Human Rights Education AI
一個使命，兩次構建：先是 CMHR Upstander chatbot，後是引用 UN/OHCHR 文件後才作答的獨立 Agent。
平台以主題格開場 — 基礎權利、兒童權利、原住民權利等九項。背後是一個真實語料庫:25 份 UN 與 OHCHR 文件、682,925 字 — UDHR、ICCPR、CEDAW、UNDRIP 等 — 經切塊、向量化、建立索引,每間閱讀室由自己專屬的 ChromaDB collection 支撐。
每個答案都帶一行來源,點名它引用的具體文件,附逐源相關度分數。語料庫撐不起的答案,系統會直說 — 檢索質量不足是被偵測出來的,不是被無視的。
請它比較言論自由與表達自由,比較器跨文件作答 — 對比在行內點名來源,附信心分數與工具徽章,依據的是語料庫,而非模型的記憶。
常駐的程度選擇器 — 初階、中階、進階 — 改變的不只是語氣,而是答案契約:不同的字數預算(約 150–250 / 250–400 / 400–600)、不同的詞彙假設,每級以 few-shot 例子校準。
「2024 年諾貝爾和平獎得主是誰?」不在任何 UN 條約裡。Agent 先規劃、識別出這是時事,轉用即時網絡搜尋而非語料庫 — 答案標明所用工具與信心分數。
每條回覆都攜帶產出它的工具鏈、信心百分比、來源區塊,以及可展開的推理軌跡 — 規劃、工具決定、執行。用戶永遠不必憑信心接受答案;這正是博物館當初對 AI 的疑慮,在下一個版本得到正面回答。
教育規劃器把一句指令變成結構化教案 — 目標、活動、UDHR 條文引用、歷史脈絡、關鍵概念 — 按你指定的受眾構建,由高中生起步。
在人權議題上,「自信地答錯」是最致命的失效。按檔名引用、信心分數與可檢視的推理,讓每個答案都可以核對。
在一個好奇的高中生與幾十萬字法律文本之間,原本只有一個搜尋框。閱讀室、程度切換與教案,把語料庫變成學生真正用得上的東西。
系統偵測到館藏不夠用時會升級到網絡搜尋 — 或者直說撐不起這個答案,而不是即興發揮。