第07章｜AI-DVM（人工智能决策变量地图）：如何观察人工智能答案行为

一、人工智能说了什么，不等于人工智能内部是什么

企业观察生成式人工智能时，最容易做的是提问、截图和计数：品牌有没有出现，排在第几位，答案引用了谁，哪些词出现得最多。进一步的解释往往随之产生：被频繁提及就是“权重高”，列在第一位就是“最推荐”，引用某页面就是“人工智能信任这个来源”，回答自述“依据公开信息”就等于知道了内部检索过程。

这些解释都跨过了可观测边界。

我们能够直接保存的是提示、答案、显示引用、可见工具轨迹、产品条件和时间。我们可以依据规则编码变量出现、立场、篇章功能、实体关联、推荐状态和命题支持，并在明确样本范围内归纳答案行为分布。我们通常不能直接观察完整候选来源集合、后台路由、隐藏上下文、重排、内部权重、训练记忆和完整推理路径。

AI-DVM（Artificial Intelligence Decision Variable Map，人工智能决策变量地图）的任务不是破解模型，而是建立一套可复核的观察体系：在什么条件下，人工智能答案使用了哪些Decision Variable（决策变量），以什么方式使用，与哪些实体和证据发生关系，这些行为是否随探针、表达、上下文、引擎、工具和时间发生变化。

二、AI-DVM（人工智能决策变量地图）的工作定义

AI-DVM（人工智能决策变量地图）是在明确Decision Situation（决策情境）、Query Cluster（查询簇）、Functional Probe（功能性探针）、表达、上下文、Engine（引擎）、产品模式、运行和时间条件下，由一组可追溯Answer Observation（答案观察）经过受控编码形成的条件化答案行为分布。它描述答案中哪些Decision Variable（决策变量）以何种出现、显著性、作用、方向、条件、实体关联、证据支持和推荐状态被使用，不声明模型内部如何检索、推理、加权或生成。

这一定义有四个关键词：

• Observed（被观察）：来自实际答案记录，不来自人工智能自述或研究者想象；
• Conditional（条件化）：结论绑定查询、探针、上下文、产品、运行和时间；
• Behavioral（行为性）：描述答案表现，不声明内部心理和机制；
• Temporal（时间性）：地图具有时间窗口，可能漂移、过期或被替代。

AI-DVM（人工智能决策变量地图）是Sample-bound Distribution（样本约束分布），不是某个模型的永久属性，也不是“全网人工智能共同认知”。

三、四层认识边界

人工智能回答“我之所以推荐甲，是因为它更专业”，仍然是一段新的生成结果。它可以作为答案文本被分析，却不是对内部机制的直接观察。

四、最小Observation Unit（观察单元）

每项观察至少绑定：

Project / Entity（项目或实体）
× Decision Situation（决策情境）
× Query Cluster（查询簇）
× Functional Probe（功能性探针）
× Prompt / Paraphrase（提示或同义改写）
× Conversation State（对话状态）
× Engine / Model Label（引擎或模型标签）
× Product / Tool Configuration（产品或工具配置）
× Locale / Language（地区或语言）
× Account / Personalization State（账户或个性化状态）
× Run / Dependency Cluster（运行或依赖簇）
× Batch / Time（批次或时间）
× Experiment Phase（实验阶段）

无法获得的条件标记Not Observable（不可观测）或Unknown（未知），不得默认恒定。同一个产品名称和模型标签，也不能证明后台路由和版本始终相同。

五、正确测量顺序

Decision Situation（决策情境）
→ User-DVM（用户决策变量地图）与未知项
→ AI-addressable Information Task（人工智能可介入的信息任务）
→ Query Cluster（查询簇）
→ Functional Probe（功能性探针）
→ Paraphrase / Scenario Manipulation（同义改写或情境操纵）
→ Controlled Observation（受控观察）
→ Raw Capture（原始保存）
→ Coding and Review（编码与复核）
→ Conditional AI-DVM（条件化人工智能决策变量地图）

