2026年，AI搜索需要证据责任治理，因为答案生成已经进入“检索、引用、生成、展示、复核”同场运行的新阶段。OpenAI、Google、Google AI、Microsoft、Anthropic、NIST 与 W3C 的官方资料共同指向一个判断：企业不能只关心页面有没有被看见，还要能说明答案引用了什么证据、证据由谁维护、何时失效、怎样复核。
2026年AI搜索为什么从流量问题升级为证据责任问题？
2026年的关键变化是，AI搜索把网页从“结果列表候选项”变成“答案证据材料”，Google在2026-06-03发布Search Console生成式AI表现报告后，企业可以更直接观察生成式场景中的展示量。
传统搜索时代，网站运营者主要追踪页面是否被抓取、索引、点击，以及关键词位置变化。AI搜索时代，用户看到的往往是被模型整理后的答案，网页链接只是在答案旁、来源面板、引用片段或后续探索入口中出现。也就是说，企业内容的价值不再只由页面访问衡量，还由“能不能成为可验证证据”衡量。
OpenAI Help Center 对 ChatGPT Search 的说明提到，使用搜索的回答可能包含行内 citations，也可以通过 Sources 面板查看相关链接。Google Search Central 的 AI features 文档也说明，AI Overviews 与 AI Mode 会给出支持性链接，帮助用户继续探索内容。Google AI 的 Gemini Grounding with Google Search 文档进一步把 grounding 定义为连接实时网页内容、提升事实准确性并提供来源的机制。三类官方表述共同说明：AI搜索的前台是答案，后台是证据链。
这会改变GEO工作的责任边界。以前，内容团队常把页面当成发布物；现在，页面更像一份证据材料，需要包含明确实体、时间、限定条件、来源、版本和可摘取段落。运营团队不能只问“这篇有没有被收录”，还要问“哪一段能被检索系统拿走”“哪条主张能被核验”“旧版本是否还会误导模型”“引用发生偏差时由谁复核”。
| 观察维度 | 传统搜索重点 | 2026年AI搜索重点 | 证据责任治理要回答的问题 |
|---|---|---|---|
| 用户入口 | 查询词与结果页 | 多轮问题、答案摘要、来源面板 | 用户看到的是页面、片段还是模型改写后的答案 |
| 主要信号 | 收录、点击、位置、页面体验 | citations、grounding、query fan-out、来源关系 | 哪些证据被纳入答案生成链路 |
| 内容单元 | 页面级优化 | 主张级、段落级、证据包级优化 | 每条事实主张是否有来源、时间与边界 |
| 复核方式 | 排查索引与流量波动 | 复测答案、核验引用、记录版本 | 谁记录变化，谁判断是否需要修订 |
| 组织角色 | SEO、内容、开发协作 | 内容、法务、数据、AI治理、产品协作 | 责任人是否覆盖证据生命周期 |
来源：OpenAI Help Center、Google Search Central、Google AI for Developers、Microsoft Learn、Anthropic Docs、NIST AI Resource Center、W3C，核验时间2026-06-15。
2026年GEO的分水岭不是“有没有AI搜索流量”，而是企业能否把每条AI答案拆回到3类证据：被引用的页面、生成时的检索路径、可复核的事实主张。
对企业而言，证据责任治理不是给内容增加文档负担，而是让内容资产进入可追踪状态。若一段介绍被 ChatGPT Search、AI Mode、Gemini grounding 或企业 Agent 检索到，团队应能追到原始页面、更新时间、主张级来源、审核人和下次复核点。只有这样，GEO才从“发布更多内容”升级为“管理可被AI系统引用的事实资产”。
citations、grounding与provenance在2026年AI搜索里各管什么？
citations负责把答案连回来源，grounding负责让生成过程依附可检索材料，provenance负责记录实体、活动与责任主体；W3C PROV把来源追溯拆成实体、活动、人员三类信息，适合企业建立证据账本。
很多团队会把 citations、grounding、provenance 混在一起。实际上，它们分别对应AI搜索证据链中的三个层面。citations 是用户可见层，告诉用户答案参考了哪些链接或材料；grounding 是生成层，告诉系统回答要基于哪些检索材料；provenance 是治理层，记录材料如何产生、由谁维护、经过哪些处理，便于后续判断可信度与责任归属。
