AI Agent不是幻觉，而是用错了"时间版本"的现实

当"正确"的数字组合出错误答案

AI Agent 产生错误输出时，我们习惯归咎于"幻觉"。但 Reddit 上一位研究者提出的观点值得重新审视：Agent 检索到了一个完全合法且真实可查的信息源，提取了其中正确的数字，还规范地附上了引用——最终却给出了错误答案。问题不在于模型编造了内容，而在于这条信息属于另一个时间点。

这个区分看似细微，却指向了 Agentic AI 中一个被严重低估的失效模式：事实本身为真，但它对当前问题并不成立。 更好的嵌入模型、更大的上下文窗口、或者再叠加一个推理 Agent，都不会自动修复这类问题。系统需要知道的是：哪些事实在时间维度上真正属于同一个问题。

时间错配如何让分析结果"垃圾化"

作者用一个具体的金融场景说明了问题的严重性。假设一个 Agent 在分析某公司跨多个季度的营收数据，它检索到了若干营收数字——其中一部分来自修订后的财报，一部分属于不同的报告期，还有一些指向了不同的实体。

每一个数字在其原始语境中都是正确的，引用链接也能点开验证。但当系统把这些"各自正确"的数字拼装到一起时，最终的分析结论就是无意义的。这类错误的隐蔽性极强：传统的事实核查流程几乎无法发现它，因为每一步都能追溯到合法来源。

常见的工程直觉在这里失效了。向量检索擅长找到"语义相关"的内容，却无法判断"这条证据是否满足当前问题的时效约束"。扩大上下文窗口只是把更多互相冲突的时间版本一起塞进 prompt，反而可能放大混乱。

向量检索（dense retrieval）是当前 RAG 系统的主流范式：把查询和文档片段分别编码为高维向量，再按余弦相似度等度量召回最接近的片段。它的优势在于语义泛化——即使问法与原文措辞不同也能命中。但相似度本质上只刻画“语义接近”，不携带时间约束：同一家公司 Q2 2024 与 Q2 2025 的营收表述在向量空间里几乎无法区分，修订前后的财报版本也高度相似。因此纯向量召回会把多个时间版本一并返回，且不提供任何机制判断哪一条满足当前问题的时间前提。这也是作者在 OETRA 中保留 dense search 作为召回手段、但额外引入显式义务与时间分配层的原因。

OETRA 思路：先明确需要什么证据，再去找

作者为此构建了一个研究系统 ChronoRAG-G，底层方法是 OETRA（Obligation-Explicit Temporal Retrieval and Allocation，义务显式的时间检索与分配）。它的核心转变在于：不再让检索模块去"找相关资料"，而是先精确推导出回答问题需要哪些具体事实。

举例来说，若一个问题需要公司 A 在 Q2 2024 的营收、公司 A 在 Q2 2025 的营收，以及公司 B 的对应数字，这实际上构成了四个独立的证据义务。系统的处理流程是：

• 为每个所需事实创建一条显式义务（obligation）
• 针对每条义务单独检索证据，而非一次性模糊搜索
• 在 graph 结构的上下文语料中保留来源身份、出处、报告期与备选值
• 在分配证据前检查时间与语义兼容性
• 基于已分配的事实做最终答案接地，并带有有界的纠正步骤

一个容易被误读的细节：图结构在这里的作用是组织证据与时间关系，检索本身仍然使用 dense search，包括在证据缺失时进行定向扩展。作者的目标并非让模型"听起来更自信"，而是让答案背后的证据可被逐条审查。

证据义务（evidence obligation）借鉴了形式化推理中的“义务”概念：把“回答该问题所必需的一条具体事实”写成可检查的约束，例如“实体=公司A、指标=营收、报告期=Q2 2024、版本=最新修订”。一条义务就是一个待满足的槽位（slot），而非一段自然语言查询。这样做的好处是：检索目标从“相关”变成“可验证地满足”，每个槽位都能独立判定命中与否、是否时间兼容、是否需要用备选值替换。评测中的“槽位覆盖率”指标正是基于这种结构——严格覆盖率要求槽位由完全匹配的来源填充，微观覆盖率则允许在语义等价的前提下放宽，两者结合可区分“找没找到”和“找得对不对”。

评测数据说明了什么

作者在 480 份更新过的财报电话会议记录上，用 1,005 个时间性 QA 问题做了评测，结果如下：

• 80.70% 的审计答案准确率
• 95.92% 的严格可追溯槽位覆盖率
• 98.66% 的微观必需槽位覆盖率
• 97.31% 的混合证据解析率

其中一项发现尤其值得关注：167 个被判定为错误的答案，其证据追溯链却是完整的。 这意味着即使系统成功解析了每一个必需的证据片段，也不足以保证最终答案正确。检索质量和答案构建质量必须被分开评估——这是当前很多 Agent 评测体系的一个盲区。

作者还搭建了可交互的 demo，允许查看冻结的评测运行、时间对齐情况、证据分配与失败轨迹，而不是让人仅仅接受这几个数字。

财报电话会议记录（earnings call transcript）是时间性 QA 的高难度语料：公司会在季度电话会上披露营收、指引等数字，随后可能因重述、口径调整或后续披露而修订，同一指标在不同季度的版本在措辞上高度相似。作者选用 480 份“更新过”的记录，意味着语料中同时存在原始版与修订版，天然构成时间冲突场景。1,005 个时间性 QA 问题则要求答案必须锚定到特定报告期与特定版本。这种设计使评测能够直接暴露“数字正确但版本错误”的失效，而非仅仅测试模型能否检索到相关段落。

哪些场景会真正需要它

金融研究是这个方法最直接的应用场景，因为评测本身就在这个领域完成。但作者的视野更广：企业 Agent 在处理不断变化的合规政策、修订版合同、历史业务记录、或者每隔几周就更新一次的文档时，都会遇到同一类问题。

仅仅知道一个事实为真是不够的。Agent 需要知道它在什么时候为真、由哪个来源支撑、以及它对当前正在回答的问题是否有效。作者明确表示这些是潜在应用方向，而非已投入生产的声明——当前评测也仅限于金融时间性 QA。

留给 Agent 构建者的开放问题

文章结尾抛出的问题针对所有处理动态业务数据的人：你如何处理时间冲突与修订信息？你是去验证 Agent 实际使用了哪个版本的事实，还是主要依赖检索分数、引用和最终答案评测？

作者的观点可以概括为一句话：Agent 知道某个事实何时为真，与知道它是否为真同样重要。 在越来越多 Agent 接入实时业务数据的背景下，"时间版本"这一维度的工程化，可能比继续堆叠推理能力更值得投入。

完整方法论与评测见研究论文（DOI: 10.5281/zenodo.22116070）。