AI 命理系统一旦知识源分层失效，最典型的症状不是立刻完全答错，而是越答越像“什么都沾一点”，但没有一层真正稳定。古籍像现代建议，案例像通用规则，边界提示像普通解释，这种污染比简单缺知识更危险，因为它看起来仍然很像有知识。
这页专门用反面案例训练知识源污染为什么会发生，以及污染后系统会怎样失真。
系统回答中频繁引用原典，看起来很有依据。
如果没有解释层过渡，古籍原文可能被直接包装成现代语境下的建议，导致历史语境和现实语境错位。
原典适合做依据，不适合直接替代现代解释层。
模型引用了多个案例，回答显得很具体。
案例层的作用是帮助映射现实问题，不是代替规则层。如果分层混掉，系统会把个案经验当成普遍规律。
案例只能辅助理解，不应越权成为规则来源。
系统回答看起来结构很严谨，但读起来很生硬，像把规则清单直接吐给用户。
这通常意味着系统没有把规则层和解释层区分开，导致可计算规则直接污染了用户表达层。
规则层应该支撑回答，不应直接替代回答。
知识库里明明有风险提示、理性说明和升级条件，系统仍然经常说得过满。
如果边界层在召回和拼装上下文时始终排得很后，系统就会优先拿规则和案例输出，边界提醒永远来不及。
边界层不是附录，必须在高风险场景里有更高优先级。
团队持续补文档，但系统回答前后不一致的情况反而增加。
这往往不是“知识更多”本身的问题，而是新增内容没有按层级入库，导致不同性质文档在检索时互相污染。
知识扩容必须伴随分层治理，否则只会增加混乱。