Query（查询）是测量表达，不是研究起点。大量随机问题无法补偿Decision Situation（决策情境）不清，也不能自动形成真实用户地图。

User-DVM（用户决策变量地图）为探针设计提供用户侧参照，却不能规定人工智能必须使用哪些变量。AI-DVM（人工智能决策变量地图）必须来自实际答案观察，而不是把用户变量预填进人工智能地图。

六、Functional Probe（功能性探针）不是同一种问题

每个探针必须附带Probe-to-Claim Contract（探针—结论契约），明确Intended Claim（预期支持结论）与Prohibited Inference（禁止推断）。

人工智能可能在标准探针中列出十项标准，却在推荐探针中只依赖地域和知名度。Criteria Availability（标准可表达性）不等于Recommendation Use（推荐使用）。跨探针聚合时必须保留探针层分布。

七、探针构造与提示来源

探针要检查决策对象、主体、约束、信息功能、预期答案类型、目标变量植入、目标企业暗示、不实前提和资格假定。

Neutral Probe（中性探针）、Leading Probe（诱导性探针）和Branded Probe（品牌植入探针）属于不同测量条件。诱导性问题可以用于敏感性实验，却不能冒充自然答案基线。

变量首次进入对话的来源需要标记：

• User-seeded（用户植入）；
• Researcher-seeded（研究者植入）；
• Document-provided（文件提供）；
• Prior Assistant Turn（此前人工智能轮次引入）；
• Tool-result Introduced（工具结果引入）；
• Unprompted in Current Answer（当前回答非提示出现）；
• Unknown Origin（来源未知）。

变量出现还应区分Prompt-seeded Presence（提示植入出现）、Echoed Presence（复述出现）、Transformed Use（转换后使用）和Unprompted Presence（非提示主动出现）。

提示中写入“价格最重要吗”，回答大量讨论价格，首先证明系统回应了提示。即使回答否定“只看低价”，关键词计数也会显示价格高频，因此变量出现、立场与作用必须分离。

八、同义改写必须经过等价门槛

Paraphrase（同义改写）应保持情境、对象、信息需求、约束、功能和预期答案类型。如果一个问题写“预算有限”，另一个写“重视长期价值”，它们已经改变了决策条件，属于Scenario Variant（情境变体），不能用来测量纯措辞波动。

每组表达执行Manipulation Check（操纵检查）：

• Intended Constant（预期保持项）；
• Intended Change（预期改变项）；
• Unintended Change（非预期改变项）；
• Functional Equivalence（功能等价）；
• Adjudication Result（裁决结果）。

大量近似模板不会自动增加独立样本量。形式变化如果共享同一种结构偏好，可能只是重复测量同一狭窄表达空间。

九、Counterfactual Design（反事实设计）要隔离操纵

反事实探针优先采用One-factor-at-a-time（单因素变化），或使用明确的多因素设计。每次记录Baseline（基线）、Manipulated Factor（操纵因素）、Held-constant Conditions（保持条件）和Manipulation Fidelity（操纵保真度）。

从“小企业、低预算、非紧急”同时改成“大企业、高预算、紧急”，答案变量发生变化，只能说明Joint-condition Difference（联合条件差异）。它不能识别规模、预算还是紧急度造成变化，更不能揭示内部机制。

十、上下文、个性化和工具必须分层

分离Fresh Context（空白上下文）、Multi-turn Context（多轮上下文）、Provided-document Context（文件上下文）和Follow-up（追问）。多轮对话中，前一轮由人工智能提出的变量可能在后续形成Self-conditioning（自我条件化）和Anchor Carryover（锚定延续），不能被当成独立主动出现。

观察环境至少分为：

• Clean-room Run（洁净环境运行）：尽可能控制账户、记忆、上下文、工具与地区，用于提高可比性；
• Naturalistic Run（自然使用环境运行）：保留真实账户、历史与个性化，用于理解实际使用；
• Unknown-state Run（状态未知运行）：关键条件无法确认。

洁净环境提高可比性，不等于真实用户环境；自然环境提高生态真实性，却混入更多个体条件。

Search-on（开启搜索）、Search-off（关闭搜索）和Tool-mediated Observation（工具介导观察）也必须分开。若可见，应保存Search Result Snapshot（搜索结果快照）或工具输出。已观察产品配置与Inferred Backend Change（推断后台变化）不能混同。

