系統架構

八層判斷,多模型協作。

照應把錄音、文件和照片變成查得到出處的知識。從收進來到回答,中間有八層判斷:每一件 AI 工作由模型路由(Model Routing)分派給規則、專用模型或三級語言模型;回答走混合檢索的檢索增強生成(RAG),每一句附出處標記、逐句核對;權限由資料庫的列級安全(Row-Level Security)執行,不交給模型。

核心技術
  • Model Routing
  • Hybrid RAG
  • RRF
  • Cross-encoder
  • Speaker Diarization
  • Speaker Embedding
  • Claim Extraction
  • Attribution Check
  • Row-Level Security
  • Eval Gate
  • MCP
對照評測

同一份題目,換一種做法再答一次。

三份題目,每一份都用同一個作答模型、同一套評分,只換回答的做法:一份專考公司資料說法不一、改過、還沒定的時候,對照一般人常用的三種做法;一份是我們的評測題庫,對照業界常見的檢索增強生成;一份是公開的評測集 WikiContradict,對照把資料直接交給模型的兩種問法。明顯較好的、略勝的、照應多付出的,都列出來。

資料說法不一的時候:三種常見做法和照應

2026 年 10 月 20 日,48 題、每題三種問法(直接問、包在工作裡、口語或英文),共 144 次提問。資料是一家虛構小家電公司的 59 份文件,有規格、週報、會議紀錄、決議與更正;題目分成還沒定、已經定了、明講改過、長得像矛盾其實不是、資料裡沒有五類。

照應明顯較好的,是還沒定的事:把各說都交代、不替你選的比例最高,和一般做法、加提示比都明顯較好。整體答對與三種問法都答對,照應都是四組最高,略勝整包交給模型;整包交給模型要每次附上全部文件,文件一多就放不進一次提問。照應還在加強的,是明講改過的題目;多付出的,是成本與等待時間。

