参考资料

• LangChain Retrieval
• Milvus 文档

RAG（01） - 安全文件读取 Tool：从 Demo 到可审计数据入口

读完后，你应能：

• 能验证“让模型“读取文件”并不难，难点是让它只能读取当前用户有权访问的文件，而且每次访问都能追踪”，并保存输入、输出与失败样本。
• 能验证“生产系统不能把任意路径直接交给 open()：路径穿越、符号链接、超大文件和敏感后缀都可能把一个演示 Tool 变成数据泄露入口”，并保存输入、输出与失败样本。
• 能验证“文件读取链路应把模型视为不可信调用方”，并保存输入、输出与失败样本。

让模型“读取文件”并不难，难点是让它只能读取当前用户有权访问的文件，而且每次访问都能追踪。生产系统不能把任意路径直接交给 open()：路径穿越、符号链接、超大文件和敏感后缀都可能把一个演示 Tool 变成数据泄露入口。

一、先建立全局：安全文件读取 Tool：从 Demo 到可审计数据入口 是什么？

理解“安全文件读取 Tool：从 Demo 到可审计数据入口”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“安全文件读取 Tool：从 Demo 到可审计数据入口”的第一个核心判断是：模型只负责提交 document_id，服务端负责解析真实路径、检查租户和 ACL、限制文件类型与大小、记录审计事件。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	Why：Tool 是权限边界，不只是模型能力	模型只负责提交 document_id，服务端负责解析真实路径、检查租户和 ACL、限制文件类型与大小、记录审计事件。
2	How：实现一个可运行的安全读取器	调用时，可信的 UserContext 必须来自鉴权中间件，绝不能让模型或浏览器自行提交 allowed_document_ids。
3	进入 RAG 前的数据契约	读取结果不应只返回一段字符串。
4	What：验收与常见坑	用 ../secret、绝对路径、软链接和非法字符攻击 Tool，必须在读取前失败。
5	结论	安全文件 Tool 的核心不是 read_text()，而是可信身份、服务端 ID 映射、读取前授权、资源限制和审计。
6	让模型“读取文件”并不难	让模型“读取文件”并不难，难点是让它只能读取当前用户有权访问的文件，而且每次访问都能追踪。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["Why：Tool 是权限边界，不只是模型能力"] --> S2
  S2["How：实现一个可运行的安全读取器"] --> S3
  S3["进入 RAG 前的数据契约"] --> S4
  S4["What：验收与常见坑"] --> S5
  S5["结论"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“安全文件读取 Tool：从 Demo 到可审计数据入口”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“安全文件读取 Tool：从 Demo 到可审计数据入口”的对象和顺序已经明确后，再看可观察的失败：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、Why：Tool 是权限边界，不只是模型能力

文件读取链路应把模型视为不可信调用方。模型只负责提交 document_id，服务端负责解析真实路径、检查租户和 ACL、限制文件类型与大小、记录审计事件。不要允许模型传绝对路径，也不要把“模型不会乱传参数”当安全策略。

flowchart LR
    U[用户与身份令牌] --> A[Agent]
    A -->|document_id| T[File Tool]
    T --> P[租户与 ACL 校验]
    P --> R[安全路径解析]
    R --> L[大小与类型限制]
    L --> X[解析和脱敏]
    X --> C[Chunk 与来源元数据]
    T --> O[审计日志]

三、How：实现一个可运行的安全读取器

3.1 环境依赖

# requirements.txt
pydantic>=2,<3

Python 3.10+ 示例只读取配置目录内的 UTF-8 文本文件。真实系统还要把 allowed_document_ids 换成数据库或权限服务查询，并把审计事件发送到不可篡改日志。

调用时，可信的 UserContext 必须来自鉴权中间件，绝不能让模型或浏览器自行提交 allowed_document_ids。

四、进入 RAG 前的数据契约

读取结果不应只返回一段字符串。后续解析和切分至少保留：document_id、tenant_id、document_version、source_uri、mime_type、acl_groups、content_hash。Chunk 继承这些字段，ES 与 VectorDB 才能在检索阶段下推权限条件。

五、What：验收与常见坑

• 用 ../secret、绝对路径、软链接和非法字符攻击 Tool，必须在读取前失败。
• 无权限文档无论存在与否都返回同一类错误，日志中记录 trace_id，响应中不暴露路径。
• PDF、Office、图片不能在问答进程里直接解析；进入异步沙箱，设置页数、CPU、内存和超时上限。
• 日志只记文档 ID、权限判定和内容哈希，不记录原文、密钥或用户隐私。
• 重复读取可按 tenant + document_id + version + parser_version 缓存，权限摘要必须进入缓存键。

六、结论

安全文件 Tool 的核心不是 read_text()，而是可信身份、服务端 ID 映射、读取前授权、资源限制和审计。完成这层后，解析、Chunk、Embedding 和检索才有可靠的数据入口。

七、动手验证：先跑通 安全文件读取 Tool：从 Demo 到可审计数据入口，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“安全文件读取 Tool：从 Demo 到可审计数据入口”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

7.1 基线与候选只允许一个变量不同

验证“安全文件读取 Tool：从 Demo 到可审计数据入口”时，先固定标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“安全文件读取 Tool：从 Demo 到可审计数据入口”时，动作是：依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成。原始结果不能只保留截图或汇总分数，必须同步保存：原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
通过阈值	正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料
立即停止	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论

