← Back to learning path

This chapter has not been reviewed in English; the original Simplified Chinese is shown.

Chapter · Published

RAG 查询改写与拒答:先保证证据,再优化表达 (original language)

用受限查询改写和证据阈值处理口语问题、无结果和不确定回答。

Source: knowledge/p27/rag-engineering/tutorials/rag-query-rewriting-and-abstention.mdRAG knowledge engineering
Chapter progress 0%Learning path progress 0% · 0/10 chapters completedContinue learning path →

RAG 失败时,继续让模型生成通常只会把缺少证据伪装成流畅答案。查询改写应保持原意和权限边界;检索结果不足时,要明确拒答或请求补充范围。

核心概念

把原问题、改写问题和检索过滤条件分开记录。改写只能补充同义词、实体和时间范围,不能新增用户未授权的租户或文档范围。生成前检查 top-k 分数、来源数量和版本一致性。

可运行示例

def should_answer(scores: list[float], min_score: float = 0.72, min_sources: int = 2) -> bool:
    usable = [score for score in scores if score >= min_score]
    return len(usable) >= min_sources

assert should_answer([0.91, 0.78])
assert not should_answer([0.69, 0.65])

操作步骤

  1. 保存原问题和授权过滤器,再生成不超过固定长度的查询改写。
  2. 对改写词做实体和权限校验,拒绝模型生成的越权过滤条件。
  3. 合并关键词与向量召回后记录来源 id、版本和分数,不直接把全文写入日志。
  4. 按证据阈值选择回答、请求澄清或拒答,并把失败样本加入回归集。

Use cases

适合企业手册、产品支持和多语言知识库;实时交易数据应使用专门查询接口而非静态 RAG。

常见问题

分数阈值可以固定吗? 先用标注集建立基线,再按业务风险调整。

无结果时能扩大权限范围吗? 不能,权限过滤器必须保持不变。

查询改写会不会丢失原意? 保存原问题并对实体、时间和否定词做回归测试。

延伸阅读

官方参考

OpenAI Retrieval;OpenAI Evals。

最后核对日期:2026-11-17。涉及版本、接口、模型行为和价格的结论以链接中的官方资料为准;本文不把一次本地运行结果表述为通用性能结论。

Product Hub Demo · V0.3