引用溯源实战：让生成的每一句话都能点回原文

引用溯源实战：让生成的每一句话都能点回原文

RAG 答案的可信度建立在三个动作上：检索要准、生成要有据、用户能验证。前两个是机器的事，第三个是产品的事——答案旁边带 [1][2] 编号，点一下跳到原文那段，用户自己判断模型有没有编。这件事不做，RAG 在用户眼里永远是"一本正经地胡说八道"。这篇文章讲引用溯源的完整链路：编号怎么注入、答案格式怎么约定、前端怎么渲染、以及点击定位的工程细节。

一、引用溯源不是锦上添花，是信任机制

先看没有引用的答案和有的答案，用户体感差距：

无引用：
"合同的违约金比例是 5%，争议解决地在上海。"
用户：……真的吗？我去翻合同吧。（信任成本转移到人）

有引用：
"合同的违约金比例是 5%[1]，争议解决地在上海[2]。"
用户：点 [1] → 跳到合同第 3.2 条原文，确认。（信任闭环）

引用溯源解决三个层面的问题：用户验证（不用全信模型）、合规要求（金融/法律场景的硬性要求）、调试抓手（答错了能定位是检索问题还是生成问题）。企业 RAG 的验收标准里，"答案带引用"通常和"准确率"同级。

二、编号注入：context 的组织方式

溯源的第一步是给检索到的每个 chunk 一个稳定编号，编号跟着上下文走：

def build_cited_context(hits):
    parts = []
    citations = []          # 编号 → 原文映射，给前端用
    for i, h in enumerate(hits, 1):
        parts.append(f"[{i}] 来源：{h.source}（{h.metadata.get('section','')}）\n{h.text}")
        citations.append({
            "id": i,
            "source": h.source,
            "doc_id": h.doc_id,
            "page": h.metadata.get("page"),
            "url": h.metadata.get("url"),
            "text": h.text,
        })
    return "\n\n".join(parts), citations

生成的 context 长这样：

[1] 来源：采购合同_v3.pdf（第 3.2 条 违约责任）
任何一方违约，应支付合同总额 5% 的违约金……

[2] 来源：采购合同_v3.pdf（第 8.1 条 争议解决）
因本合同引起的争议，提交上海仲裁委员会……

编号规范：从 1 开始连续、按相关性排序（top_k 越靠前编号越小）、不超过 10 个（再多用户看不过来，上下文也浪费）。

三、生成阶段：引用格式的约束

模型不会自动引用——必须在 prompt 里强约束格式，这是整个链路的核心 prompt 工程：

你是一个严谨的问答助手。基于以下资料回答问题。

【回答规则】
1. 每个事实性论断句末必须标注来源编号，格式如：违约金比例是 5%[1]
2. 编号必须引用下面提供的资料段落，禁止编造编号
3. 资料里没有的信息，回答"资料中未提及"，不要用你自己的知识补充
4. 多个资料支持同一论断时，标注多个编号：[1][3]
5. 回答控制在 200 字以内，只回答问题本身

【资料】
{numbered_context}

【问题】
{question}

逐条说明为什么这么写：

1. "每个事实性论断"必须标注——不这么写，模型只给开头一句带引用，后面放飞；
2. 禁止编造编号——模型幻觉的重灾区，明确禁止 + 生成后校验（下一节）；
3. 没有就说没有——没有这条约束，模型会用训练知识"补全"答案，RAG 的意义就没了。"拒绝回答"是高质量 RAG 的标志，不是缺陷；
4. 多编号支持——交叉验证的论断标多个，用户能看出"两条资料都这么说"；
5. 长度限制——引用标注会拉长答案，限制长度防止引用稀释信息密度。

四、生成后校验：最后一道防线

prompt 约束不是 100% 可靠，引用编号要程序化校验：

import re

def validate_citations(answer: str, n_sources: int) -> dict:
    cited = set()
    for m in re.finditer(r"\[(\d+)\]", answer):
        cited.add(int(m.group(1)))
    invalid = cited - set(range(1, n_sources + 1))      # 编造的编号
    unused = set(range(1, n_sources + 1)) - cited        # 给了但没引用的资料
    return {
        "valid": len(invalid) == 0,
        "invalid_ids": sorted(invalid),
        "unused_ids": sorted(unused),
        "citation_count": len(cited),
    }