7.2 执行前先排除不可比较条件

“安全文件读取 Tool：从 Demo 到可审计数据入口”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“安全文件读取 Tool：从 Demo 到可审计数据入口”的当前环境重复运行。
• 候选只改变一个与“安全文件读取 Tool：从 Demo 到可审计数据入口”结论直接相关的条件。
• “安全文件读取 Tool：从 Demo 到可审计数据入口”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “安全文件读取 Tool：从 Demo 到可审计数据入口”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

7.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“安全文件读取 Tool：从 Demo 到可审计数据入口”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份
过程可回放	依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成
结果可审计	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace

“安全文件读取 Tool：从 Demo 到可审计数据入口”的一次合格基线对照按以下顺序执行：

1. 保存“安全文件读取 Tool：从 Demo 到可审计数据入口”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“安全文件读取 Tool：从 Demo 到可审计数据入口”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“安全文件读取 Tool：从 Demo 到可审计数据入口”：依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成。
4. 为“安全文件读取 Tool：从 Demo 到可审计数据入口”保存：原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace。
5. 使用“安全文件读取 Tool：从 Demo 到可审计数据入口”预登记条件判断：正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料。
6. 如果“安全文件读取 Tool：从 Demo 到可审计数据入口”未通过，不修改第二个变量，先恢复基线并保留失败现场。

八、用一张矩阵验证 安全文件读取 Tool：从 Demo 到可审计数据入口 的关键结论

矩阵按正文顺序列出“安全文件读取 Tool：从 Demo 到可审计数据入口”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
Why：Tool 是权限边界，不只是模型能力	模型只负责提交 document_id，服务端负责解析真实路径、检查租户和 ACL、限制文件类型与大小、记录审计事件。	只改变与“Why：Tool 是权限边界，不只是模型能力”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
How：实现一个可运行的安全读取器	调用时，可信的 UserContext 必须来自鉴权中间件，绝不能让模型或浏览器自行提交 allowed_document_ids。	只改变与“How：实现一个可运行的安全读取器”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
进入 RAG 前的数据契约	读取结果不应只返回一段字符串。	只改变与“进入 RAG 前的数据契约”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
What：验收与常见坑	用 ../secret、绝对路径、软链接和非法字符攻击 Tool，必须在读取前失败。	只改变与“What：验收与常见坑”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
结论	安全文件 Tool 的核心不是 read_text()，而是可信身份、服务端 ID 映射、读取前授权、资源限制和审计。	只改变与“结论”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
让模型“读取文件”并不难	让模型“读取文件”并不难，难点是让它只能读取当前用户有权访问的文件，而且每次访问都能追踪。	只改变与“让模型“读取文件”并不难”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace

8.1 记录本次实际实验

下面的记录用于“安全文件读取 Tool：从 Demo 到可审计数据入口”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "安全文件读取 Tool：从 Demo 到可审计数据入口"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成"
evidence: "原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace"
pass_when: "正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料"
stop_when: "解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

8.2 边界实验必须证明能够停止和恢复

成功路径只能证明“安全文件读取 Tool：从 Demo 到可审计数据入口”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace	正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“安全文件读取 Tool：从 Demo 到可审计数据入口”，第一步是：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“安全文件读取 Tool：从 Demo 到可审计数据入口”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

九、安全文件读取 Tool：从 Demo 到可审计数据入口 的结果解释

解释“安全文件读取 Tool：从 Demo 到可审计数据入口”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	先执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链
异常链路无法恢复	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	先执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“安全文件读取 Tool：从 Demo 到可审计数据入口”只有同时满足“正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料”，并且没有出现“解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“安全文件读取 Tool：从 Demo 到可审计数据入口”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“安全文件读取 Tool：从 Demo 到可审计数据入口”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

十、安全文件读取 Tool：从 Demo 到可审计数据入口 的发布判断

发布判断需要把“安全文件读取 Tool：从 Demo 到可审计数据入口”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “安全文件读取 Tool：从 Demo 到可审计数据入口”的基线与候选只存在一个计划内变量。
• “安全文件读取 Tool：从 Demo 到可审计数据入口”的输入、代码、依赖、配置和数据版本可以追溯。
• “安全文件读取 Tool：从 Demo 到可审计数据入口”的正常、临界、失败和恢复样本使用同一套断言。
• “安全文件读取 Tool：从 Demo 到可审计数据入口”的原始输出、中间状态和失败现场已经保留。
• “安全文件读取 Tool：从 Demo 到可审计数据入口”的日志、Trace、截图和测试数据已经脱敏。
• “安全文件读取 Tool：从 Demo 到可审计数据入口”的停止条件、负责人和回滚入口已经演练。
• “安全文件读取 Tool：从 Demo 到可审计数据入口”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“安全文件读取 Tool：从 Demo 到可审计数据入口”的判断，就不能发布。

十一、总结

• Why：Tool 是权限边界，不只是模型能力：模型只负责提交 document_id，服务端负责解析真实路径、检查租户和 ACL、限制文件类型与大小、记录审计事件。
• How：实现一个可运行的安全读取器：调用时，可信的 UserContext 必须来自鉴权中间件，绝不能让模型或浏览器自行提交 allowed_document_ids。
• 进入 RAG 前的数据契约：读取结果不应只返回一段字符串。
• What：验收与常见坑：用 ../secret、绝对路径、软链接和非法字符攻击 Tool，必须在读取前失败。
• 结论：安全文件 Tool 的核心不是 read_text()，而是可信身份、服务端 ID 映射、读取前授权、资源限制和审计。
• 环境依赖：调用时，可信的 UserContext 必须来自鉴权中间件，绝不能让模型或浏览器自行提交 allowed_document_ids。