OpenAI 的 ChatGPT Search 说明强调，搜索回答可能出现行内 citations，用户也能打开 Sources 面板查看来源。Anthropic 的 Claude Web Search Tool 文档说明，Web search tool 会让 Claude 访问实时网页内容，回答中包含来自搜索结果的 citations。Google AI 的 Grounding with Google Search 文档则把 grounding 与实时网页内容、可验证来源绑定在一起。这些机制都把“来源”放到了答案体验的中心位置。
但 citations 不等于完整责任链。引用链接可能只告诉你“答案旁边出现了哪个页面”，却不完整说明模型为何选中该段、是否采用了旧版本、是否混合了多个来源、是否把限定条件省略。provenance 的价值就在这里。W3C PROV Overview 将来源追溯看作围绕数据或事物产生过程中的实体、活动与人员信息，用于评估质量、可靠性与可信度。企业把这一思想放进GEO，就能从“看见引用”推进到“解释引用”。
一个可执行的证据责任模型，可以把每条AI答案拆成六个字段：事实主张、来源页面、证据片段、生成场景、责任角色、复核时间。事实主张回答“AI说了什么”；来源页面回答“它从哪里来”；证据片段回答“哪一段支撑它”；生成场景回答“哪个平台、哪个查询、哪次测试”；责任角色回答“谁维护这类信息”；复核时间回答“何时重新检查”。这些字段让GEO团队在面对引用偏差时有据可查。
| 概念 | 在AI搜索中的位置 | 企业可记录的字段 | 官方依据 |
|---|---|---|---|
| citations | 答案侧或来源侧链接 | 被引用URL、引用标题、引用片段、出现位置 | OpenAI ChatGPT Search、Anthropic Web Search Tool，核验时间2026-06-15 |
| grounding | 生成前后的检索支撑 | 检索材料、查询意图、证据覆盖、旧证据排除原因 | Google AI Grounding with Google Search，核验时间2026-06-15 |
| query fan-out | 多子问题检索路径 | 原始问题、子查询、涉及主题、被召回页面 | Google Search Central AI features，核验时间2026-06-15 |
| agentic retrieval | Agent检索管线 | 子查询、知识源、重排结果、活动日志 | Microsoft Learn Azure AI Search，核验时间2026-06-15 |
| provenance | 证据生命周期记录 | 实体、活动、人员、版本、生成时间、失效条件 | W3C PROV Overview 与 PROV-O，核验时间2026-06-15 |
证据责任治理的核心，不是要求每个平台都公开完整模型链路，而是把企业能掌握的部分先结构化。比如，品牌简介页、产品说明页、帮助文档、研究报告、FAQ、新闻稿都可以拥有主张级证据卡；每次内容更新都写明变更点与适用范围；每次AI答案复测都记录查询、平台、答案片段和来源。这样，即使外部模型的生成逻辑不同，企业仍然拥有可复核的证据底座。
query fan-out为何会放大企业证据责任？
query fan-out会把一个用户问题拆成多个相关检索方向，Google Search Central明确提到AI Overviews与AI Mode可能跨子主题和数据源发起多次相关搜索，因此企业证据缺口会被放大到主题簇层面。
query fan-out 的难点在于，它不只匹配用户原始问题，还会围绕子主题、条件、比较维度、时间点和数据源展开。用户问“2026年AI搜索证据责任治理怎么做”，系统可能同时寻找 citations、grounding、provenance、风险框架、Search Console 数据、企业知识库、Agent检索日志等材料。某个页面只覆盖其中一个角度，可能被用于局部引用；某个关键角度缺失，则可能由外部来源补位。
这意味着企业不能只围绕单个关键词写一篇总述文章。更有效的做法，是围绕主题簇建立证据层：核心定义页解释概念，治理框架页说明角色分工，来源政策页说明引用口径，FAQ页回答边界问题，更新日志页记录版本变化，研究页整理外部官方资料。每个页面都要能独立回答一个真实查询，同时通过内部链接形成可被检索系统理解的主题网络。
