错误类型识别：
错误影响分级：
# 错误报告模板
**问题ID**：[对话时间戳/会话编号]
**错误段落**：「复制原文片段」
**错误类型**：[事实/逻辑/伦理/其他]
**修正依据**：
- 数据类：附权威来源链接（优先.gov/.edu域名）
- 逻辑类：提供推理路径图
- 语境类：描述实际应用场景
**预期正确回复**：[简洁描述应有内容]示例：
问题ID：20230815-11:23:45
错误段落：「光伏电池转换效率已达50%」
错误类型：事实性错误
修正依据：2023年NREL实验室最高纪录为47.1%（链接）
预期回复：当前实验室最高效率为47.1%，商用组件普遍在22-25%区间
即时修正：
「您提供的框架结构很清晰，但第三步计算公式应为（a+b）*c而非a+b*c，建议补充行业案例更实用」长期训练：
| 反馈维度 | 用户操作 | 预期改进效果 |
|---|---|---|
| 知识更新 | 提交行业白皮书 | 领域知识库扩展 |
| 推理强化 | 标注逻辑链断层 | 因果推理模块升级 |
| 伦理校准 | 报告价值观冲突 | 安全层权重调整 |
| 交互优化 | 记录沟通误解点 | 自然语言理解增强 |
持续错误反馈：
敏感领域错误：
某医院药剂科在AI推荐处方出错时：
截图标注错误药品配伍 附《临床用药禁忌手册》对应条款 建议增加药品相互作用检测模块 三个月后收到定制版医疗AI，错误率下降92%效果监测：定期复查同类问题，使用「反馈-改进」闭环追踪表记录响应时间和解决率。当单类问题反复出现3次以上，建议升级至技术团队深度审查。
通过体系化的反馈机制，用户不仅能纠正当前错误，更能成为AI进化的重要参与者。每个有效反馈都在塑造更可靠的智能伙伴。
