AI Solutions · 深度解读
RAG 知识库：答案锚定于来源，绝不臆造
我们构建只从已验证来源作答的知识库：混合检索、文档锚定、可追溯引用、幻觉控制以及对答案质量的持续评估。当来源不足时，系统会直接声明，而非臆造。
知识库 · 有据检索
输入 · 用户提问
产出 · 可引用、可核验的答案
权威来源摄取与切分
将源文档规范化并切分为按内容类型确定大小的连贯片段，为每个片段附上来源元数据——标题、章节、日期、权限——这些成为引用与访问控制的基础：若摄取不洁净，下游的一切都在引用空气。
混合检索（关键词 + 语义）
将捕捉产品代码、专有名词和精确稀有术语的关键词检索（BM25）与捕捉改述和概念的语义向量检索相结合，按排名融合（RRF）两组结果，以找回任何一方单独都找不到的内容。
候选短名单重排序
交叉编码器重排器仅对最佳候选的狭窄短名单重新排序，将问题与段落一并评分而非分开评分，增加一道精确阶段——它之所以保持准确，正是因为只作用于少数片段而非整个索引。
带引用的有据生成
模型只从短名单顶部作答，并为每个论断引用来源，于是每句话都可追溯到某个文档、某个版本与某个章节，而非沉回训练记忆。
事实依据与相关性校验 / 拒答
交付前，一道锚定与相关性检查将答案与所检索的段落比对：低于阈值时，系统弃答、重新检索或移交给人，因为诚实的「不在来源里」比貌似可信的臆造更有价值。
答案质量评估与时效保障
忠实度、上下文相关性、答案相关性、引用准确性与索引新鲜度被持续衡量，因为单一分数会掩盖问题所在，而可靠的库必须在文档与权限变化之际始终保持诚实。
知识库臆造的征兆
若一个助手的自信没有锚定到来源，那么它再自信也一文不值。这些是我们介入之前所看到的症状。
- 自信却错误。 系统以权威口吻断言任何内部文档中都不存在的内容：这是锚定缺失，而非笔误。
- 没有可核验的引用。 用户无法将一句话追溯到其来源，因此既不能信任也无法纠正；每个答案都是黑箱。
- 把过时内容当作最新。 上周更新的政策尚未进入索引，系统仍以同样的自信引用旧版本。
- 边界泄露。 用户收到了在源系统中本无权查看的文档片段。
- 越界问题毫无制动。 当来源不足时，模型以臆造填补空白，而不是声明自己不知道。
面向管理 关键文档、支持、合规或内部知识 的团队，他们在客户或审计员面前承担不起一个臆造的答案。
先检索，后生成
放任自流的生成式模型只会预测看似合理的文本。RAG 知识库颠倒了顺序：先从你的来源中检索证据，再强制模型只在该证据范围内作答。
检索增强生成（RAG）
在作答前，系统在文档中搜索相关段落并作为上下文交给模型，并指示其只从那里作答。模型不再借助训练记忆，而是借助你的权威来源。
锚定 ≠ 正确
锚定检验的是答案是否忠于所检索的文本，而非是否绝对为真。若检索取出了错误片段，高锚定分数只意味着模型忠实地重复了错误——因此检索与评估必须当作两个独立的问题来对待。
真相来源，而非副本
索引并不取代你的源系统，而是反映它们。当文档在源头发生变化时，索引必须随之变化，否则知识库会自信地谎报今天的真相。
弃答是一项功能，而非缺陷
可靠的知识库懂得说「这不在来源里」。诚实的弃答胜过臆造的答案：企业价值在于不出错，而非有问必答。
从来源到带引用的答案
每一层都在收窄模型被允许说的内容。流水线不是单一模型：它是一条控制链，每一环都有可衡量的职责。
文档被规范化并切分为连贯片段，按内容类型确定大小：政策的切分方式与规格表不同。每个片段都附带来源元数据——标题、章节、日期、权限——这些成为引用与访问控制的基础。
关键词检索（BM25）捕捉产品代码、专有名词和精确的稀有术语；语义向量检索捕捉改述与概念。两组结果按排名融合（RRF），找回任何一方单独都找不到的内容。
交叉编码器重排器将问题与段落一并评分而非分开评分，从而对少数最佳候选排序。这是作用于短名单而非整个索引的第二道精确阶段——因此它既准确又不慢。
