QueryStory：让AI回答更可信，获600万美元融资

AI生成内容的可信度，正在成为大语言模型落地最大的痛点之一。近日，一家名为QueryStory的初创公司从隐身模式中走出，宣布获得600万美元种子轮融资，并发布了自己的愿景：让AI告诉你的事情，变得更连贯、更可靠。

从“生成”到“可信”的跨越

大语言模型的惊艳表现背后，是层出不穷的“幻觉”问题——模型会一本正经地编造事实，或因上下文丢失而给出前后矛盾的答案。对于企业用户而言，这种不确定性是致命的。QueryStory的核心思路，是利用LLM的强大生成能力，再叠加网络安全领域的情报分析方法，对查询过程进行“结构化治理”，从而输出逻辑自洽、有据可查的结果。

“我们不是在造另一个聊天机器人，而是在为AI对话建立‘可信基础设施’。”——QueryStory团队在融资公告中如此表示。

600万美元种子轮：资本看好AI治理赛道

这笔种子轮融资来自多家专注企业服务和网络安全的投资机构。虽然QueryStory未透露具体投资方名单，但消息人士称，几位前美国国家安全局（NSA）和知名安全公司的技术人员也参与了天使轮。这并不令人意外——QueryStory的创始团队本身就有深厚的情报与安全背景，他们深知“信息来源”和“逻辑链条”对决策的重要性。

QueryStory计划将资金主要用于三方面：一是扩展工程团队，特别是具有LLM调优和知识图谱经验的工程师；二是开发企业级产品原型，面向金融、法律、医疗等强监管行业；三是建立“查询可信度评估”的测试基准，试图为行业提供一套可量化的标准。

技术路径：让LLM“边想边查”

根据官方披露的信息，QueryStory的技术并非对传统RAG（检索增强生成）的简单改良。其平台会在用户提问后，自动将问题拆解为多个子查询，并调用多个独立的数据源进行交叉验证。每个结论都会生成一个“证据链”，用户在界面上可以展开查看AI为什么给出这个答案、依据来自哪里、中间有哪些推理步骤。这种设计借鉴了网络威胁情报分析中的“钻石模型”和“攻击链”思想，将AI的回答从“单向输出”转变为“可追溯的论证过程”。

此外，QueryStory还引入了对抗性测试机制：系统会主动尝试“攻击”自己生成的答案，试图找出逻辑漏洞或信息冲突。如果发现可疑点，会降低该回答的可信度评分，并提示用户需要更多数据或人工介入。

编者按：AI信任问题，远未解决

QueryStory的方向值得肯定，但我们也要清醒地看到：目前所有的AI可信度技术，都只是在“概率”上做文章。LLM的本质是统计概率模型，所谓“证据链”也只是对已有数据的重新组合。真正的逻辑一致性，仍然需要更强的常识推理和因果模型支撑。

另一方面，企业采用这类方案的意愿，取决于监管压力的大小。欧盟《人工智能法案》已将高风险AI系统的可追溯性列为强制要求，美国各州也在陆续推出AI责任法案。这些法规将倒逼企业为AI输出建立审计日志，而QueryStory这样的初创公司正好切入这个缝隙。

当然，600万美元的种子轮只是第一步。QueryStory未来能否成为AI治理领域的重要玩家，取决于它能否在保持技术创新的同时，找到真正愿意买单的付费客户。毕竟，在AI这个快速变化的赛道上，光有“可信”还不够，还要做到“可用”和“可负担”。

本文编译自TechCrunch