参考资料

• Elasticsearch Aliases
• Milvus Manage Collections
• OWASP Vector and Embedding Weaknesses

RAG（23） - RAG 数据生命周期、权限与可复现发布

读完后，你应能完成以下任务：

• 绘制“RAG（29） - RAG 数据生命周期、权限与可复现发布 / 给每个产物可追溯身份”的关键对象与数据流，解释“文档记录至少包含 document_id、source_uri、source_version、content_hash、tenant_id 和 ACL。”，并用源码位置、日志或 Trace 标注证据。
• 为“RAG（29） - RAG 数据生命周期、权限与可复现发布 / 更新与删除链路”设计正常与异常输入，验证“源删除必须传播到正文、Chunk、向量、倒排索引和缓存。”，输出首个偏差位置与回归测试结果。
• 实现“RAG（29） - RAG 数据生命周期、权限与可复现发布 / 权限必须做两次”的最小代码或配置，检验“ACL 更新应触发增量重建或权限字段更新，并清理包含旧结果的查询缓存。”，输出命令、结果与 Diff，并说明不适用边界。

RAG 的生产难点不是第一次建库，而是源文档变化后，正文、Chunk、Embedding、索引、权限和引用仍保持同一版本。

核心知识清单

• 数据源身份、版本、校验和与同步游标
• Parser、Chunker 与 Embedding 版本
• 文档、Chunk、向量和倒排索引的一致性
• tenant_id、ACL 与后端再次授权
• 双写、影子索引、Alias 切换与回滚
• 删除传播、Embedding 兼容与可复现记录

一、先建立全局：RAG 数据生命周期、权限与可复现发布 是什么？

理解“RAG 数据生命周期、权限与可复现发布”，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。

“RAG 数据生命周期、权限与可复现发布”的第一个核心判断是：文档记录至少包含 document_id、source_uri、source_version、content_hash、tenant_id 和 ACL。。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	给每个产物可追溯身份	文档记录至少包含 document_id、source_uri、source_version、content_hash、tenant_id 和 ACL。
2	更新与删除链路	源删除必须传播到正文、Chunk、向量、倒排索引和缓存。
3	权限必须做两次	ACL 更新应触发增量重建或权限字段更新，并清理包含旧结果的查询缓存。
4	发布与回滚	影子索引通过文档数、Chunk 数、失败率、Recall@K、权限用例和引用回链验收后，
5	数据源身份、版本、校验和与同步游标	RAG 的生产难点不是第一次建库，而是源文档变化后，正文、Chunk、Embedding、索引、权限和引用仍保持同一版本。
6	Parser、Chunker 与 Embedding 版本	RAG 的生产难点不是第一次建库，而是源文档变化后，正文、Chunk、Embedding、索引、权限和引用仍保持同一版本。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["给每个产物可追溯身份"] --> S2
  S2["更新与删除链路"] --> S3
  S3["权限必须做两次"] --> S4
  S4["发布与回滚"] --> S5
  S5["数据源身份、版本、校验和与同步游标"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“RAG 数据生命周期、权限与可复现发布”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“RAG 数据生命周期、权限与可复现发布”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、给每个产物可追溯身份

文档记录至少包含 document_id、source_uri、source_version、content_hash、tenant_id 和 ACL。 Chunk 再携带 chunk_id、页码或标题路径、Parser 版本、Chunker 版本和正文偏移。 向量记录还要保存 Embedding 模型、维度与归一化方式。

只有这些字段齐全， 线上错误才能回答“这条引用来自哪个源版本、由哪套规则切分、使用哪个模型向量化”。

三、更新与删除链路

flowchart LR
  A["源文档变更"] --> B["计算版本与内容哈希"]
  B --> C["解析和分块"]
  C --> D["生成新向量"]
  D --> E["写入影子索引"]
  E --> F["检索与权限回归"]
  F --> G["Alias 原子切换"]
  G --> H["延迟清理旧版本"]

源删除必须传播到正文、Chunk、向量、倒排索引和缓存。 先写墓碑记录， 再按 document_id + source_version 删除， 最后通过反向查询确认没有残留。 不要只删数据库行而留下仍可被召回的向量。

四、权限必须做两次

检索阶段用 tenant_id 与 ACL 过滤，减少越权候选； 结果返回前，后端依据当前身份再次授权，防止索引权限滞后。 ACL 更新应触发增量重建或权限字段更新，并清理包含旧结果的查询缓存。

五、发布与回滚

Parser、Chunker 或 Embedding 变更通常不兼容， 应写入新索引而非原地覆盖。 影子索引通过文档数、Chunk 数、失败率、Recall@K、权限用例和引用回链验收后， 再切换 Alias。 旧索引保留一个回滚窗口，且查询 Trace 记录所用索引版本。