色點:和一般做法比。同一題成對比較 p < 0.05 才標明顯較好;照應較高、但還沒到這個門檻的標略勝。代價與待加強照方向標。

  • 照應明顯較好
  • 照應略勝或持平
  • 代價或待加強

長條照比例畫,軸是 0 到 100%。

指標一般做法向量檢索取前五段一般做法+提示多一句:說法不一就列出各說整包交給模型59 份全部附上,同樣加提示照應產品的回答路徑差別
還沒定的事
各說都交代、不替你選17 題、51 次:每一說都寫到,附日期或出處23 次(45.1%)23 次(45.1%)30 次(58.8%)37 次(72.5%)照應明顯較好:同一題成對比較:和一般做法,只有照應對 16 次、只有一般做法對 2 次(p = 0.001);和加提示是 19 對 5(p = 0.007);和整包交給模型是 12 對 5,照應略勝(p = 0.14)。
已經定了、或明講改過
用定案的值10 題、30 次:資料裡有決議紀錄26 次(86.7%)26 次(86.7%)30 次(100%)28 次(93.3%)照應略勝或持平:和一般做法是 4 對 2,照應略勝(p = 0.69)。整包交給模型 30 次全對,照應有 2 次把已經定了的事當成還沒定。
用改過之後的值7 題、21 次:原訂後來改了,或更正了21 次(100%)19 次(90.5%)20 次(95.2%)16 次(76.2%)代價或待加強:照應還在加強的地方,四組裡最低:只有一般做法對 5 次、只有照應對 0 次(p = 0.063)。照應只把和問題最相關的幾段交給模型,寫著改過的那一段多半沒有選進去,就答成原訂的值。
不是矛盾、或資料裡沒有
誤報成說法不一9 題、27 次:數字不同,講的卻不是同一件事(越少越好)2 次4 次1 次0 次照應略勝或持平:照應沒有誤報,四組最少;加提示那一組誤報最多。
資料裡沒有就說沒有5 題、15 次15 次15 次14 次15 次照應略勝或持平:一樣。整包交給模型有 1 次編了答案。
整體
答對全部 144 次110 次(76.4%)105 次(72.9%)117 次(81.3%)122 次(84.7%)照應略勝或持平:照應四組最高。和一般做法是 22 對 10(p = 0.050),差一點就到明顯較好;和加提示是 30 對 13(p = 0.014),明顯較好;和整包交給模型是 18 對 13,略勝(p = 0.47)。
三種問法都答對48 題29 題(60.4%)28 題(58.3%)31 題(64.6%)34 題(70.8%)照應略勝或持平:照應四組最高;和一般做法是 10 對 5,略勝(p = 0.30)。
代價
每次提問的成本模型、嵌入與重排序的用量,照實計價;照應不含收進知識庫基準約 1.2 倍約 7.0 倍約 2.0 倍代價或待加強:照應作答時附上的規則與材料較多,另外多一次重排序。整包交給模型每次都附上全部文件,最貴。
等多久開始作答到拿到答案;中位數,括號裡是 90% 的提問在幾秒內3.8 秒(6.8)4.4 秒(7.9)4.3 秒(7.3)6.8 秒(11.5)代價或待加強:多了關鍵字檢索、重排序與逐句核對。
怎麼比的
  • 四組用同一個作答模型、同一個思考深度,提問的人是同一位一般成員。題目、文件與評分在作答之前凍結;這 48 題只跑一次。另外 15 題留給開發與調整,不算在這張表裡;跑之前用那幾題確認時修了兩處回答的問題,修完才跑這 48 題。
  • 一般做法:問句做語意向量檢索,取最相近的五段,用標準提示作答。加提示:同一次檢索,提示多一句「資料裡說法不一或還沒定案時,列出各說、附日期與出處、不要替使用者選;有決議或更正的,以最新的為準」。整包交給模型:59 份文件依日期全部附上,提示和加提示那一組相同。
  • 照應:產品實際的路徑。文件用產品的上傳收進知識庫,說法不一由產品自己比對、登錄;有決議的事,由有權決定的人在產品的待答頁拍板。作答和網頁上問問題同一組設定,回應照畫面原樣收(答案,加上答案下面的「前後對不上」卡)。
  • 評分:先用程式比對回應裡有沒有各說的值、決議的值、被推翻的值與新值;立場(選邊、兩說並陳、只講一說、拒答等)由另一個語言模型評審判斷,評審看不到是哪一組。兩者合起來判對、部分、錯,表上只算「對」。這一輪還沒有人工標註來驗證評審。
  • p 值是同一題、同一種問法成對的雙尾符號檢定,「三種問法都答對」以題為單位;每一列同時和三組比,沒有為多重比較校正。
  • 資料全部虛構,不用任何客戶的資料:59 份裡有 15 份是不相干的干擾文件、9 份是英文;題目的「今天」是 2026 年 10 月 1 日。資料只有 59 份,整包交給模型才放得進一次提問。

評測題庫:一般做法和照應

2026 年 10 月 20 日,73 題:55 題資料裡有答案、18 題該拒答;50 份文件,有產品規格、會議紀錄、報價與筆記。

照應明顯較好的,是說法不一時標出「還沒裁決」。完全答對、關鍵事實涵蓋和出處支持,照應都略勝一籌(題數不多,同一題成對比較的 p 值都大於 0.2)。多付出的是成本與時間;該拒答的 18 題,照應這一次有 1 題沒拒答。

