RAG 幻觉抑制与可验证引用：行级溯源链接与证据链防御工程

为什么“不可溯源的答案”在严肃业务中毫无价值

大语言模型最狡猾的特性在于其“充满自信地胡说八道”。如果一个 RAG 系统给出的答案看起来头头是道，但访客无法点击查看该结论究竟来自哪份文档的哪一行，那么该系统在法律、金融、医疗或严肃技术排障中就无法被信任。

构建真正可落地的知识库，必须建立端到端的可验证溯源链（Verifiable Citations Pipeline）。

字符级锚点与确定性证据注入协议

实现高精度溯源的工程支柱：

1. 分块元数据包含精准行号与哈希：切块时必须保留 { sourceUrl, startLine, endLine, contentHash }，并在注入 Prompt 时以固定格式标明；
2. 对抗性系统提示约束：强制要求模型“只能引用给定材料中的事实；当材料不足时明确说明没有找到站内证据；禁止编造 URL”；
3. 后置引用提取器 (Post-Processing Citation Parser)：利用正则表达式提取回答中的 [来源 X] 标记，与注入的证据清单进行交叉断言，若出现虚构编号则直接告警纠正。

引用断言解析校验实现

import assert from "node:assert/strict";
function checkCitation(text, maxSources) {
  const matches = [...text.matchAll(/\[来源\s*(\d+)\]/g)];
  return matches.every(m => Number(m[1]) <= maxSources);
}
assert.equal(checkCitation("参考 [来源 1]", 2), true);
assert.equal(checkCitation("参考 [来源 5]", 2), false);

原始资料与溯源链接

• Towards Verifiable Text Generation：可验证文本生成与行级证据链学术规范。