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
- 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。
- 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。
- 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。
- 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。
适用场景
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。