十一、Run（运行）不等于独立样本

同一会话连续点击重新生成十次，这十个输出共享上下文、账户、时间、产品路由和可能的缓存。它们是十次名义运行，不是十个已证明独立样本。

应按共享会话、账户、上下文、时间、缓存、搜索结果、产品路由和上游工具结果建立Dependency Cluster（依赖簇），并分别报告：

• Nominal Run Count（名义运行数）；
• Valid Answer Count（有效回答数）；
• Dependency Cluster Count（依赖簇数量）；
• Time Batch Count（时间批次数）；
• Independence Status（独立性状态）；
• Effective Sample Size（有效样本量）：只有存在适当估计方法时才报告，否则为Unknown（未知）。

短期大量运行也不能替代跨时间覆盖。如果一天运行一百次、下个月只运行一次，总体分布几乎完全由某一天的产品状态决定。优先采用Balanced Panel（平衡面板）；不平衡时同时提供按运行和按批次结果，并说明Batch Weighting（批次权重）。

十二、Raw Record, Denominator and Coding（原始记录、分母与编码）

每次观察至少保存Exact Prompt（完整提示）、Full Answer（完整回答）、显示引用、链接来源、实体提及、时间戳、产品条件、错误或截断、保存方式、记录完整性和Observation ID（观察编号）。

只保存摘要、局部截图或最终评分，无法支持复核和重新编码。原始答案、自动编码、人工编码和最终裁决必须分别保存。

这条规则也保护项目免受分类表变化影响：当变量定义被拆分、合并或修订时，团队仍可以回到原始输出重新编码，而不是把旧评分当作不可逆事实。

Denominator Ledger（分母台账）记录每个测量单元的完整进入与排除过程：

• Requested Runs（请求运行数）；
• Completed Outputs（完成输出数）；
• Valid Answers（有效回答数）；
• Refusals（拒答）；
• Safety Blocks（安全拦截）；
• Tool or Network Failures（工具或网络失败）；
• Truncations（截断）；
• Off-topic Outputs（偏题输出）；
• Language Mismatches（语言不匹配）；
• Exclusions and Reasons（排除及原因）。

拒答、失败、截断和安全拦截不是普通“变量未出现”。删除它们会形成Complete-case Bias（完整案例偏差）。高风险问题经常被拒答时，只分析剩余低风险答案，可能让风险变量分布看起来异常稳定。

回答完整性标记Complete（完整）、Possibly Truncated（可能截断）、Confirmed Truncated（确认截断）、Partial Tool Result（部分工具结果）或Indeterminate（无法判断）。截断答案不能与完整答案等价编码为Not Mentioned（未提及）。

Closed Coding（封闭编码）与Open Coding（开放编码）承担不同发现任务。

Closed Coding（封闭编码）依据现有变量分类表识别已知变量；Open Coding（开放编码）用于发现Candidate DV（候选决策变量）。

开放编码提出的新变量必须给出操作定义、文本锚点、反例、与已有变量的区分、重复观察和复核。封闭编码不能压制新变量，开放编码也不能因为一次新词出现就无限扩张分类表。

人工智能使用User-DVM（用户决策变量地图）中没有的“数据迁移成本”，可能是有价值的候选发现，也可能来自探针诱导、范围差异或用户研究缺失。在第八章比较前，它不是自动错误。

十三、Presence, Stance and Discourse Function（出现、立场与篇章功能）

Variable Presence（变量出现）至少区分Explicit（明确）、Semantic（语义）、Conditional（条件性）、Negated（否定性）、Example-only（仅示例）、Prompt Echo（提示复述）、Not Present（未出现）和Indeterminate（无法判断）。

另行编码：

• Stance（立场）：Supportive（支持）、Cautionary（警示）、Rejecting（否定）、Neutral（中性）、Mixed（混合）或Unknown（未知）；
• Scope of Negation（否定范围）：变量整体、特定取值、特定实体、特定情境或无法判断；
• Assertion Mode（断言方式）：Asserted（断言）、Hedged（保留）、Conditional（条件性）、Quoted（转述）或Hypothetical（假设）。