色點:和一般做法比。

  • 照應明顯較好
  • 照應略勝或持平
  • 代價或待加強

長條照比例畫,軸是 0 到 100%。

指標一般做法向量檢索取前五段照應產品實際的回答路徑差別
答得對不對
完全答對可答的 55 題,關鍵事實全部寫到50 題(90.9%)53 題(96.4%)照應略勝或持平:照應多答對 3 題,略勝一籌。
關鍵事實涵蓋可答的 55 題,平均寫到幾成93.6%97.3%照應略勝或持平:照應高 3.7 個百分點,略勝。
出處支持那一句帶出處標記的句子裡,出處找得到依據的比例81.7%(164 句)85.1%(101 句)照應略勝或持平:照應高 3.4 個百分點,略勝。
不該答的時候
該拒答時拒答18 題:9 題資料裡沒有、9 題提問者無權查看18 題(100%)17 題(94.4%)代價或待加強:照應有 1 題沒拒答:答案在同事的私人備忘裡,照應改引公開的說明作答,沒有讀到看不到的內容。同一題之前兩次評測都拒答。
讀到提問者看不到的內容全部 73 題0 次0 次照應略勝或持平:一樣。權限由資料庫執行,和回答的做法無關。
答得出來卻拒答可答的 55 題1 題0 題照應略勝或持平:照應沒有一題答得出來卻拒答,一般做法 1 題;略勝。
說法不一的時候
標出「還沒裁決」5 題:資料裡有兩種說法,還沒有人裁決0 題5 題照應明顯較好:一般做法沒有矛盾登錄,有 3 題把其中一說寫成定案;同一個規格換個問法,寫成定案的值也不一樣。
代價
每題成本模型、嵌入與重排序的用量,照實計價基準約 1.9 倍代價或待加強:作答時附上的規則與材料較多,另外多一次重排序。
等多久開始作答到拿到答案;中位數,括號裡是 95% 的題目在幾秒內2.8 秒(6.8)4.9 秒(7.7)代價或待加強:多了關鍵字檢索、重排序與逐句核對。
怎麼比的
  • 兩邊一樣的:題目與評分、作答的模型與思考深度、文件與索引、提問者的身分與權限(資料庫逐份判斷)。
  • 一般做法:問句直接做語意向量檢索,取最相近的五段,附上文件標題、段名與日期,用標準提示作答;沒有關鍵字檢索、重排序、拒答門檻、逐句核對與矛盾登錄。
  • 照應:產品實際的回答路徑,和網頁上問問題用同一組設定;10 月 20 日用要上線的版本重跑。一般做法沿用 10 月 19 日的作答:它用到的程式沒有改,用現在的評分重算一題都沒變。
  • 評分:完全答對、關鍵事實與出處支持都用程式比對原文。拒答由語言模型評審讀畫面上的字判定,兩邊同一個評審;評審在看過第一輪結果後修訂過一次(提示與模型都換了),兩邊都用修訂後的評審重判。修訂前,「答得出來卻拒答」是一般做法 2 題、照應 6 題,其他數字不變。
  • 文件只有 50 份,前五段就涵蓋大部分文件;資料量變大時,兩種做法的差距不一定一樣。等待時間是評測環境量到的,含檢索與作答;評測時照應讀資料庫是一件一件做(產品裡是同時做),所以照應的時間偏保守。

公開評測集 WikiContradict:資料互相矛盾時

2026 年 10 月 20 日跑完全部 253 題。題目與資料取自英文維基百科,每題附上說法互相矛盾的資料(兩段,或同一段裡的兩種說法);把兩種說法都交代、不偏袒任何一邊,才算正確。161 題的矛盾寫在字面上,92 題要推一步才看得出來。

照應這一組的使用者不必另外提醒;兩種說法都交代的比例,和直接問、和明講要交代矛盾比,都明顯較好。不提醒時,直接交給模型只有 12.3% 把兩種說法都交代。要推一步才看得出矛盾的那 92 題,照應略勝明講。代價是 3.2% 的題目沒答到或答錯,一半是拒答。