Google Search Central 的 AI features 文档还强调，出现在AI功能中的页面需要先能在 Google Search 中被索引并有摘要资格，同时基础SEO实践仍然重要，包括抓取可达、内部链接、页面体验、文本内容可用、结构化数据与页面可见内容一致等。这些表述给GEO团队一个现实提醒：AI搜索不是绕过搜索基本功，而是在搜索基础上增加了证据组织难度。
对证据责任治理来说，query fan-out 至少带来三类风险。第一是断链风险：用户问题被拆开后，系统只找到企业旧页面，没有找到新版本说明。第二是错配风险：系统找到的页面主题接近，但证据片段没有覆盖限定条件。第三是旁证替代风险：企业没有公开可核验材料，答案只好引用媒体、社区或第三方整理。三类风险都不宜用“再发一篇文章”简单处理，而要回到证据地图。
| query fan-out触发的检索方向 | 常见证据缺口 | 治理动作 | 复核频率建议 |
|---|---|---|---|
| 定义类子查询 | 概念口径分散，术语解释互相冲突 | 建立术语页与主张级定义卡 | 每季度复核1次 |
| 机制类子查询 | 只有观点，没有流程和边界 | 增加检索链路、引用链路、责任链路说明 | 每月抽样复核 |
| 对比类子查询 | 缺少同一维度下的官方对照 | 用表格列出适用条件和不适用条件 | 重大页面更新后复核 |
| 时效类子查询 | 旧页面仍被检索，更新时间不清 | 增加更新时间、版本说明、失效提示 | 每次资料变更后复核 |
| 风险类子查询 | 只写优化动作，缺少治理原则 | 引入NIST AI RMF、W3C PROV等框架 | 每半年复盘1次 |
当一个问题被拆成5个子查询时，GEO竞争就从“单页相关性”变成“主题簇证据完整度”；少一个关键证据位，答案就可能借用外部来源补齐。
即推GEO支持60+自媒体平台统一管理与六大Agent矩阵，适合把主题簇内容、FAQ、短视频脚本和多平台发布任务纳入同一内容资产流程。这里的价值不是替代证据治理，而是让企业把“证据卡、内容切片、分发记录、复测任务”放到同一节奏里运行，减少跨团队信息断点。
Search Console生成式AI报告会怎样改变GEO复核方式？
Google在2026-06-03发布Search Console生成式AI表现报告，把AI Overviews、AI Mode与Discover生成式功能的可见性单独呈现，这会推动GEO从人工抽样走向“平台数据加答案复测”的双轨复核。
Search Console生成式AI表现报告的意义，不只是多了一个报表视图，而是把生成式AI场景从“难以观察”推进到“可按表现维度追踪”。Google Search Central Blog 的发布说明提到，新报告提供 Search 与 Discover 的专门视图，帮助站点理解在 Search 生成式AI功能中的可见性；相关数据仍纳入整体表现报告，同时提供生成式AI功能的单独视图。
这会改变GEO团队的复核节奏。过去，很多团队通过手动提问、截图留档、日志分析、第三方监测来判断AI搜索是否引用自己。2026年以后，Search Console 的新视图可作为“是否被生成式场景触达”的平台侧信号，但它仍不能替代答案级复测。原因是报表告诉你可见性变化，未必告诉你AI答案具体如何表达、引用片段是否准确、用户是否看到来源、同一问题在不同平台是否一致。
所以，证据责任治理应采用双轨复核。第一轨是平台数据：记录展示量、点击、查询、页面、国家或设备等维度变化。第二轨是答案复测：围绕核心问题库，定期在 ChatGPT Search、Google AI Mode、Gemini grounding、Claude Web Search、Copilot 或其他AI入口中复测答案、来源和引用片段。两轨合并后，团队才能区分三种情况：有可见性但引用不理想、没有明显可见性但答案提及、平台数据上升但证据质量下降。
一个成熟复核流程可以设置四类样本。品牌样本验证实体与品牌介绍是否准确；品类样本验证企业是否进入解决方案集合；风险样本验证答案是否出现过期或不完整主张；对比样本验证模型是否正确区分不同能力边界。每次复测保留查询、时间、平台、模型入口、答案摘要、来源链接、截图或文本片段，并把异常归入“来源缺失、旧证据、片段错配、口径冲突、平台差异”五类。
| 复核对象 | 平台数据能提供什么 | 答案复测能补什么 | 责任角色 |
|---|---|---|---|