关键词命中不能替代语义、立场和范围编码。回答说“低价不应是主要标准”，不是把价格作为正向偏好。

长答案比短答案更容易出现更多变量。深度模式生成两千字、快速模式生成两百字，变量数量不能直接比较，因为Answer Opportunity（答案表达机会）不同。

记录答案长度、结构、是否要求详述、列表限制和响应模式。变量位置标记Main Reasoning（主要论述）、Decision Rule（决策规则）、Caveat（保留意见）、Disclaimer（免责声明）、Example（示例）、Boilerplate（模板文本）或Summary（总结）。

可以同时提供Raw View（原始视图）和Length-normalized View（长度校正视图），但校正值仍然是观察性指标，不是内部权重。模板免责声明中出现“合规”和“安全”，不能自动编码为实际推荐作用。

十四、Variable Salience（变量显著性）不是内部权重

显著性可以由位置、重复、展开程度、标题或总结、推荐依赖、淘汰依赖、跨表达和跨运行重复等可观察指标描述。

这些指标分别报告。当前不合成为统一Salience Score（显著性评分），更不能把答案层显著性解释为模型内部注意权重、信任程度或永久优先级。

同一个变量在标准探针中展开较多、在推荐探针中没有进入理由链，应分别记录，而不是用平均显著性掩盖功能差异。

十五、答案赋予的Decision Role（决策作用）

沿用Trigger（触发）、Qualification（资格）、Preference（偏好）、Elimination（淘汰）、Trust（信任）和Conversion（转化）。在AI-DVM（人工智能决策变量地图）中，这些标签只表示答案文本赋予变量的作用，不证明现实用户真的如此决策。

方向允许Positive（正向）、Negative（负向）、Threshold（阈值）、Non-monotonic（非单调）、Conditional（条件化）、Trade-off（权衡）和Unknown（未知）。

答案明确陈述的关系与研究者编码的关系需要分开。每条Edge（关系边）保存文本锚点、条件、范围、替代解释和反向陈述。答案关系不等于现实因果，更不等于模型内部机制。

十六、Entity Resolution（实体消歧）

实体识别不能只做名称字符串匹配。同名企业、品牌与法律主体差异、地域分支和错误链接都可能制造虚假提及。

至少核验Legal or Brand Name（法律主体或品牌名称）、Website or Domain（网站或域名）、Region（地域）、Service Scope（服务范围）、Linked Source（链接来源）和Distinguishing Attribute（区分属性）。

结果标记Confirmed Identity（确认身份）、Probable Identity（可能身份）、Ambiguous Mention（歧义提及）、Wrong Entity（错误实体）或Hallucinated Entity（虚构实体）。只有达到预设身份资格的提及才能进入目标实体呈现分母。

十七、实体出现不等于属性归属

分离Generic Variable（通用变量）、Category Association（类别关联）、Entity Association（实体关联）、Competitor Association（竞品关联）、Misattribution（错误归属）和No Established Association（未建立关联）。

回答先说“行业经验很重要”，随后列出甲公司名称，并不表示答案认为甲公司拥有行业经验。必须存在Entity-Variable Link Anchor（实体—变量连接锚点），例如明确语言、表格结构、语法关系或命题级证据连接。

Knowledge Presence（知识出现）、Entity Presence（实体出现）和Correct Attribution（正确归属）是三个不同对象。高提及率不能掩盖属性来自竞品或错误实体。

十八、Recommendation Status（推荐状态）与列表顺序

推荐状态区分：

• Included in Candidate Set（进入候选集合）；
• Explicitly Recommended（明确推荐）；
• Conditionally Recommended（条件性推荐）；
• Compared not Recommended（比较但未推荐）；
• Excluded or Warned Against（排除或警告）；
• Not Mentioned（未提及）；
• Hallucinated（虚构）。

列表还要标记Ordered List（有序列表）、Unordered List（无序列表）或Ambiguous Order（顺序不明）。答案声明“不分先后”时，第一位不能被编码为最强推荐。

AI-assigned Eligibility（人工智能赋予的资格）与Evidence-backed Entity Eligibility（证据支持的实体资格）必须分离。人工智能推荐并不能证明企业真实适配。