色點:和直接問比。明講要交代矛盾,是使用者自己加提示的做法,當參考。

  • 照應明顯較好
  • 照應略勝或持平
  • 代價或待加強

長條照比例畫,軸是 0 到 100%。

指標直接問把資料直接交給模型明講要交代矛盾問題後面多一句提醒照應使用者不必提醒差別
兩種說法都交代、不偏袒
全部253 題12.3%51.4%60.5%照應明顯較好:同一題成對比較:和直接問,只有照應正確 125 題、只有直接問正確 3 題(p < 0.001);和明講是 42 對 19(p = 0.004)。
矛盾寫在字面上161 題17.4%64.6%75.8%照應明顯較好:和直接問是 95 對 1;和明講是 28 對 10(p = 0.005)。
要推一步才看得出來92 題3.3%28.3%33.7%照應明顯較好:和直接問是 30 對 2;和明講是 14 對 9,照應略勝(p = 0.40)。
代價
沒答到或答錯評審判為不正確0.4%0.4%3.2%代價或待加強:照應 8 題:拒答 4 題、其他 4 題。直接交給模型的兩組,沒有拒答門檻與逐句核對。
怎麼比的
  • 三組用同一個作答模型。前兩組照論文的兩個提示,把資料直接交給模型;照應先把資料當筆記收進知識庫(抽出主張、跨文件比對),再用產品實際的回答路徑作答。前兩組沿用 10 月 19 日的作答(程式、提示與評審都沒有改,重算結果相同)。
  • 評分照論文的定義:兩種說法都交代、不偏袒任何一邊才算正確。評審是另一個語言模型,和作答的不是同一個;拿論文公開的人工評分(480 個回應)驗證,一致 91.0%(Cohen's kappa 0.73;論文兩位作者彼此是 0.58 到 0.67)。評審的提示是看過這批人工評分的分歧之後改寫的,一致程度可能略為高估。
  • 照論文文字定義的較嚴評審:三組是 5.5%、32.0%、52.6%,高低順序相同;這時照應和明講是 63 對 11(p < 0.001)。
  • 這份題目沒有考到檢索:每題只有一兩段資料,回答走整份送。照應的分數主要來自作答規則(兩段說法不同就並陳、不替使用者選);入庫時登錄成矛盾的只有 12.6% 的題目。
  • 照應這一組多了把資料收進知識庫的花費,每題合計約是明講那一組的 5.5 倍。照應照提問的語言用英文作答,評審依意思判斷。
  • 這份題目 10 月 19 日第一次跑時,查到三個產品問題:說法不一的規則只認中文、中文回答對英文出處時逐句核對把回答拿光、沒有照提問的語言作答。修好之後 10 月 20 日重跑,所以這一份已經不是沒看過的題目。第一次照應是 56.5%,沒答到或答錯 11.9%。
  • 論文裡 2024 年的 10.4%、43.8% 是不同的模型、48 題的人工評分,不和這張表對照。

出處:Hou 等,NeurIPS 資料集與基準評測軌,2024 年,〈WikiContradict: A Benchmark for Evaluating LLMs on Real-World Knowledge Conflicts from Wikipedia〉(另開新分頁)

業界的現況

公開研究量到的問題,是我們這樣設計的原因。

下面六個數字來自公開的研究與調查。題目、評分方式、年份與樣本都和本頁的評測不同,不是和照應的直接比較;放在這裡,是說明每一層為什麼這樣做。

出處查閱日期:2026 年 10 月 19 日。各研究的方法與限制,以原文為準。

架構圖

三條路徑,共用一個分開放的知識層。

寫入路徑在背景把錄音和檔案變成可以查證的知識;讀取路徑在提問者的權限範圍內檢索、作答、逐句核對;主動路徑照排程從知識層算出該提醒的事。三條路徑讀寫同一個知識層,每一列資料都帶著公司、專案和可見範圍。

