智能体会一本正经地说错话,最危险的不是说错,而是错得看不出来——没有出处、无法核对,用户只能选择信或全盘疑。回答溯源(citation / grounding)就是给智能体的每个关键结论挂上可点击的来源,让用户能一键跳回原文验证。它不能消除幻觉,但能把幻觉从「看不见」变成「一眼可查」。本文给出智能体回答溯源的工程化打法:溯源的最小单元怎么定、怎么让模型只基于检索内容作答、引用怎么渲染、检索不到时怎么诚实兜底。这是 RAG 与智能体结合 落地时最容易漏掉、却最影响信任的一环。
溯源的最小单元:不是文档,是片段
很多团队把引用做成「本文来自《产品手册》」,等于没做——用户点开一本几十页的文档,根本找不到那句话。有效的溯源单元是检索时命中的那个片段(chunk):文档 ID 、章节标题、页码或段落位置,能唯一定位到原文。这要求检索阶段就保留元数据,而不是只把文本塞给模型。切分策略直接决定引用质量:块太大,引用模糊;块太小,语义断裂。常见做法是三五百字一块、按标题或语义边界切,并让相邻块有少量重叠。具体来说,这套元数据设计依赖 RAG 文档切分 时打下的基础——切分和元数据留得对,溯源才能落到可点击的具体位置。
让模型锚定检索内容,而不是自由发挥
有引用不等于有根据。模型可能挂着一段真实引用,却说出段子里没有的结论——这叫「引用错配」,比不引用更有迷惑性。约束方法有三层:提示词层明确要求「只使用给定片段中的信息作答,每个事实后标注对应片段编号,片段里没有的就说不知道」;工具层让检索结果带编号进入上下文,模型只能引用出现过的编号;校验层在输出后做一次程序核对——去掉引用后的陈述能否在所引片段里找到依据,找不到就标记为待核。第三层最容易被忽略,却是挡住错配的关键。把这套约束和 智能体评测 结合起来,用一批已知答案的问题定期测「引用准确率」,才能持续知道系统有没有退化。
渲染层:把引用做成可点击的编号
引用最终要让用户用得上。常见形式是在句末标上上标编号,点击展开来源卡片,显示文档标题、片段摘要和跳转链接。几个细节决定体验:编号要和检索片段一一对应,不能重号跳号;展开的摘要要截取真正支撑这句话的那一段,而不是片段开头;外链要能打开到具体位置(锚点或页码),别只丢个首页。对没有外部链接的内部知识库,至少给出文档路径和更新时间,让人知道信息的新旧。别把引用堆成脚注墙——一段话挂三四个来源反而让人疲劳,只标最关键的那一两个,其余收进「更多来源」折叠区更清爽。
- 定单元:以检索命中的片段为溯源单位,切块时保留文档 ID 、标题、页码等元数据,确保能唯一定位原文。
- 带编号检索:让检索结果带编号进入模型上下文,提示词要求只基于这些片段作答、每个事实标注对应编号。
- 程序校验:输出后核对每个引用编号是否存在、陈述能否在对应片段找到依据,错配就标记待核或重答。
- 渲染引用:句末上标编号配可展开的来源卡片,显示标题、支撑片段摘要和能跳到具体位置的链接。
- 诚实兜底:检索不到或依据不足时明说不知道,并给出建议补充的资料方向,禁止编造出处。
检索不到时:诚实兜底比编造出处强得多
溯源的真正考验出现在知识库里没有答案的时候。此时模型最危险的行为是「找一个看起来相关的片段硬套上」,因为知识库里确实有这段,用户一查却发现答非所问。正确做法是在提示词和校验层都设下硬规则:若检索片段与问题不匹配,直接回答「现有资料无法回答」,并说明缺哪类信息、建议补充什么文档,而不是给一个带引用的似是而非的答案。宁可返回一个诚实的空答案,也不要一个错配的漂亮答案——前者让用户去补资料,后者让用户误以为已经得到结论。把「不知道」当成一等公民来设计,是溯源系统成熟度的分水岭。
衡量效果:盯住引用准确率而不是回答篇幅
上了溯源之后,别只看回答看起来更长更专业,要盯三个指标:引用覆盖率(关键事实中有多少带了引用)、引用准确率(引用是否真的支撑对应陈述)、可跳转率(来源链接能否打开到具体位置)。其中引用准确率最关键,靠人工抽检或构造已知答案的测试集定期测。把这三项纳入常规评测,和回答正确性一起看,才能发现「答案对但引用错配」这类隐蔽退化。长期看,溯源带来的最大收益不是技术指标的提升,而是用户敢用——当每个结论都能点回原文,智能体才从「一个会说话的盒子」变成可信赖的工作伙伴。
常见问题
有引用就说明答案可靠吗?
引用应该指向整篇文档还是具体片段?
知识库里没有答案时怎么办?
怎么衡量溯源做得好不好?










评论 (0)