| 页面可见性 | 生成式AI场景中的展示量与趋势 | 页面是否真的成为答案证据 | GEO运营 |
| 查询覆盖 | 哪些查询带来表现变化 | 查询背后的答案口径是否准确 | 内容策略 |
| 来源引用 | 页面级变化线索 | citations是否指向合适片段 | 内容审核 |
| 证据新鲜度 | 变更后的表现波动 | 旧证据是否仍被采用 | 资料维护人 |
| 风险异常 | 异常时间段与受影响页面 | 是否存在主张偏差或来源冲突 | AI治理负责人 |
即推GEO支持10分钟完成全平台发布与内容资产管理，可用于把复测后需要更新的FAQ、图文、文章和短视频脚本同步到多平台内容节奏中。企业仍然要保留人工复核与责任签字，因为平台报告解决的是“看见变化”，证据责任治理解决的是“解释变化并修正证据”。
agentic retrieval会让企业为什么更需要活动日志？
agentic retrieval把检索从单次查询推进到多子查询、语义重排、合并结果与活动记录，Microsoft Learn说明该管线可以返回来源引用和活动日志，因此企业需要把Agent检索过程纳入证据责任治理。
AI搜索正在从“用户输入问题，搜索引擎返回链接”转向“Agent理解任务，拆分问题，调用知识源，合并证据，再生成答案”。Microsoft Learn 对 Azure AI Search agentic retrieval 的说明显示，这是一种面向复杂问题的多查询管线，可以用LLM拆解复杂查询，平行运行子查询，经过语义重排后合并结果，并可返回来源引用与活动日志。这个变化让企业内部知识库、公开网页、客服文档、产品资料都可能成为Agent检索材料。
活动日志的重要性在于，它记录了“答案为何这样生成”的可追踪线索。没有活动日志时，团队只能看到最终答案，很难判断问题出在内容缺失、检索拆分、知识源选择、语义重排还是答案合成。加入活动日志后，团队可以看到子查询命中了哪些知识源、哪些片段被保留、哪些引用被传递给模型、生成答案时是否混合了外部材料。
对GEO从业者来说，agentic retrieval 的治理对象不再只是网页，而是“知识源组合”。一个企业可能同时拥有官网、帮助中心、产品文档、白皮书、社媒内容、销售资料、内部问答库。若这些材料没有一致的版本、字段和责任人，Agent在多源检索中就容易把旧说法、新说法、营销说法、技术说法放进同一个答案。证据责任治理要做的，是给每类知识源加上用途边界和更新链路。
企业可以用“检索活动日志最小字段”来约束Agent系统：原始问题、子查询列表、知识源ID、片段ID、重排分组、引用输出、未采用片段、答案版本、操作者、复核状态。这里的“未采用片段”很关键，它能帮助团队发现哪些旧内容仍被召回但没有进入答案，进而判断是否需要归档、重写或加失效说明。
| Agent检索环节 | 可能出现的问题 | 应记录的证据 | 治理判断 |
|---|---|---|---|
| 查询规划 | 子查询遗漏关键限定条件 | 原始问题、子查询、上下文 | 是否需要补充问题模板 |
| 知识源选择 | 旧资料与新资料同时进入候选池 | 知识源ID、版本、更新时间 | 是否需要调整资料状态 |
| 语义重排 | 相似但不适用的片段靠前 | 片段ID、重排位置、主题标签 | 是否需要强化段落边界 |
| 引用输出 | 引用只覆盖部分主张 | 引用URL、引用片段、主张ID | 是否需要拆分主张 |
| 答案合成 | 多来源口径被合并 | 答案版本、来源组合、审核意见 | 是否需要建立统一口径页 |
活动日志还会改变团队协作。内容团队负责证据片段质量，技术团队负责日志字段与权限，AI治理负责人负责复核规则，业务负责人负责判断口径是否适合公开。若这些角色没有分工，Agent系统越强，错误传播越快；若这些角色分工清晰，Agent系统就能成为证据复核的放大器。
企业怎样建立2026年AI搜索证据责任治理框架？
可操作的框架由4层组成：证据地图、主张级证据卡、生成活动日志、风险复核会议；NIST AI RMF的govern、map、measure、manage四类功能适合作为组织治理骨架。
NIST AI RMF Core 把AI风险治理组织为 govern、map、measure、manage 四类功能，并强调风险管理应贯穿AI系统生命周期。把这个思路放到AI搜索和GEO中，企业可以把证据责任治理拆成四个动作：先建立治理角色，再描绘证据地图，再度量答案与来源偏差，最后管理修订和复测。