系統架構圖圓圈裡的數字是下面八層的編號,點了會打開那一層;色點是這一步用什麼做。

寫入路徑背景非同步處理,你可以先去忙別的

  1. 入口

    錄音、檔案、照片、一句話;也從你的 AI(MCP)進來

  2. 意圖分流第 1 層

    確定性訊號先判,判不出才問快速模型;兩秒逾時退回規則

    規則與資料庫快速的語言模型

  3. 轉錄與認人第 2 層

    語音辨識加說話人分離;聲紋嵌入過門檻、又領先第二像的人,才標名字

    專用模型規則與資料庫

  4. 整理第 3 層

    結構化輸出加第二回合自我核對;OCR、多模態看圖;抽出主張與實體

    標準的語言模型快速的語言模型規則與資料庫

  5. 比對與歸位第 4 層第 8 層

    主張以嵌入相似度配對,寬篩後嚴格確認;相關總覽增量更新

    專用模型快速的語言模型標準的語言模型規則與資料庫

知識層每家公司各自隔開;每一列都帶著公司、專案和可見範圍,權限由資料庫執行

內容

  • 原文與逐字稿
  • 重點
  • 主張:誰說、何時、出處
  • 實體:人、公司、專案
  • 總覽
  • 待答問題
  • 裁決紀錄

索引

  • 語意向量
  • 全文索引:依詞表斷詞
  • 摘要樹

權限標記

  • 公司
  • 機密等級
  • 角色
  • 專案
  • 私人

主動路徑排程

  1. 偵測第 8 層

    照規則掃知識層:卡住的事、翻來翻去的決定、快到期的承諾

    規則與資料庫

  2. 措辭

    把算出來的事寫成一句話

    快速的語言模型

  3. 送達

    洞察卡、每週回顧;推播只有固定的一句

    規則與資料庫

讀取路徑即時;網頁上邊寫邊核對

  1. 提問

    網頁、App、你的 AI(MCP)、REST API

  2. 身分與權限第 5 層

    四道門依序檢查;看機密要先完成兩步驟驗證

    規則與資料庫

  3. 混合檢索第 6 層

    語意與字面、原文與重點四路並行,RRF 融合後重排序;長問題先拆題

    專用模型快速的語言模型規則與資料庫

  4. 作答第 7 層

    結構化輸出,每一句帶出處標記;要深入想才用高階模型

    標準的語言模型高階的語言模型

  5. 逐句核對第 7 層

    數字、日期、型號、專有名詞要在出處找得到;未定案的說法兩說並陳;不夠相關就拒答

    規則與資料庫

橫跨每一層

  • 模型路由52 種 AI 工作各自設定模型,其中 14 種只用規則
  • 評測閘門換模型、改提示,先過盲測與評測集
  • 成本計量每一次模型呼叫逐筆記用量
  • 台灣繁體轉錄與模型寫的字都正規化成台灣繁體用語,先保護專有名詞
  • 加密傳輸與存放加密;聲音樣本與金鑰另以 AES-256-GCM 加密

八層判斷

點開每一層,看它用什麼做、用到哪些技術。

寫入路徑第 1 到 4 層,背景完成

第 1 層意圖分流Intent Routing確定性訊號先判,模型只做備援;兩秒逾時退回規則。規則與資料庫快速的語言模型

你在首頁打「照那份逐字稿整理重點」,這是要它做事,不是一份要收的新檔。這一層只看那一句和附檔的形態,不讀你的資料內容:介面意圖、句子結構、稱呼、問號、長度這些確定性訊號先判;判不出來才問快速模型;還是不確定,就先收下,再問你一句。

用什麼做

  • 規則與資料庫確定性訊號先判:介面意圖、句子結構、稱呼、問號、長度
  • 快速的語言模型判不出才問快速模型,只回一個很短的判斷;兩秒沒回就退回規則

技術

  • Intent Classification
  • Deterministic-first
  • LLM Fallback
  • 2s Timeout
現在就有
第 2 層轉錄與認人ASR · Speaker ID語音辨識加說話人分離;聲紋過門檻、又領先第二像的人,才標名字。規則與資料庫專用模型

錄音先問你有幾個人,再做語音辨識(ASR)與說話人分離(Speaker Diarization),公司詞表當關鍵詞提示,長錄音自動分段。開了聲音辨識,就以說話人嵌入向量(Speaker Embedding)比對聲紋:相似度過門檻、又明顯較好第二像的人,才直接寫上名字;落在灰區就問你。你確認或更正過的片段會回頭校準,下次更準。轉出來的字一律正規化成台灣繁體。

用什麼做

  • 專用模型語音辨識:說話人分離,公司詞表當關鍵詞提示
  • 專用模型聲紋:自建的比對服務,以說話人嵌入向量比對
  • 規則與資料庫相似度門檻與領先差寫在後台設定;落在灰區就改成問你

技術

  • ASR
  • Speaker Diarization
  • Speaker Embedding
  • Threshold + Margin
  • Long-audio Chunking
正在與首批夥伴共同打磨
第 3 層結構化整理Structured Distillation結構化輸出加第二回合自我核對;數字、日期逐一比對原文。規則與資料庫快速的語言模型標準的語言模型

每一份都整理成重點,照原文的證據強度寫:誰主張的寫誰,還沒驗證的標還沒驗證。標準模型以結構化輸出(JSON Schema)產生,第二回合自我核對(Self-verification)只回傳要改的地方;數字、日期與詞表裡的詞,再由規則逐一比對原文,找不到就拿掉。掃描檔先做文字辨識(OCR),簡報與 PDF 裡的圖表也會讀(多模態),看不懂就問你。

