RAG 相对裸大模型的核心卖点，是「答案基于给定材料」。但用户点开很多系统的引用体验时会发现：编号和句子对不上、点开引用看不到对应内容、甚至答案里的关键论断找不到出处。引用如果只是答案末尾挂一串「来源：文档 1、文档 3」的装饰，它提供不了任何可信度——用户无法验证，错了无法追责，开发团队自己排查坏例时也无法定位。这篇讲引用体系的完整链路：从入库时的标识设计，到生成时的引用协议，到生成后的校验，最后是呈现层的产品考量。引用做得好，它是用户信任的地基和团队 debug 的雷达；做得不好，它是信任的毒药。
第一层：chunk 的稳定标识
引用体系的物理基础是每个片段拥有稳定、可回溯的标识。要求有三：入库时生成、永不复用（chunk id 一旦指向过某段内容，就永远指向那段内容，文档重建时块全新编号——宁可新 id 多，不可旧 id 换内容）；携带定位信息（文档名、章节路径、块序号，用户点开引用要能跳到「那一页那一段」）；进入组装上下文时随行（《上下文组装》代码里 [chunk_id] 正文 的格式就是为此——模型看到的每段材料都带着身份证，才可能在答案里引用它）。
一个工程细节值得强调：父子检索与多轮会话会考验 id 设计。父子检索返回的是父块，引用应指向父块的标识与定位（用户读的是完整段落）；多轮对话里「引用上一轮的第 2 条」（《多轮对话 RAG》的交互层），需要答案里的引用编号在会话内稳定可索引。id 体系在这些场景下的表现，决定了引用功能的上限。
第二层：生成协议——让模型「标着注」写答案
有了带 id 的材料，下一步是让模型在生成时同步标注引用。协议要点三条：句内标注优于文末罗列（「报销上限为年度工资的 8%[doc42#12]」优于结尾统一列来源——用户能逐句核对）；协议写进 system prompt 且给足示例（标注格式、哪些论断必须标注——数字、日期、政策条款、任何可验证陈述必须带；过渡句、总结句可不带）；允许模型输出「材料不足」（协议里明确：没有证据支撑的论断，标注 [无出处] 或直接不写——这与《拒答与校验》的 abstention 机制无缝衔接）。
用结构化输出能进一步收紧协议：让模型以 JSON 返回「答案 + 引用列表（论断 → chunk id 映射）」，前端自己把行内标注渲染出来。代价是输出解析的工程量与模型遵循度的波动；收益是引用数据结构化，可程序化校验。
第三层：后校验——引用也可以是编造的
生成协议解决「让模型标」，后校验解决「标得对不对」。模型的引用失灵有三种典型形态，各自要不同的检查：编造 id（引用了上下文里根本不存在的编号——纯幻觉，检查规则简单：引用列表 ∩ 上下文 chunk 集合 = 引用列表，差集即编造）；错配（id 存在，但论断内容与该 chunk 无关——「A 文档说 X」实际 X 在 B 文档，需要语义检查：论断句与其引用 chunk 的相关度，嵌入相似度粗筛、NLI 模型或 LLM judge 精查）；过度归纳（论断本身在 chunk 里有影子，但把「部分情况」写成了「普遍规则」——最难自动检测，靠评测集里的对抗样本兜）。
def verify_citations(answer, cited_map, ctx_chunks, embed, llm):
issues = []
for claim, cid in cited_map.items():
if cid not in ctx_chunks: # 一级：编造 id
issues.append(("fabricated", claim, cid)); continue
sim = embed(claim) @ embed(ctx_chunks[cid].text)
if sim < 0.5: # 二级粗筛：错配嫌疑
verdict = llm.json(f"论断是否被该材料支撑？\n论断：{claim}\n材料：{ctx_chunks[cid].text}")
if not verdict["supported"]:
issues.append(("mismatch", claim, cid))
return issues # 非空则触发重生成或降级为「低置信答案」
校验不通过怎么办：不要悄悄修——重新生成一次（把问题论断喂回去要求重写），二次仍失败就降级呈现：答案保留但标注「部分论断未找到出处」，或触发《拒答与校验》的流程。让带病答案「看起来很可信」地出街，比明确示弱更伤害信任。
流式输出下的引用处理
