I did not knock the scarf into the pond。
跟“Mo 把围巾弄进了池塘”这条事实摆在一起，量出来的余弦相似度是 0.6085。
这条链路的阈值是 0.5。于是这句否认，被判成了泄密。
不是段子。llamadart 那个 Llama Village 系列第二篇，作者 Jhin Lee 在 dev.to 上写他那个本地模型跑的小镇，这一篇讲的就是怎么用本地 embedding，把角色说出口的台词跟“她可能知道的那堆事实”比一遍。我看到这行数就坐直了——终于有人把“相似度高 ≠ 意思相同”这件事，用一个能跑出分数的 bug 摆到台面上，比讲十遍理论都管用。
好，画开。
整条链路大概长这样：
候选事实 = 说话人知道 ∧ 听话人不知道
│
▼
只跟“说话人的台词”比（不是双方全部对话）
│
▼
embedding → 向量 → 余弦相似度 → 排序
│
▼
取前 6 条 ──► outcome model（生成式）
│
▼
返回“哪几条被明确说出口了”的 id
│
▼
规则判定：keywordHit ∧ similarity ≥ 0.5 → 接受转移
图里有两格，我第一版画的时候直接省了，得单独拎出来。
第一格在顶上：候选事实先砍一遍，说话人知道、听话人不知道。这一步纯靠应用自己的状态，跟向量半点关系都没有。但它是整套东西能省下来的前提——不砍，等于每句话都拿去跟全世界的知识比一遍，噪音和算力一起爆。而且它只拿说话人的台词去比，不拿双方全部对话。这个细节很要紧：听话人说的话，不该被当成“泄密的证据”。
第二格在底下那个 0.5。这玩意儿不是通用阈值，是这个游戏自己拍的。
中间那截才是 embedding 干的活。打个比方：它把每句话钉到一张坐标纸上，然后看两个点离得多近。就这么回事。llamadart 里跑的是 embeddinggemma-300M-Q8_0.gguf，768 维，向量归一化之后，余弦相似度就等于一个点积，省事。
三个数摆一起看更有意思：真说了围巾缠在芦苇里，0.8449；否认句，0.6085；“今天天真蓝”，0.3137。
0.84 到 0.31，隔得挺开，看着很美。问题全在 0.6 那一档。
等等等等，先别急着说“调高阈值不就行了”。调到 0.65，否认句是被挡住了，可那些换了说法、绕了弯子的真泄密也一起被挡。这个阈值不是调歪了，是这个位置本来就不该由分数来守。
画第二张图，bug 就一目了然：
outcome model 说：claimed = false（她没说出来）
│
└─ 但规则还有一条兜底：
keywordHit（台词里有 scarf + 位置词） ∧ similarity ≥ 0.5
→ accepted = true
结果：accepted = true，claimed = false
两个信号互相打脸，规则选了分数那一个。
作者把这个复现得挺老实：把 0.6085 直接喂进真实的 keywordHit 和 acceptTransfer，输出就是 accepted=true、claimed=false。他自己也明说，这只是规则层面的复现，不是完整跑一局——正常游戏里这条事实还得先够格、还得挤进前六。这个自我限定我很服，比含糊过去强多了。
现在说这个比喻在哪儿漏风。
坐标纸这个比方，讲“为什么意思近的句子分数高”，太好用了。可它漏了一个大洞：这张纸上没有“否定”这根轴。
“我踢了围巾”和“我没踢围巾”，词几乎全一样，钉上去两个点挨得极近。向量空间里压根没给“不”留一个维度。同理，它也没有“谁说的”这根轴——评论区 Mahdi 举的那个例子就很准：June says Mo knocked it in，这句里 Mo 是被指控的，不是说话人，可它在坐标纸上跟“Mo 把围巾弄进池塘”几乎重合。
这不是模型不行。是我们拿一把量“主题接近”的尺子，去量“有没有把这件事说出来”。
所以那 0.3 的关键词加分也是游戏特调，不是通用做法。关键词匹配本身也看不懂否定——子串能对上，语义对不上，knock 出现在“我没 knock”里，照样算命中。
那怎么办。
方向其实很朴素：把“纯靠相似度兜底”这条删掉。秘密的转移得由一个显式的判断来背书，而且这个判断要指到具体哪句台词支撑它。作者提的那个 DecisionEngine（llamadart 里跟 Laya 一起出来的那个东西）就是往这儿走——把候选事实分成“说了 / 否认了 / 说不清”三类。
但这是提案，不是现状。他自己也标了：结构化输出能约束 JSON 的形状和允许的 id，约束不了语义对不对；而且否认、猜测、转述、含糊其辞这几种都得单独评，真要压过现在这个 outcome model，可能还得单独调一个头。
我写到这儿其实有点犹豫——“再加一层判断”听着像是在把问题往后推一层。但转念一想，这层的性质不一样：outcome model 干的本来就是“读对话、认出说了什么”这件事，它天生就是干这个的；相似度分数干不了，它从来就没打算干。让合适的部件干合适的事，不叫加层，叫把放错位置的东西挪回去。
顺手记两个实操上的坑，跟这个 bug 无关但会咬人：那串 title: none | text: 前缀是有讲究的，模型卡里建议新应用用任务专用的输入前缀；而一旦你改了输入格式，之前那批分数和阈值全部作废，得重测。缓存要是按文本做 key 的，模型或前缀一换，缓存也得重建，不然你拿旧向量跟新向量比，比出来的东西谁也不认识。
最后留个自检，比总结有用：去你自己的 RAG 里搜一句否定句，看看排在最前面的都是些什么。要是你那条链路上也有一个“分数够高就算数”的兜底——它现在正在替谁做决定？
这玩意儿真的太酷了。一句“我没踢”，能让整条流水线的判断逻辑当场现形。