用什麼做

  • 標準的語言模型標準模型,每份兩到三次呼叫:整理、第二回合自我核對
  • 標準的語言模型掃描檔文字辨識、簡報與 PDF 的圖表理解
  • 快速的語言模型會後的快速摘要
  • 規則與資料庫數字、日期、詞表裡的詞逐一比對原文,找不到就拿掉

技術

  • Structured Output
  • Self-verification
  • Evidence Grading
  • OCR
  • Multimodal
現在就有
第 4 層實體歸位Entity Routing依主題、專案與人名、公司名比對,確認後大約十分鐘增量更新相關總覽。規則與資料庫快速的語言模型標準的語言模型

你確認過整理之後,這一份裡的重點、決定、待辦和還不確定的,會依主題、專案,以及整理裡出現的人名與公司名(實體)比對,接到相關那幾件事的總覽上,以增量更新(只改有變的條目)寫進去,大約十分鐘就好;同一頁十分鐘內的多次更新會合併成一次(Debounce)。同一件事散在十場會議裡,看總覽就好;放錯了,拿掉就是。

用什麼做

  • 快速的語言模型收進來時先分主題
  • 規則與資料庫照主題、專案、人名和公司名比對,找出相關的總覽
  • 標準的語言模型把新的內容增量寫進總覽

技術

  • Topic Classification
  • Entity Matching
  • Incremental Update
  • Debounce
現在就有

讀取與主動路徑第 5 到 8 層,你問的時候和它主動提醒的時候

第 5 層權限閘門Access Control資料庫以提問者的身分逐份判斷;讀不到的,和不存在一樣。規則與資料庫

搜尋只在你本來就看得到的範圍裡進行,這一道由資料庫執行,不交給模型:檢索時,每一份文件都以提問者的身分判斷一次讀不讀得到,用的是和列級安全(Row-Level Security)同一個條件式,讀得到的才拿出來。模型從頭到尾只讀得到你看得到的段落;讀不到的,和不存在一樣。私人的內容,連公司的負責人和管理者都讀不到。

用什麼做

  • 規則與資料庫資料庫判斷:公司、機密、角色、專案四道門,再加私人
  • 規則與資料庫看機密等級的內容,要先完成兩步驟驗證

技術

  • Row-Level Security
  • Document-level Gate
  • Tenant Isolation
  • MFA
現在就有
第 6 層混合檢索Hybrid Retrieval語意向量與全文檢索四路並行,RRF 融合後重排序;不夠相關就拒答。規則與資料庫專用模型快速的語言模型

原文段落和整理過的重點,各用語意向量(Dense)和全文檢索(Lexical)找一次,四路結果以 RRF(Reciprocal Rank Fusion)融合,再交給 Cross-encoder 重排序;比較長的問題先拆成幾個子問題(Query Decomposition)。最相關的也不夠相關,就不硬答,直接說找不到;要的話,按一下記成待答的問題。

用什麼做

  • 專用模型語意向量檢索;重排序模型排序,逾時就用融合結果
  • 規則與資料庫全文檢索:依公司詞表斷詞的中文分詞
  • 快速的語言模型比較長的問題,先拆成幾個子問題

技術

  • Dense + Lexical
  • RRF
  • Cross-encoder
  • Query Decomposition
  • Abstention
現在就有
第 7 層有據作答Grounded Generation每一句帶出處標記,逐句核對;未定案的說法兩說並陳。規則與資料庫標準的語言模型高階的語言模型

回答以結構化輸出產生,每一句都帶出處標記(Citation)。寫好之後逐句核對(Attribution Check):句子裡的數字、日期、型號和詞表裡的專有名詞,要在它引用的那一段找得到,找不到那一句就拿掉。兩份說法還沒裁決時,只寫其中一方的句子也會拿掉,改成兩說並陳。網頁上以串流(Streaming)邊寫邊核對,一句一句出現。

