代码语言

知识点思维导图

35 个知识节点

参考资料

RAG（15） - RAG 回答生成与引用来源

读完后，你应能完成以下任务：

绘制“RAG（21） - RAG 回答生成与引用来源 / grounding：答案必须长在资料上”的关键对象与数据流，解释“grounding 的意思是「把模型的回答锚定在检索到的资料上」，不许自由发挥。”，并用源码位置、日志或 Trace 标注证据。

为“RAG（21） - RAG 回答生成与引用来源 / citation：出处必须来自实际用到的资料”设计正常与异常输入，验证“citation（引用来源）是企业知识库的信任基础——用户能点开看「这答案出自《售后政策》第 X 条」，”，输出首个偏差位置与回归测试结果。

实现“RAG（21） - RAG 回答生成与引用来源 / 拒答：证据不足时老实说不知道”的最小代码或配置，检验“这是 RAG 可信度的底线，也最容易被忽略。”，输出命令、结果与 Diff，并说明不适用边界。

一句话目标：读完你能讲清回答生成这一步要保证哪三件事（grounding、citation、拒答），并能说出引用来源为什么必须从命中的 chunk 生成。

一、与进阶篇的分工

本篇保留为回答生成基础：重点讲 grounding、citation 和拒答。进阶项目请读 91《企业级知识库项目》，那里会把引用扩展到页码、表格、图片区域、音视频时间戳等多模态证据定位。

二、RAG 回答生成与引用来源的真实应用场景

检索把最相关的几段资料找出来了，接下来该模型回答了。这一步看着简单——把资料和问题一起丢给模型，让它答就行。但三个地方稍不注意就出事：

模型拿到资料，却没基于资料答，而是掺了自己「记忆」里的东西，甚至编。
答案给了，但用户不知道这话从哪来的，没法核实，企业不敢信。
检索其实没找到靠谱资料，模型却硬凑一个答案出来。

回答生成这一步的全部工作，就是把这三件事按住：基于资料答（grounding）、标明出处（citation）、证据不足就拒答。

三、grounding：答案必须长在资料上

grounding 的意思是「把模型的回答锚定在检索到的资料上」，不许自由发挥。实现上靠两手：

一是 prompt 里把话说死。给模型的指令大致是：

你是知识库助手。只能根据下面提供的资料回答，
资料里没有的内容不要编，不确定就说不知道。

【资料】
1. (来自 after-sale.md) 退货邮费由买家承担，质量问题导致的退货由卖家承担邮费。
2. (来自 after-sale.md) 商品签收后 7 天内可申请无理由退货。

【问题】退货邮费谁出？

二是只把检索到的资料放进去，不给模型额外发挥的空间。资料越聚焦，模型越不容易跑偏。 grounding 做得好，模型的回答就是对资料的转述和组织，而不是凭空创作。

四、citation：出处必须来自实际用到的资料

citation（引用来源）是企业知识库的信任基础——用户能点开看「这答案出自《售后政策》第 X 条」，才敢用。

关键原则：citation 必须从实际命中的 chunk 的元数据生成，不能让模型自己「报」一个来源。如果让模型自己说出处，它可能答的是 A 资料，却随口标了个 B 来源，甚至编一个不存在的文件名。正确做法是：检索时每个 chunk 都带着 source 元数据，回答时这些 source 直接就是 citation，和模型说什么无关。

这样才能保证「答案」和「来源」是绑定的，经得起核对。

五、拒答：证据不足时老实说不知道

这是 RAG 可信度的底线，也最容易被忽略。两种情况都要拒答：

检索完全为空：知识库里没有相关资料，直接说「没找到，无法回答」。
检索到了但证据太弱：最相关的那条得分也很低，说明只是蹭到几个字，并不真的回答问题。这时也该拒答，而不是拿弱证据硬凑。

