# Evidence Based Labeling

> 构建、优化并应用证据化标签体系，适用于专利、科研文献、产品资料、技术情报、客户需求和其他结构化文本。可用于开放式标签发现、半开放标引、闭集标引、标签定义、默认或自定义判定规则、试标、Excel/CSV 全量标引、人工复核队列，以及借助智慧芽/Patsnap MCP 进行术语、样本、专利、文献和证据增强。

- Skill: `patsnap/evidence-based-labeling` (Agent Skill, multi-file: 22 files)
- Install (CLI): `npx skillmds@latest add patsnap/evidence-based-labeling`
- Raw SKILL.md: https://api.skillmd.com/api/skills/patsnap/evidence-based-labeling/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Data & Analytics
- Author: patsnap (https://skillmd.com/u/patsnap)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/patsnap/evidence-based-labeling

---


# 证据化标引体系构建

基线版本：`evidence-based-labeling-v1.1`，默认判定规则：`default-v1.1`。

## 运行原则

把标引视为一个有治理要求的生命周期，而不是一次性提示词。业务决策、模型判断、外部证据和确定性校验必须分开管理。

- 由用户确认业务含义、标签定义、冻结版本和全量执行授权。
- 由模型诊断资料、抽取事实和证据、提出标签、比较边界并解释判断。
- 针对标签发现、标签定义、样例和边界判断，执行对应阶段的智慧芽/Patsnap MCP 基线流程。当连接器可用时，MCP 是必需的工作流输入，而不是可有可无的补充。
- 使用脚本校验文件结构、标签体系完整性、输出有效性、覆盖率和复核要求。

不得把候选标签静默转成正式标签。不得为了避免空白而强行给出弱证据标签。

## 加载参考文件

只读取当前阶段需要的文件：

- 诊断或切换模式时，读取 `references/workflow-modes.md`。
- 检查输入或生成交付物前，读取 `references/input-output-contract.md`。
- 试标或全量标引前，读取 `references/default-decision-rules.md`。
- 发现、定义、合并、拆分或版本化标签时，读取 `references/taxonomy-design.md`。
- 使用智慧芽/Patsnap MCP 工具前，读取 `references/zhihuiya-mcp-orchestration.md`。
- 试标验收、全量校验或创建复核队列前，读取 `references/quality-and-review.md`。
- 如果存在已选领域的 manifest，先读取该 manifest，再加载其中指向的文件。
- 对乳蛋白深加工专利进行领域标引时，读取 `references/domain-milk-protein.yaml`，再加载其中的标签体系、规则和样例。

## 先诊断

先检查用户提供的文件和自然语言需求，再提问。需要判断：

1. 业务目标和标引单元。
2. 候选标引维度。
3. 是否已有标签体系。
4. 标签是否有定义和边界。
5. 是否已有判定规则。
6. 是否已有人工标注样例。
7. 用户是否允许提出候选新标签。

尽量从材料中推断第 3-6 项，只向用户询问缺失的业务决策。随后推荐模式并请求确认：

- `discovery`：没有可用标签体系。
- `semi_open`：已有部分标签体系，或允许提出新候选标签。
- `closed`：标签体系已冻结，禁止新增正式标签。

不得静默切换模式。当业务目标足够清楚、能够形成检索概念后，冻结维度或标签体系之前，必须执行 `references/zhihuiya-mcp-orchestration.md` 中的发现阶段 MCP 基线流程。不得静默跳过该基线。

## 确认门禁

默认只使用三个确认门禁。把相关决策合并，不要在每个内部阶段后都暂停：

1. **范围门禁**：业务目标、标引单元、维度、模式和候选标签策略。
2. **冻结门禁**：MCP 支撑的标签体系、定义、样例、默认或修订规则、试标结果和拟修正项。
3. **执行门禁**：冻结版本、全量范围、预期选择性 MCP 使用方式，以及开始全量标引的授权。

在门禁之间，应自主完成资料检查、MCP 检索、开放编码、标签体系草拟、定义构建、抽样和试标复核。只有当缺失业务选择会实质改变结果，或外部动作需要新授权时，才在门禁之外暂停。用户可以主动要求增加门禁。

## 核心流程

### 1. 规范化任务

根据用户需求和文件生成任务配置。保留原始列，并记录字段映射、范围、版本、候选标签策略、证据优先级、MCP 策略和确认状态。

### 2. 检查标引资产

评估标签覆盖率、定义、层级、正例/反例、规则完整性、标签不均衡、重复路径、脏标签、缺失文本和稳定记录 ID。

### 3. 执行必需的 MCP 发现基线

当目标和检索概念足够清楚后，使用关键词扩展和语义检索，并结合分类辅助或聚焦专利/文献检索。为代表性记录检索技术主题和应用领域。用检索结果发现概念和边界，但必须把检索结果与正式标签分开。

如果某项能力无结果，在有价值时用更简单概念重试一次，记录无结果，并继续使用其他能力。不得把检索输出直接当成标签结论。

### 4. 构建或优化标签体系

在 `discovery` 模式中，对代表性样本进行开放编码，规范同义词，提出维度和层级，并创建标签确认卡。在 `semi_open` 模式中，严格区分正式标签和候选标签。在 `closed` 模式中，将未覆盖概念记录为 `unclassified`，不得发明正式标签。

