RAG 的价值在于把回答绑定到可追溯资料,而不是让模型记住更多内容。检索前的权限过滤和回答后的引用检查同样重要。
核心概念
文档、版本、租户和访问标签应贯穿导入、索引、检索和答案。上下文拼装要保留来源 id,零结果时应明确说明没有找到资料,而不是补写事实。
可运行示例
from dataclasses import dataclass
@dataclass(frozen=True)
class Snippet:
doc_id: str
text: str
roles: frozenset[str]
def authorized(snippet: Snippet, role: str) -> bool:
return role in snippet.roles
snippets = [Snippet('policy-1', '退款需要订单号', frozenset({'support'}))]
context = [item.text for item in snippets if authorized(item, 'support')]
操作步骤
- 定义文档 id、版本、来源和访问标签。
- 先做租户和角色过滤,再执行向量或关键词检索。
- 为每个片段保留来源 id、标题和位置,输出时强制引用。
- 测试无结果、过期文档、越权角色和提示注入。
適用情境
适合产品手册、内部制度、客服知识库和有权限边界的资料问答。
常见问题
检索命中就代表答案正确吗? 不代表,还要检查来源是否支持结论。
能把所有文档都放进 prompt 吗? 应按相关性、权限和上下文预算裁剪。
官方参考
OpenAI Retrieval guide;OWASP LLM Top 10。
最后核对日期:2026-11-16。版本、接口和安全边界以链接的官方资料为准;本文不虚构性能或费用结论。