十九、引用审查必须下沉到原子命题

复合句“甲公司持证、零差错、响应快”可能只引用一个证明许可证的页面。页面主题相关不等于支持整句话。

每条Atomic Answer Claim（原子答案命题）记录：

• Claim Text（命题文本）与Claim Type（命题类型）；
• Entity and Variable Link（实体与变量连接）；
• Displayed Citation（显示引用）；
• Citation Supports Claim（引用支持命题）；
• Partial Support（部分支持）与Citation Conflict（引用冲突）；
• Source Identity（来源身份）；
• Accuracy Status（准确性状态）；
• Assessability（可评估性）。

必须保持以下不等式：

Displayed Citation（显示引用）
≠ Claim-level Citation Support（命题级引用支持）
≠ Citation Absorption（引用吸收）
≠ Retrieval（检索）
≠ Internal Evidence Use（内部证据使用）

没有显示引用，只能说明界面没有显示引用，不能证明没有检索、没有依据或完全来自模型记忆。出现引用也不能暴露完整候选来源集、重排和内部唯一来源。

二十、编码者和自动评判器也需要治理

编码流程包括编码表设计、试编码、训练、Blind Double Coding（盲法双重编码）、一致性与争议复核、裁决、版本化和漂移监测。

记录编码者是否对目标企业、实验阶段、预期变量和干预方向盲化。Inter-coder Agreement（编码者一致性）不等于编码有效性或命题真实性。

Automated Judge（自动评判器）需要记录模型、版本、提示、编码表、输入范围、人工参照样本、错误模式、校准、覆盖日志和漂移。同一模型生成并评判可能产生Shared-model Bias（同模型偏差），需要Cross-model Calibration（跨模型校准）和按答案来源引擎分层的错误分析。

分类表拆分、合并或改名可能制造虚假趋势。跨版本比较需要Back-coding（历史回编码）或Bridge Coding（桥接编码）；无法桥接时标记Non-comparable Across Taxonomy Versions（分类版本间不可比）。

二十一、最低编码字段不合成为总分

最低字段包括Variable Presence（变量出现）、Prompt Provenance（提示来源）、Stance（立场）、Variable Salience（变量显著性）、Discourse Function（篇章功能）、Decision Role（决策作用）、方向或阈值、Entity Identity（实体身份）、Entity Association（实体关联）、Evidence Support（证据支持）、Recommendation Status（推荐状态）、Claim Accuracy（命题准确性）、资格或风险边界、文本锚点、编码表版本、编码者、盲化、编码置信、争议与裁决。

这些字段分别回答不同问题，不合成为统一AI-DVM Score（人工智能决策变量地图评分）。总分会掩盖“提及增加但错误归属上升”“推荐增多但证据支持下降”这类关键冲突。

二十二、Conditional Aggregation（条件化聚合）

Answer Observation（答案观察）
→ Dependency-cluster Pattern（依赖簇模式）
→ Paraphrase-level Pattern（表达层模式）
→ Probe-level Pattern（探针层模式）
→ Cluster-level Pattern（查询簇层模式）
→ Engine-time-specific Map（特定引擎与时间地图）
→ Conditional Cross-engine Comparison（条件化跨引擎比较）

可以报告变量出现、作用、实体关联、推荐和证据支持的条件化分布，但必须同时提供请求分母、有效回答、失败、依赖簇、批次、条件范围和不确定性。

按运行聚合与按批次聚合要同时检查。平均值不能掩盖探针差异、安全策略、拒答、方向反转和某个时间点对总体的支配。

二十三、稳定性、敏感性和变化检测

分离同提示变异、表达敏感性、探针敏感性、上下文敏感性、工具敏感性、产品模式敏感性、个性化敏感性、引擎敏感性和时间漂移。

稳定性必须说明对象、条件、重复单位与时间范围。当前没有统一Stability Score（稳定性评分）或正式准入阈值。

Change Detection（变化检测）只描述条件化分布发生变化。模型更新、搜索结果、政策新闻、竞争内容、产品路由和项目干预都可能解释差异。因果归因需要外部环境记录、对照、重复和Causal Confidence（因果置信度），不能由前后变化直接得出。