### 5. 用 MCP 证据构建标签定义和样例

对每个拟定标签族，在可行时检索代表性正例或相邻记录。使用技术主题、应用领域、分类号、技术三元组、说明书、权利要求和相似专利来定义纳入条件、排除条件、易混标签、正例和强反例。至少覆盖每个一级分支和所有未解决的相邻标签边界。需呈现可追溯的公开号或文献标识。

### 6. 构建自适应试标样本

结合本地分层抽样与语义、关键词、相似记录或分类辅助检索。样本应包含常见记录、边界样本、相邻标签冲突、不完整记录、强反例和可能未分类记录。不要机械地按每个节点固定抽样数量；应根据标签体系规模、多样性和观察到的不稳定性调整样本。

### 7. 基于证据进行标引

对每条记录：

1. 识别核心对象和技术事实。
2. 抽取简短来源证据。
3. 召回候选标签。
4. 应用定义、纳入规则、排除规则和冲突规则。
5. 选择正式标签，或给出明确的回避/不归类状态。
6. 输出理由、置信度和复核状态。

优先使用用户提供的来源证据。试标和全量标引期间，仅在摘要、权利要求、说明书、技术三元组、主题、领域、边界歧义或外部佐证缺失时，选择性调用 MCP。通过相似记录比较边界冲突。不得把每条完整且清晰的记录都发给 MCP。检索用于候选召回，不是最终判断。

### 8. 复核试标

区分错误来源：标签体系缺口、定义不清、规则问题、证据缺失或模型判断问题。提出变更建议，但不得静默应用。重复试标，直到用户冻结版本。

### 9. 执行全量标引

全量执行前，展示记录数、范围、标签体系版本、规则版本、试标状态、选择性 MCP 触发策略和输出内容。只有获得明确授权后才能开始。正式标签、候选标签和未分类记录必须保持区分。

### 10. 校验并交付

输出原始数据加标引字段、证据长表、标签体系、规则、复核队列、QA 摘要、任务元数据和来源记录。校验记录覆盖率、合法标签路径、证据存在性、必填维度、选择约束和版本一致性。

## MCP 使用保护

- 遵循 `references/zhihuiya-mcp-orchestration.md` 中的必需基线和选择性增强矩阵；不得用纯本地推断静默替代必需 MCP 工作。
- 按能力选择工具，不要硬编码带凭证的端点。
- 不得要求用户在聊天中粘贴 MCP key 或 token。
- 尽可能缓存相同专利和相同查询结果。
- 记录服务/工具、查询目的、标识符和证据来源。
- 如果 MCP 不可用，在可行时继续使用本地材料，但标记增强状态为 `incomplete`，并说明哪些必需能力组未执行。
- 不得默认把每条记录都发送给 MCP；只做选择性增强。

## 输出状态

使用明确状态：

- `formal`
- `candidate`
- `unclassified`
- `needs_review`

置信度使用 `high`、`medium` 或 `low`，并与证据质量和边界清晰度绑定。不得输出虚构概率百分比。

不要把 `unclassified` 或 `not_applicable` 等同于 `needs_review`。按以下规则流转问题：

- 只有当人工决策可能改变当前标签结果时，才把记录送入 `Review Queue`：低置信度、范围边界、未解决的相邻标签、证据冲突、证据不完整、脏路径或缺少必填维度。
- 标签体系缺口、缺少叶级粒度、已有充分证据但未被覆盖的概念，应送入 `Taxonomy Backlog`。重复缺口按问题类型归并，不要逐条记录复核。
- 证据完整的 `not_applicable` 可自动通过。
- 当子级证据不足但父级匹配清楚时，允许输出正式父标签，不必进入记录复核；如有价值，将粒度缺口记录到 `Taxonomy Backlog`。
- 将反复确认的边界判断转化为版本化判定规则，便于后续记录自动通过。

记录复核率和标签体系 backlog 数量应作为两个独立 QA 指标。

## 随包辅助工具

- 使用 `scripts/inspect_labeling_input.mjs` 检查工作簿/CSV 结构。
- 使用 `scripts/validate_task_config.py` 校验任务配置。
- 使用 `scripts/validate_taxonomy.py` 校验标签体系完整性。
- 使用 `scripts/create_labeling_workbook.mjs` 创建标准工作簿结构。
- 使用 `scripts/validate_labeling_output.mjs` 做工作簿级输出校验。

运行 `.mjs` 辅助脚本前，先加载工作区依赖。把所需 helper 复制到可写工作目录，并确保本地 `node_modules` 能解析到内置依赖目录，再运行复制后的 helper。不得安装替代包，也不得在 Skill 中硬编码用户特定运行时路径。

运行电子表格脚本前加载工作区依赖。`assets/` 中的模板可作为起点，而不是不可变政策。

## 使用前配置
本 Skill 依赖智慧芽开放平台 MCP 服务：
- 完成安装、初次使用时需进行自检，参见 README.md
- 用户需完成账号授权，并确保 Agent 环境已启用对应 MCP 工具
- 若未完成配置，本 Skill 只能提供分析框架，无法检索实时数据或生成基于数据库的结论
- 缺少MCP配置时，引导用户参照 README.md 在 [[open.zhihuiya.com](https://open.zhihuiya.com/)](https://open.zhihuiya.com/) 获取MCP。