等未证实内容只能出现在推测或证据缺口中。
- 不再把 order-service / user-service 事实混入 payment-service 当前事故。
Verifier 对同类会话的 no_evidence 数量明显下降。
若证据不足，最终用户输出明确说明“当前无法确认根因”，而不是补全一个完整事故故事。
评测报告能捕捉 unsupported confirmed claims 的回归。

5.3 KiB Raw Blame History Unescape Escape