二十四、跨条件比较先检查Measurement Invariance（测量不变性）

跨时间、引擎、语言、产品模式或安全状态比较前，需要检查：

• Decision Situation Equivalence（决策情境等价）；
• Probe Function Equivalence（探针功能等价）；
• Prompt Meaning Equivalence（提示含义等价）；
• Context and Tool Equivalence（上下文与工具等价）；
• Answer Opportunity Comparability（表达机会可比）；
• Coding and Taxonomy Equivalence（编码与分类等价）；
• Time-window Overlap（时间窗口重叠）。

结论只能是Comparable（可比）、Partially Comparable（部分可比）、Not Comparable（不可比）或Indeterminate（无法判断）。不满足时只能并列描述，不能排名或归因。

不同引擎原则上分别建图并分别提供分母。跨引擎重复只能称为Conditional Cross-engine Recurrence（条件化跨引擎重复），不证明共享算法、来源和内部权重。一个引擎运行一百次、另一个运行五次时，不能按原始运行数合成“总体人工智能认知”。

二十五、与User-DVM（用户决策变量地图）的边界

User-DVM（用户决策变量地图）表达用户侧决策证据所支持的结构；AI-DVM（人工智能决策变量地图）表达条件化答案行为分布。二者可以通过共同字段比较，却不能相互替代。

人工智能使用用户地图未出现的变量，可能是候选发现、探针诱导、范围差异或用户研究缺失，不自动判为错误。人工智能没有提及用户重视的价格，也可能因为当前是Risk Probe（风险探针），没有提供合理表达机会。

第八章比较前必须通过Opportunity-to-Express Gate（表达机会门槛）：该探针、答案类型、长度和上下文是否为目标变量提供了合理出现机会。

二十六、AI-DVM Card（人工智能决策变量地图卡）

最低记录必须覆盖目的与范围、表达与上下文、产品条件、运行结构、原始记录、分母、变量编码、实体与推荐、命题与证据、编码治理、比较资格和双地图接口十二组信息。完整填写结构集中在附录C｜Method Templates（方法模板），认识状态与禁止越级措辞见附录D｜Epistemic Status（认识状态）与因果措辞。

二十七、对GEO Service System（GEO服务体系）的要求

第一，系统必须保存原始提示、完整回答、产品条件、工具状态、运行结构和分母台账，不能只保存评分或摘要。

第二，探针必须携带Probe-to-Claim Contract（探针—结论契约）。标准、推荐、比较、风险、情境和反事实探针不得互相替代结论资格。

第三，提示植入、复述、前序轮次、文件或工具引入与非提示主动出现必须分别编码；同义改写和反事实必须经过等价与操纵检查。

第四，运行必须按Dependency Cluster（依赖簇）治理，拒答、失败、截断和安全状态保留在分母中。名义次数不能冒充有效样本量。

第五，变量出现、立场、篇章功能、显著性、作用、实体关联、证据支持和推荐状态必须分开。任何统一总分都不得替代这些字段。

第六，实体身份、属性归属、推荐和命题级证据需要独立核验。显示引用不得扩展为内部检索或权重声明。

第七，跨引擎、时间、语言和产品模式比较必须先通过Measurement Invariance（测量不变性）。无法比较时，系统应明确拒绝排名。

第八，AI-DVM（人工智能决策变量地图）的变化只进入变化检测；归因必须交给后续实验和测量体系。

二十八、本章明确否定的观点

• 询问人工智能自述即可获得AI-DVM（人工智能决策变量地图）；
• 单次回答代表稳定人工智能认知；
• 提示植入或复述变量等于人工智能主动使用；
• 变量出现或显著性等于内部权重、信任或推荐；
• 标准探针中的变量等于推荐探针实际使用；
• 改变情境条件的问法仍是纯同义改写；
• 多因素反事实差异可归因于单一因素；
• 同一会话重新生成等于独立样本；
• 名义运行数等于有效样本量；
• 短期大量运行等于长期稳定；
• 长答案变量更多证明模型更重视这些变量；
• 模板免责声明等于决策作用；
• 名称字符串匹配等于实体确认；
• 文本邻近等于实体属性关联；
• 列表第一位自动等于最强推荐；
• 显示引用等于命题支持、引用吸收、检索或内部证据使用；
• 页面相关可以支持全部复合命题；
• 自动评判器天然客观；
• 分类表变化制造的趋势可以当作答案行为趋势；
• 删除拒答、失败和截断不会改变分布；
• 不同语言、搜索模式和时间可以无条件排名引擎；
• 跨引擎平均代表“总体人工智能认知”；
• AI-DVM（人工智能决策变量地图）可以替代User-DVM（用户决策变量地图）；
• 答案行为前后变化直接证明GEO（生成式引擎优化）干预有效。