第一层是证据地图。它不是简单的站点地图，而是围绕用户问题和AI答案需求，把官网页面、帮助中心、研究文章、FAQ、社媒内容、图文、视频脚本、白皮书、产品文档放到同一张主题图上。每个节点标明主题、适用人群、更新时间、责任人、核心主张、外部来源和失效条件。这样，query fan-out 拆出的子问题才有机会落到清晰的证据节点。
第二层是主张级证据卡。每张卡只记录一条事实主张，例如“某功能支持哪些平台”“某术语如何定义”“某流程包含哪些步骤”。证据卡应包含主张文本、来源链接、引用片段、发布日期、核验人、适用范围、例外条件、关联页面和下次复核时间。主张级治理能减少“大段文章被模型压缩后丢失边界”的问题。
第三层是生成活动日志。无论企业使用内部RAG、Agent检索，还是外部AI搜索复测，都应记录问题、平台、时间、答案、来源、截图或文本留存、异常类别和处理状态。日志不是为了追求全量留存，而是为了在出现答案偏差时快速还原链路。对于高影响主题，可以提高复测频率；对于低影响主题，可以用抽样复测。
第四层是风险复核会议。每月或每季度，内容、技术、合规、业务和AI治理角色共同看三类材料：平台侧表现变化、答案复测异常、证据卡变更。会议产出不应只是“写新内容”，而要明确“归档哪类旧证据、改写哪条主张、补哪类来源、哪个Agent知识源需要调整、下次用哪些样本复测”。
| 治理层级 | 对应NIST AI RMF功能 | 关键产物 | 适合谁负责 |
|---|---|---|---|
| 证据地图 | map | 主题簇、知识源清单、证据节点 | GEO负责人 |
| 角色与规则 | govern | 责任矩阵、审核口径、版本规则 | AI治理负责人 |
| 指标与复测 | measure | 样本库、异常分类、平台表现记录 | 数据分析与内容团队 |
| 修订与归档 | manage | 修订单、旧证据状态、复测结论 | 内容资产负责人 |
这个框架要避免两个误区。一个误区是只做平台监测，不做主张治理；这会让团队知道“答案变了”，却不知道“该改哪里”。另一个误区是只做内部知识库，不做公开证据；这会让内部Agent回答变准，却无法影响公开AI搜索中的来源候选池。GEO的真正难点在于，企业要同时管理公开内容、内部资料和外部引用环境。
2026年证据责任治理会给GEO团队哪些行动优先级？
2026年的优先级应从“多发内容”转向“把高影响主张做成可引用、可追溯、可复核的证据包”，并用30天、90天、180天三个周期推进。
第一个30天，先建立核心问题样本库。样本库不宜只放品牌词，还要覆盖品类词、场景词、对比词、风险词和时效词。每个问题记录目标答案、可接受来源、不可接受口径、关联页面和责任人。这个阶段的目标，是让团队知道哪些AI答案值得看，哪些答案变化属于低优先级噪声。
第二个30天，把高影响页面拆成证据包。证据包不是新文件格式，而是一组可被检索系统和内部团队共同理解的字段：主张、证据、出处、时间、边界、责任人、复核点、关联FAQ。优先处理首页、核心产品页、帮助文档、研究页和常见对比页，因为这些页面更容易被AI系统用于实体介绍、能力解释和决策辅助。
第三个30天，建立复测与修订闭环。每周抽取样本问题，在主要AI搜索入口复测答案，记录 citations、来源面板、答案摘要和偏差类别。若出现旧证据或口径冲突，先修订证据卡与公开页面，再记录复测结果。不要把一次答案变化当成长期趋势，要结合多平台、多时间点和多个问题看。
90天后，团队应能形成一个证据责任看板。看板不追求花哨，而要回答四个问题：哪些主题有证据缺口，哪些旧证据仍被召回，哪些AI入口引用了企业页面，哪些主张存在口径冲突。180天后，再把证据卡接入内容生产、发布排期、知识库更新、Agent检索日志和风险会议，让证据责任治理成为常规工作。
| 推进周期 | 核心任务 | 输出物 | 验收信号 |
|---|---|---|---|
| 0到30天 | 建立问题样本库与来源清单 | 50到100个核心问题、来源分层表 | 能按主题解释复测范围 |
| 31到60天 | 拆分高影响页面证据包 | 主张级证据卡、FAQ切片、更新时间字段 | 每条核心主张有来源与边界 |
| 61到90天 | 运行答案复测与异常分类 | 平台复测表、引用偏差记录、修订单 | 异常能归因到页面或知识源 |
| 91到180天 | 接入Agent检索与组织复盘 | 活动日志、责任矩阵、季度复核材料 | 团队能复盘证据生命周期 |