答案走流式（打字机）时，引用体系有两个额外的工程点。协议先行：流式场景下后校验来不及拦「编造引用」（答案已经逐字吐给用户了），防线要前移——生成协议在 system prompt 里收紧（每个数字必须带出处、不许引用材料外的编号），把编造率压低到「校验只是抽查兜底」的水平；对高敏场景，可以先整段生成、校验、再伪流式吐出（延迟换安全）。引用的延迟绑定：模型输出的是材料区编号 [3]，前端要把编号实时替换成可点击的引用组件（文档名 + 定位跳转）——替换逻辑在流式渲染层做增量匹配（编号出现在句末时就地渲染），不要等全文结束再统一替换（用户已经滚过去了）。流式不是引用体系的豁免区，只是把「生成后校验」部分换成「生成时约束 + 渲染时绑定」。
引用密度与阅读体验的平衡
协议层面还有一个产品化的权衡：不是每句话都该挂引用。逐句密集标注的答案读起来像论文综述，普通用户的阅读体验明显劣化。按「论断类型」分级标注是更优的解：硬事实必须标（数字、日期、金额、条款编号——这些是可验证性所在，也是幻觉高发区）；转述与概括可不标（「整体来看材料强调了三点」这类组织性语句）；每段末尾汇总标（该段依据的材料编号列表）替代逐句标——阅读流畅性与可验证性的折中。分级规则写进生成协议的 few-shot 示例里，评测集里加一组「引用密度」用例（硬事实漏标即失败）兜住下限。目标是用户想验证时一步能到，不想验证时不被打扰。
引用体系的成本账
引用体系的运行成本主要在校验层，量级要心里有数：编造检查是集合运算（零成本）；错配粗筛是每引用一次嵌入相似度（一批答案几十次点积，毫秒级）；LLM 裁判是每答案一次调用（按主模型小一档计，约占单次问答总成本的 5%～10%）。这个成本换的是「答案可信度的可审计性」——它不只是拦错误，更是给整个系统装上定位雷达：每个坏例都能下钻到「哪个论断、引了哪条材料、为什么错配」，检索层的改进由此有了精确的靶子。把校验层当成本中心看会心疼，当基础设施看就明白：它是全系统唯一能回答「错在哪」的组件。
第四层：呈现——引用是产品功能，不是脚注
前端呈现决定引用体系的价值兑现。三个级别由低到高：可查（引用列出文档名与位置，用户能自己去翻）；可跳（点引用直接展开对应 chunk 原文，高亮被支撑的句子——实现成本不高，体验提升立竿见影）；可对（答案句 hover 即显示支撑片段对照——句子级 attribution 的完整形态）。另一个容易被产品忽略的场景：「查看全部来源」。答案只引用了直接支撑句的 chunk，但用户常想看「这个结论的完整上下文」——从 chunk 回溯文档原文的入口要保留，这正好复用《父子检索》的父块定位。
引用的评测
引用体系要进评测集三类用例：编造率（答案引用列表中不存在于上下文的 id 占比——应为零，纯规则可判）；错配率（抽样人工判「论断-引用」对的支撑关系，或用裁判模型批量判——它是引用质量的主指标）；漏标率（答案中的硬事实——数字、日期、金额——未挂引用的占比，正则抽取硬事实再检查邻近引用即可程序化判定）。三个指标进回归门禁：引用相关的改动（协议模板、校验规则、渲染逻辑）必须三项不劣化才可合入。引用的评测不用等生成层评测齐备——它依赖的只是「答案加上下文」对，检索层评测跑完顺带就能算，是性价比最高的一组生成侧指标。
表格与结构化材料的引用
引用体系的边界 case 里，表格最值得单独立规。表格 chunk 的引用粒度是「整表」，但答案常常只依赖表中一两个单元格——用户点开引用看到整张表要自己找数字，体验打折。改良方案是引用带定位锚：表格 chunk 的元数据里存「行头列头」的索引结构，答案生成协议允许「表引用 + 行列提示」的复合标注（「年费标准[doc7#table3, 行:专业版]」），前端按锚高亮目标单元格。图片类材料同理（「见架构图[doc2#fig1]」）。另一个边界是跨文档综合的引用：答案综合了三份文档的结论（「A 方案成本 X、B 方案成本 Y」），每个数据点各自挂引用，而不是综合段落挂一个笼统的「综合自三份材料」——综合型答案的引用规则写进生成协议的 few-shot，是引用协议里最容易漏的一条。
小结
引用体系四层递进：标识层（chunk 稳定 id + 定位信息，是物理基础）、协议层（句内标注、数字必标、无据不写，是生成约束）、校验层（编造/错配/过度归纳三级检查，是质量闸门）、呈现层（可查可跳可对，是价值兑现）。它同时服务三个对象：用户获得可验证性、团队获得 debug 雷达（每个坏例都能定位到具体 chunk）、下游机制获得接口（《拒答与校验》拿 grounded 信号、《多轮对话 RAG》拿「上一轮证据」的锚点）。在 RAG 的所有可信度建设里，引用体系的投入产出比最高——它不减少错误，但让每一个错误都无所遁形。
参考资料
- 本系列前篇：《上下文组装》《父子检索》《拒答与校验》《多轮对话 RAG》《评测集构建》
- LangChain / LlamaIndex 的 Citation 示例 —— 引用型查询引擎的输出协议参考
- 提示：句子级支撑度校验可复用 reranker 模型做句-块相关性打分，不必引入新模型
读者留言
COMMENTS 暂无还没有留言，来说第一句？