模型只从短名单顶部作答，并为每个论断引用来源。交付前，一道锚定与相关性检查将答案与段落比对：低于阈值时，系统弃答或重新检索，而不发布。
从来源到带引用的答案只需毫秒，且每个论断都可追溯到某个段落。
区分可靠库与貌似可信库的指标
知识库要按彼此独立的维度来评判，因为单一分数会掩盖问题所在。这些是我们持续监控的杠杆。
| 维度 | 检验什么 | 为何重要 |
|---|---|---|
| Faithfulness（忠实度） | 答案中的每个论断都由所检索的段落支撑 | 对幻觉的直接制动：无来源，无论断 |
| 上下文相关性 | 所检索的段落确实与问题相关 | 衡量检索：若检索差，即便忠实的答案也忠于了错误 |
| 答案相关性 | 答案确实回应了所提问题，不跑题 | 把切题与笼统正确但无用的内容区分开 |
| 引用准确性 | 每条引用都指向真正支撑该句的段落 | 使答案可核验：用户回溯到来源并核对 |
| Freshness（新鲜度） | 索引反映源文档的当前状态 | 陈旧的索引会产出今天自信却错误的答案 |
我们在生产中始终运行的控制
构建流水线只是一半的工作。另一半是随着文档、权限和问题的变化，让它长期保持诚实。
检索内部的访问控制
权限是搜索时作用于元数据的过滤器：用户在源头无权查看的文档绝不会出现在结果中。安全边界随数据一同流动。
增量索引
当某个来源变化时，只重新处理已变化的部分，并以稳定标识符更新索引。没有全量重建，也没有让库以旧版本作答的窗口。
弃答阈值
低于锚定或相关性阈值时，答案不会发出：系统声明自己不知道、重新检索，或移交给人。范围规则是明确的，而非听天由命。
溯源与真相来源
每个答案都带着其论断的来源——哪个文档、哪个版本、哪个章节——本着 C2PA 等开放内容溯源标准的精神：一个论断的历史可核验。
可靠的知识库不是有问必答的那一个——而是在不该作答时不作答的那一个。
团队在我们开始之前会问的问题
RAG 能彻底消除幻觉吗？
不能，要警惕任何作此承诺的人。它通过把每个答案锚定到真实来源而大幅减少幻觉，锚定检查加弃答阈值会在不被支撑的答案发出之前将其拦下。目标是可核验的答案，而非一种信仰之举。
当答案不在文档中时会怎样？
系统会直接声明。我们与你一起定义范围规则：明确弃答、重新检索，或升级转交给人。诚实的「不在来源里」胜过貌似可信的臆造。
答案如何保持最新？
通过增量索引：当文档在源头变化时，索引只更新变化的部分，无需全量重建。新鲜度是我们监控的一项指标，而非偶发事件。
案例笔记
从问题到结果——已匿名。
保单被引用，而非凭空想象
问题 支持助手在条款与保额上自信作答，却援引了已被取代的保单版本，坐席也无从将一句话追溯到其来源。
方法 带版本与章节元数据的真相来源摄取、对合同条款的混合检索、为每个条款引用的锚定生成，以及当段落不支撑答案时的弃答阈值。
结果 每个答案都带着其文档、版本与章节；当信息不在来源里时，系统会直接声明而非臆造，坐席可在与客户对话前先行核验。
无边界泄露的规格表
问题 内部知识库向不同部门的工程师返回了受限文档的片段，而他们在源系统中本无权查看。
方法 将访问控制作为检索时作用于元数据的过滤器——安全边界随数据一同流动——并辅以按内容类型的分块，使规格表的切分方式不同于流程文件。
结果 用户在源头无权查看的文档绝不会出现在结果中；答案保持被引用且可核验，而不暴露边界之外的材料。
更新到正确周次的流程
问题 临床流程经常变动，但按计划重建的索引会留下窗口，使系统以与当前版本同样的自信引用旧版本。
方法 采用带稳定标识符的增量索引，只重新处理在源头变化的部分，并将新鲜度与忠实度、引用准确性一道作为持续监控的指标。
结果 没有全量重建，也没有偏移窗口：索引反映文档的当前状态，答案不再今天自信却错误。
继续深入