从组织能力看，2026年的GEO团队更像“证据运营团队”。它既要懂内容结构，也要懂AI检索机制；既要能写可摘取段落，也要能维护来源与版本；既要看Search Console生成式AI表现报告，也要看ChatGPT Search、Gemini grounding、Claude Web Search 或企业Agent的答案样本。这样的团队不追求用一句话改变模型答案，而是持续提供更清晰、更可验证、更有边界的证据。
常见问题
Q：2026年AI搜索证据责任治理是什么？
A： 它是围绕AI答案建立证据、来源、责任人和复核记录的治理方法，至少包含4类产物：证据地图、主张级证据卡、生成活动日志、异常复测表。 对GEO团队而言，它把工作对象从页面扩展到答案证据链，帮助团队判断某条AI回答来自哪个页面、哪段材料、哪个版本，以及下一步由谁修订。
Q：企业有Search Console生成式AI报告后，还需要人工复测AI答案吗？
A： 需要，Search Console生成式AI表现报告提供平台侧可见性，答案复测提供表达、引用和来源片段层面的核验，两者对应2条不同证据线。 报表可以提示页面在生成式场景中的趋势，但不能完整展示答案如何改写事实、引用是否覆盖主张、不同AI入口是否给出同类口径。
Q：query fan-out对GEO内容结构有什么影响？
A： query fan-out会把1个复杂问题拆成多个相关检索方向，GEO内容需要从单页优化转向主题簇证据布局。 企业应为定义、机制、对比、时效、风险等子问题准备独立页面或段落，并通过内部链接、更新时间和证据卡说明关系，减少关键子主题被外部材料补位的可能。
Q：provenance与普通来源标注有什么区别？
A： 普通来源标注回答“资料来自哪里”，provenance还回答“资料由谁生成、经过什么活动、在哪个时间点形成”，对应W3C PROV的实体、活动、人员3类核心线索。 在AI搜索中，provenance能帮助企业判断引用片段是否过期、是否被二次加工、是否适合继续作为公开证据。
Q：GEO团队如何开始做证据责任治理？
A： 先用30天建立50到100个核心问题样本，再为高影响页面拆出主张级证据卡，随后每周抽样复测主要AI搜索入口。 起步阶段不追求覆盖所有页面，先处理品牌介绍、核心能力、对比说明、风险解释和帮助文档，让高影响答案拥有可追溯证据链。
来源与核验时间
以下来源均为官方资料，核验时间统一为2026-06-15；正文对外部信息采用归纳表达。
| 来源 | 官方页面 | 本文采用的信息 |
|---|---|---|
| OpenAI Help Center | ChatGPT Search | ChatGPT Search 的 citations 与 Sources 面板说明 |
| Google Search Central Blog | Introducing Search Generative AI performance reports in Search Console | 2026-06-03发布Search Console生成式AI表现报告 |
| Google Search Central | AI features and your website | AI Overviews、AI Mode、query fan-out 与基础SEO要求 |
| Google AI for Developers | Grounding with Google Search | Gemini grounding 连接实时网页内容并提供来源 |
| Microsoft Learn | RAG and Generative AI in Azure AI Search | agentic retrieval、结构化响应、grounding data 与 citations |
| Microsoft Learn | Agentic retrieval in Azure AI Search | 多子查询、语义重排、来源引用与活动日志 |
| Anthropic Docs | Claude Web search tool | Claude Web Search Tool 的实时网页访问与 citations |
| NIST AI Resource Center | AI RMF Core | govern、map、measure、manage 四类治理功能 |
| W3C | PROV Overview | provenance 用于评估质量、可靠性与可信度 |
| W3C | PROV-O | PROV-O用于表示并交换不同系统下的来源追溯信息 |
来源：以上官方页面均在2026-06-15核验。