六、动手验证：先跑通 RAG 数据生命周期、权限与可复现发布，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“RAG 数据生命周期、权限与可复现发布”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。

6.1 基线与候选只允许一个变量不同

验证“RAG 数据生命周期、权限与可复现发布”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“RAG 数据生命周期、权限与可复现发布”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

6.2 执行前先排除不可比较条件

“RAG 数据生命周期、权限与可复现发布”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“RAG 数据生命周期、权限与可复现发布”的当前环境重复运行。
• 候选只改变一个与“RAG 数据生命周期、权限与可复现发布”结论直接相关的条件。
• “RAG 数据生命周期、权限与可复现发布”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。
• “RAG 数据生命周期、权限与可复现发布”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

6.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“RAG 数据生命周期、权限与可复现发布”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

“RAG 数据生命周期、权限与可复现发布”的一次合格基线对照按以下顺序执行：

1. 保存“RAG 数据生命周期、权限与可复现发布”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“RAG 数据生命周期、权限与可复现发布”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“RAG 数据生命周期、权限与可复现发布”：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“RAG 数据生命周期、权限与可复现发布”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“RAG 数据生命周期、权限与可复现发布”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“RAG 数据生命周期、权限与可复现发布”未通过，不修改第二个变量，先恢复基线并保留失败现场。

七、用一张矩阵验证 RAG 数据生命周期、权限与可复现发布 的关键结论

矩阵按正文顺序列出“RAG 数据生命周期、权限与可复现发布”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
给每个产物可追溯身份	文档记录至少包含 document_id、source_uri、source_version、content_hash、tenant_id 和 ACL。	只改变与“给每个产物可追溯身份”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
更新与删除链路	源删除必须传播到正文、Chunk、向量、倒排索引和缓存。	只改变与“更新与删除链路”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
权限必须做两次	ACL 更新应触发增量重建或权限字段更新，并清理包含旧结果的查询缓存。	只改变与“权限必须做两次”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
发布与回滚	影子索引通过文档数、Chunk 数、失败率、Recall@K、权限用例和引用回链验收后，	只改变与“发布与回滚”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
数据源身份、版本、校验和与同步游标	RAG 的生产难点不是第一次建库，而是源文档变化后，正文、Chunk、Embedding、索引、权限和引用仍保持同一版本。	只改变与“数据源身份、版本、校验和与同步游标”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
Parser、Chunker 与 Embedding 版本	RAG 的生产难点不是第一次建库，而是源文档变化后，正文、Chunk、Embedding、索引、权限和引用仍保持同一版本。	只改变与“Parser、Chunker 与 Embedding 版本”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

7.1 记录本次实际实验

下面的记录用于“RAG 数据生命周期、权限与可复现发布”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: "RAG 数据生命周期、权限与可复现发布"
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

7.2 边界实验必须证明能够停止和恢复

成功路径只能证明“RAG 数据生命周期、权限与可复现发布”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“RAG 数据生命周期、权限与可复现发布”，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。

“RAG 数据生命周期、权限与可复现发布”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”。

八、RAG 数据生命周期、权限与可复现发布 的结果解释

解释“RAG 数据生命周期、权限与可复现发布”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

“RAG 数据生命周期、权限与可复现发布”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“RAG 数据生命周期、权限与可复现发布”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。

“RAG 数据生命周期、权限与可复现发布”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。

九、RAG 数据生命周期、权限与可复现发布 的发布判断

发布判断需要把“RAG 数据生命周期、权限与可复现发布”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。

• “RAG 数据生命周期、权限与可复现发布”的基线与候选只存在一个计划内变量。
• “RAG 数据生命周期、权限与可复现发布”的输入、代码、依赖、配置和数据版本可以追溯。
• “RAG 数据生命周期、权限与可复现发布”的正常、临界、失败和恢复样本使用同一套断言。
• “RAG 数据生命周期、权限与可复现发布”的原始输出、中间状态和失败现场已经保留。
• “RAG 数据生命周期、权限与可复现发布”的日志、Trace、截图和测试数据已经脱敏。
• “RAG 数据生命周期、权限与可复现发布”的停止条件、负责人和回滚入口已经演练。
• “RAG 数据生命周期、权限与可复现发布”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“RAG 数据生命周期、权限与可复现发布”的判断，就不能发布。

十、总结

• 给每个产物可追溯身份：文档记录至少包含 document_id、source_uri、source_version、content_hash、tenant_id 和 ACL。
• 更新与删除链路：源删除必须传播到正文、Chunk、向量、倒排索引和缓存。
• 权限必须做两次：ACL 更新应触发增量重建或权限字段更新，并清理包含旧结果的查询缓存。
• 发布与回滚：影子索引通过文档数、Chunk 数、失败率、Recall@K、权限用例和引用回链验收后，再切换 Alias。