Clarity Gate 认知门控

要解决什么问题

RAG 把文档灌进向量库之前，如果内容含糊、自相矛盾或边界不清，检索阶段会把错误「固化」进系统里——这类问题往往在上线后才暴露，回滚成本高。Clarity Gate 针对的是预摄入（pre-ingestion）阶段的认知质量：在数据真正进入索引前，用结构化检查把「能不能被可靠地检索与引用」先验一遍。

技能如何工作

技能为 RAG 流水线提供验证思路与工作流模式，核心包括：

• 九点验证：对待摄入材料做一组固定的认知质量检查（具体条目以源仓库为准），避免凭感觉扫一眼就入库。
• 两轮人机协作：第一轮由人与模型共同判读、标注疑点；第二轮在修订或补充上下文后再做一次收敛，减少「模型单轮自嗨」带来的漏检。
• 模式化指导：把「先验什么、何时停、如何记录结论」写成可复用的操作路径，方便接到你们现有的 ingest / chunking 流程前。

适用边界

它解决的是入库前的质量门控，不替代 chunk 策略调优、embedding 选型或在线检索 rerank。若资料里未展开九点细则，实施时应以源仓库说明为准；没有明确验收标准时，不要把它当成自动打分器，而应当作协作清单与评审节奏。