认识论盲化：审计LLM分析中先验污染的可解释性协议

本文提出"认识论盲化"推理时协议，旨在识别和量化LLM分析中数据驱动推理与训练记忆先验的混合问题。通过匿名化实体标识符并对比盲化/非盲化结果，恢复可审计维度，帮助区分输出来源。经药物靶点发现、股票筛选等实验验证有效，并提供开源工具与Claude Code技能降低应用门槛，是重建AI信任的重要基础设施。

LLM应用于科学/商业分析时存在信任危机——输出可能混合输入数据与训练记忆先验，单次输出无法区分来源。此"认识论污染"在药物靶点发现等高风险领域尤为突出（如模型受基因"名声"偏见影响）。传统评估关注准确性却忽略可审计性，而科学/金融场景需知道结论"为什么这样答"，当前LLM输出不可解释的局限亟待解决。

核心思想是输入前将实体标识符（如基因/公司名）替换为匿名代码，与未盲化组对比。设计优势：1.隔离变量，消除模型对实体"名声"的先验访问，强制依赖输入数据；2.量化比较差异，测量先验污染程度；3.保持实用性，恢复审计维度（输入数据与参数化知识的比例）而非追求确定性。

1.肿瘤药物靶点发现：四种癌症类型任务中，盲化导致16%Top20结果变化（显示先验影响），且未损害识别已验证靶点能力；2.S&P500股票筛选：品牌认知偏见使Top20排名在不同随机种子下变化30-40%，揭示AI投资分析可能存在传统回测无法检测的系统性偏见。

研究团队提供开源工具，可集成到现有LLM工作流；还推出Claude Code技能，支持"一键盲化"，大幅降低采用门槛，对监管报告、科学发现、医疗诊断等需高可审计性场景具重要价值。

局限：目标非产生更好结果，而是审计模型是否遵循分析流程（合理先验有时有益）。展望：1.动态盲化策略（自适应选择盲化实体）；2.分层审计机制（从完全盲化到透明的连续光谱）；3.跨模态扩展（应用于视觉-语言等多模态场景）。

认识论盲化标志LLM评估从"性能指标"转向"过程可审计性"。在AI参与高风险决策背景下，区分数据驱动结论与记忆偏见是建立人机信任的基础设施。对科学、金融、医疗从业者，提供验证AI分析是否符合严谨标准的实用方法，是可解释、可信赖AI的重要进展。