处理策略：校验失败（有编造编号）→ 重新生成（temperature 略降）或剔除无效引用标记；连续失败 → 降级为"无引用模式 + 声明生成可能不准确"。

更强校验（引用-支撑关系核对）：不只是编号存在，还要核对"这句话的内容真的出自那段资料"——用小模型/规则做句对段的匹配。成本高，只用于高风险场景（法律、医疗、金融答案的入库审查批处理），实时问答用编号存在性校验就够。

五、前端渲染：从文本到可点击

后端给前端的不是纯文本，是结构化数据：

{
  "answer": "违约金比例是 5%[1]，争议解决地为上海[2]。",
  "citations": [
    {"id": 1, "doc_title": "采购合同_v3.pdf", "page": 7,
     "section": "3.2 违约责任", "url": "/docs/doc_123?page=7#sec-3.2",
     "snippet": "任何一方违约，应支付合同总额 5% 的违约金……"},
    {"id": 2, "doc_title": "采购合同_v3.pdf", "page": 12,
     "section": "8.1 争议解决", "url": "/docs/doc_123?page=12#sec-8.1",
     "snippet": "因本合同引起的争议，提交上海仲裁委员会……"}
  ]
}

前端渲染三件套：

1. 答案里的编号变角标链接：[1] → 可点击的上标，hover 显示来源摘要（snippet 前 80 字）；
2. 点击行为分两级：hover 显示摘要浮层（轻量预览），点击弹出抽屉展示完整原文段（全文 + 高亮关键句）；
3. 答案末尾附来源列表：“参考来源：[1] 采购合同_v3.pdf P7 · 3.2 违约责任”——给用户"这个答案有据可查"的整体感知。

移动端注意：角标 + 浮层 + 抽屉三级交互要简化成两级（点击直接弹底部 sheet），小屏放不下 hover 这种交互。

六、点击定位的工程细节

“[1] 点进去跳到原文”——跳转的精准度决定体验：

1. 页码级定位：metadata 里有 page 就跳 PDF 对应页（url?page=7），PDF.js 预览器直接定位；
2. 锚点级定位：解析时记了 section/chunk 的 DOM 锚点（#sec-3.2），HTML 类文档（Confluence 导入的）直接滚到那段；
3. 关键词高亮：抽屉里打开原文时，用 chunk 里的关键词高亮——用户一眼看到"模型说的就是这段"；
4. 降级处理：原文已被删除/无权限 → 抽屉显示"原文已下线，以下为检索时快照"（chunk 文本本身还在，至少给看快照）。

快照归档：引用指向的 chunk 文本要随答案存档（答案生成那一刻的原文快照）——原文档后续更新了，答案和它的引用必须还是配套的。用"现在的原文"验证"过去的答案"，会得到"模型当时引错了"的假象。

七、常见问题与解法

八、落地检查清单

• context 编号化：每个 chunk 连续编号 + 来源标注；
• prompt 五规则：逐句标注、禁止编造编号、没信息就说没有、多编号、限长；
• 生成后校验：编号存在性必查，句段支撑核对（高风险场景）；
• 结构化输出：answer + citations[] 分离，citations 带 snippet/url/page；
• 前端三级交互：角标 → hover 摘要 → 点击抽屉全文 + 高亮；
• 定位精度：锚点级优先，页码级兜底，快照保底；
• 答案快照归档（answer + citation 的 chunk 快照绑定）；
• 引用质量指标进监控：引用率（带引用的论断占比）、编号有效率。

九、小结

引用溯源的五句话：

• 编号跟着上下文走：chunk 从检索那刻起就有身份，答案和引用是一起生成的，不是后补的；
• prompt 五规则是核心：逐句标注、禁编编号、没信息就说没有、多编号支持、限长——引用质量八成取决于这段 prompt；
• 程序化校验兜底：编号存在性必查，高风险场景做句段支撑核对，防的是模型幻觉；
• 点击定位三层降级：锚点 → 页码 → 快照，任何一层失败用户都能看到东西；
• 快照归档防"穿越"：原文更新后，旧答案的引用仍指向当时的 chunk 快照——否则每次文档更新都在制造假幻觉。

下一篇讲引用约束生成：怎么让模型"句句有据"，把幻觉率再压一个量级。