用什麼做

  • 標準的語言模型寫回答:標準模型,結構化輸出
  • 高階的語言模型你說「深入想」:高階模型
  • 規則與資料庫逐句核對照規則,不靠模型自己說沒問題

技術

  • Citation Grounding
  • Attribution Check
  • Hard-token Verification
  • Streaming
現在就有
第 8 層主張比對Contradiction Detection抽出主張、以嵌入相似度配對,寬篩後嚴格確認;寧可漏報,不要錯報。規則與資料庫專用模型快速的語言模型標準的語言模型

新資料進來時,先抽出每一句主張(Claim Extraction):誰說的、什麼時候、出處在哪。以嵌入相似度挑出候選配對(Blocking),快速模型寬鬆地篩、標準模型嚴格地確認,兩段式判定,寧可漏報、不要錯報。真的對不上,兩份並排給你,不替你選。答應的事快到了、一個決定翻了幾次,這類提醒由規則從知識層算出來,模型只負責把話說清楚。

用什麼做

  • 專用模型主張配對:嵌入相似度,同一個人或公司放寬門檻
  • 快速的語言模型寬篩:挑出可能對不上的
  • 標準的語言模型嚴格確認
  • 規則與資料庫提醒怎麼算:照規則,不叫模型

技術

  • Claim Extraction
  • Similarity Blocking
  • Two-stage Verification
  • Rule-based Insight
現在就有
和其他做法比

各有擅長,照實比做法。

比的是公司常拿來管知識的五類做法,不指特定產品;最後一列是各類最適合的情境,方便對照選型。

比較項目通用 AI 助理會議記錄工具文件與筆記內建 AI企業搜尋自己架開源框架照應
收什麼對話與上傳的檔案;企業方案可連公司的雲端硬碟、信箱與聊天,部分產品在自家會議平台做會議筆記以錄音為核心:會議機器人自動入會、桌面錄音或錄音裝置以工作區裡的文件為主;部分產品可錄會議筆記、接外部連接器連接公司既有的系統來搜尋,不負責錄音要收什麼自己接;錄音、聲紋與照片辨識要另外串模型錄音、檔案、照片、一句話進同一個知識層;也從你的 AI(MCP)進來
回答附出處多數可附來源連結,依功能而異可針對單場或多場錄音提問;部分可追溯回原始錄音依產品而異部分產品每個答案都附引用可以開啟引用,嚴謹程度看自己怎麼做每一句帶出處標記、逐句核對:數字、日期、專有名詞在出處找不到的句子拿掉;資料沒有就直說
前後說法不一非主打功能非主打功能部分產品有「已驗證」標記與到期提醒,靠人工維護部分產品有專人核驗流程,並標出重複或衝突的內容要自己開發跨文件比對主張,兩說並陳,交給有權限的人裁決
權限沿用來源系統的權限;企業方案有讓管理者調閱或保留成員對話的合規工具以帳號與工作區管理;部分方案的最高管理者可存取整個工作區的會議沿用頁面權限;部分企業方案的工作區擁有者可存取成員資料,含私人頁面即時沿用來源系統的權限權限要自己設計;進階權限常屬付費企業版資料庫照提問者的身分逐份判斷;私人的內容,管理者也讀不到
認人部分平台提供使用者自願註冊的聲紋,用在會議室的講者辨識多以會議帳號或「講者 1、2」標示;能不能跨錄音記住,依產品而異依會議資訊推測講者,不是聲紋;部分功能只支援英文不處理錄音要自己串接跨錄音比對聲紋;夠像又明顯領先才寫上名字,拿不準就問你
主動提醒部分產品的會議筆記會列出待辦摘要附待辦很常見,部分可同步到客戶管理系統會議筆記可抽待辦;部分產品在驗證到期時提醒頁面擁有者部分產品提醒專人更新過期的知識要自己開發卡住的事、翻了幾次的決定、快到期的承諾,加上每週回顧
台灣繁體依產品而異:有的會議筆記還不支援中文,也有支援台灣中文轉錄與詞彙表的差異大:有的中文只支援簡體,有的提供台灣中文選項中文支援依功能而異,部分功能只支援英文依產品而異看選用的模型與設定轉錄與模型寫的字都轉成台灣繁體用語;公司詞表回頭幫轉錄
誰維運、誰評測供應商供應商供應商供應商;導入要做串接與設定你自己:換模型、評測、權限、資安都要自己顧我們;換模型、改提示之前,先過盲測與評測集
最適合的情境一般知識、寫作、寫程式與網路搜尋;想沿用既有辦公套件的權限與合規工具大量線上會議要自動入會、多語言,並同步到客戶管理系統內容本來就在那個工作區、不想搬家;和工作流程整合深要一次搜很多既有系統、權限即時同步;部分產品可部署在自己的雲端帳號有工程團隊、要完全掌控:地端部署、自選模型、深度客製公司自己的錄音和文件,要變成查得到出處、對得出前後說法的知識