二十九、当前仍然不知道什么

以下问题保持Unknown（未知）：

• 各产品真实的检索、重排、上下文选择和生成机制；
• 隐藏版本、路由、缓存、实验分流和个性化影响；
• 各查询簇合理的探针、表达、依赖簇、批次和时间数量；
• 不同运行条件下有效样本量的估计方法；
• 答案长度校正和显著性指标的任务级有效性；
• 实体身份置信状态的任务级准入标准；
• 自动评判器跨模型、语言和文体的有效性；
• 分类表桥接达到可比的准入标准；
• 测量不变性和跨引擎可比性的经验门槛；
• 稳定性、漂移与地图过期的准入标准；
• 显示引用、命题支持、引用吸收与内部证据使用之间的真实关系；
• AI-DVM（人工智能决策变量地图）变化与干预、用户行为及业务结果的因果关系；
• 可升级为Validated Pattern（已验证模式）的准入标准。

当前Validated Pattern（已验证模式）为空。

三十、本章结论

AI-DVM（人工智能决策变量地图）是一张条件化答案行为地图。它不通过人工智能自述猜测内部算法，而是从受控探针、完整原始记录、分母台账和版本化编码出发，描述变量如何出现、以何种立场和篇章功能被使用、与哪些实体和证据发生连接、形成何种推荐状态。

专业观察的关键，不是简单增加提问次数，而是保证探针与结论匹配，提示来源可追踪，表达和操纵可审查，上下文与产品条件可区分，运行依赖与失败进入分母，实体与命题逐层核验，跨条件比较具有可比性。

User-DVM（用户决策变量地图）和AI-DVM（人工智能决策变量地图）现在分别建立完成。下一章将把两张地图与Entity Reality（实体真实状态）及Claim-Evidence Status（命题—证据状态）放在同一比较框架中，研究它们之间的Difference（差异）。但差异不自动等于Gap（缺口），更不自动等于Intervention Priority（干预优先级）。

本章图表

图7-1｜AI-DVM（人工智能决策变量地图）四层认识边界

重绘说明：纵向展示Raw Observation（原始观察）、Coded Observation（编码观测）、Behavioral Inference（行为推断）和Latent Mechanism（潜在机制）。前三层使用实线连接，潜在机制使用虚线与Unknown（未知）标识。

图7-2｜探针—结论契约矩阵

重绘说明：以六类Functional Probe（功能性探针）为行，以标准可表达性、推荐使用、比较结构、风险边界、条件变化和反事实差异为列，标记每类探针主要支持、有限支持和禁止推断的结论。

图7-3｜运行、依赖簇与时间批次

重绘说明：展示多个Run（运行）如何因共享会话、账户、搜索结果和时间被归入Dependency Cluster（依赖簇），多个依赖簇再归入Time Batch（时间批次）。图下注明：“名义运行数不等于有效样本量。”

图7-4｜AI-DVM（人工智能决策变量地图）最低编码层

重绘说明：围绕一条原始答案，分别拉出变量出现、提示来源、立场、篇章功能、显著性、决策作用、实体身份、实体关联、推荐状态、原子命题、引用支持和准确性，避免合成单一评分。

图7-5｜引用可观测边界

重绘说明：用不等式链展示显示引用、命题级引用支持、引用吸收、检索和内部证据使用。前两项标为可直接或经审查观察，后两项标为通常不可观测，引用吸收标为受控行为编码。

表7-1｜AI-DVM Card（人工智能决策变量地图卡）

采用本章第二十六节的十二组记录面与附录C的完整模板，重点突出原始记录、分母、变量编码、实体推荐、原子命题与比较资格。