两种拒答的话术最好分开，让用户（和你自己排查时）能区分「库里没有」和「库里有但不够」。

六、工程上真正会踩的坑（本篇独有）

让模型自报来源。模型会张冠李戴甚至编文件名。citation 只能从实际传入的 chunk 元数据生成，这是硬规矩。
prompt 里不强调「只能基于资料」。模型默认会调用自己的「知识」补充，结果资料和模型记忆混在一起，分不清哪句有据、哪句是编的。grounding 的指令必须写死。
没有弱证据拒答，只有空结果拒答。检索蹭到几个词、得分很低也算「命中」，模型就拿这点弱证据硬答。要设一个相关性阈值 min_score，低于它也拒答。
拒答阈值拍脑袋定。min_score 太高会把本该答的也拒了（误拒），太低又放进一堆弱证据。这个值要结合评测集调，不能凭感觉，这正是下一篇的事。

七、一句话面试答法

RAG 回答生成要保证什么？ 三件事：grounding——用 prompt 把模型锁死在检索到的资料上，不许自由发挥；citation——引用来源必须从实际命中的 chunk 元数据生成，不能让模型自报，否则会张冠李戴；拒答——检索为空或最高相关性低于阈值时，老实说不知道，绝不拿弱证据硬凑。能编造的知识库企业不敢用，所以拒答和引用比「答得漂亮」更重要。

八、动手实践：25 RAG 回答生成与引用来源

把检索结果变成有据可查、可拒答的回答，演示三件事合一：grounding（基于资料答）、citation（引用实际用到的 chunk）、拒答（无资料或证据弱时不硬凑）。

8.1 在线运行

直接使用本文“可运行源码”中的沙盒执行；源码、复制内容和实际运行入口保持一致。

零依赖，纯标准库。

8.2 预期输出

问：退货邮费谁出
回答：退货邮费由买家承担，质量问题导致的退货由卖家承担邮费。
   引用：[after-sale.md] 退货邮费由买家承担，质量问题导致的退货由卖家承担邮费。
   引用：[after-sale.md] 商品签收后 7 天内可申请无理由退货，需保持包装完整。
--------------------------------------------------------
问：邮费贵不贵
拒答：找到的资料相关性不足，不足以可靠回答，建议补充更明确的资料。
   引用：无
--------------------------------------------------------
问：你们门店在哪里
拒答：知识库里没有找到相关资料，无法回答这个问题。
   引用：无
--------------------------------------------------------

三条路径：第一问强命中，正常回答并带上来源；第二问只蹭到「邮费」一个片段，证据分低于阈值，拒答；第三问完全没资料，也拒答。两种拒答的文案不同——区分「没找到」和「找到了但不够可靠」。

8.3 代码↔概念对应

概念	在 main.py 哪里
检索 chunk（带来源）	`retrieve`
基于资料生成（grounding）	`generate_answer` 正常分支用 `hits[0]['text']`
citation 来自实际命中的 chunk	`generate_answer` 里 `citations`
无资料拒答	`generate_answer` 里 `if not hits`
弱证据拒答（分数阈值）	`generate_answer` 里 `hits[0]['score'] < min_score`

8.4 说明

真实项目里正常分支会把命中的 chunk 拼进 prompt 发给模型，让模型用自然语言基于资料作答； citation 仍然从实际传入的 chunk 元数据生成，不能让模型自己「编」一个来源。拒答阈值（min_score）需要结合评测集调，太高会误拒、太低会放进弱证据。这部分调优见下一篇 26。

8.5 可运行源码：RAG 回答生成与引用来源

下方代码就是在线沙盒实际执行的完整源码。

main.py

九、总结

grounding：答案必须长在资料上：grounding 的意思是「把模型的回答锚定在检索到的资料上」，不许自由发挥。
citation：出处必须来自实际用到的资料：citation（引用来源）是企业知识库的信任基础——用户能点开看「这答案出自《售后政策》第 X 条」，
拒答：证据不足时老实说不知道：这是 RAG 可信度的底线，也最容易被忽略。
工程上真正会踩的坑（本篇独有）：citation 只能从实际传入的 chunk 元数据生成，这是硬规矩。
一句话面试答法：citation——引用来源必须从实际命中的 chunk 元数据生成，不能让模型自报，否则会张冠李戴；