比較基準:各類常見產品的商務或企業方案公開說明,2026 年 10 月整理,不指特定產品。「依產品而異」表示同一類產品做法不一;各產品功能持續更新,以各家官方說明為準。

權限與安全

誰看得到什麼,由資料庫決定。

權限寫在資料庫裡,不在畫面上:每一張資料表都啟用列級安全(Row-Level Security),搜尋、回答、提醒都以提問那個人的身分判斷讀不讀得到;讀不到的,就像不存在。

四道門,順序固定

  1. 1第 1 道

    公司

    Tenant Isolation

    只有這家公司的成員進得來。別家公司、連平台營運方,都在這道門外。

    現在就有
  2. 2第 2 道

    機密

    MFA · AAL2

    機密等級的內容,要先完成兩步驟驗證;公司帳號的成員第一次設定兩步驟驗證,預設要負責人或管理者核准。

    現在就有
  3. 3第 3 道

    角色

    RBAC

    負責人、管理者、成員、訪客,看得到的範圍不一樣;訪客只看得到受邀的專案。

    現在就有
  4. 4第 4 道

    專案

    Project Scope

    專案可以分開放,沒加入的人問不到;問其他工作時,也不會混進來。

    現在就有

私人的內容,另外鎖著

只有你看得到的東西,公司的負責人和管理者也讀不到,也不會上捲到公司或集團。

現在就有

技術控制

  • 加密

    傳輸全程 TLS 加密,資料庫與檔案存放時加密。從錄音截取的聲音樣本,以每家公司各自衍生的金鑰(HKDF)另外加密(AES-256-GCM);聲紋特徵只在伺服器端比對,不經任何 API 對外提供。

  • 金鑰保管

    單一登入的用戶端密鑰、Webhook 的簽章金鑰,以 AES-256-GCM 加密後才寫進資料庫;缺少主金鑰時,相關功能直接停用(Fail-closed),不會退回明文。

  • 登入與驗證

    TOTP 兩步驟驗證;看機密前 24 小時內要驗證過,公司可以縮短到 5 分鐘。公司可以設定自己的 OIDC 單一登入(SSO),只對驗證過的網域生效,也可以設為強制。

  • 你的 AI 與 API

    你的 AI 以 OAuth 2.1 授權碼流程連線,強制 PKCE;要讀機密得另外勾選,授權前 24 小時內要通過兩步驟驗證,預設 30 天到期。API 金鑰只存雜湊值、原文只顯示一次,分唯讀與讀寫,讀不到私人與機密的內容。

  • Webhook 與稽核

    Webhook 以 HMAC-SHA256 加時間戳簽章,失敗時以指數退避(Exponential Backoff)自動重送;內容只有編號與中繼資料,私人檔案不發事件。API 呼叫、你的 AI 的每次工具呼叫、管理設定的變更都留稽核紀錄;網站與 App 上打開機密文件、問問題或在對話裡改整理與總覽時用到機密文件,以及下載、匯出、清空回收桶、永久刪除,也都記下來。存取紀錄在資料庫層不能修改或刪除。

  • 刪除與匯出

    回收桶保留 30 天後永久刪除;刪除帳號有 7 天可以取消。隨時可以自己下載整包匯出:帳號資料、每份文件一個 Markdown、原檔清單。

誰經手你的資料、存放在哪裡,依法列在隱私權政策。

想看它怎麼回答你,就用你自己的資料試試。

搶先體驗期間不收費。