RAG 引用定位如何把 chunk ID 传回最终回答

我在做 RAG 问答时最容易踩的坑，不是“检索不到”，而是检索到了以后，回答里的引用无法回到原片段。解决办法是把 chunk_id 当成证据主键：检索层返回它，模型只负责选择它，应用层再把它映射成标题、页码和原文位置。这样即使答案改写了，引用仍然可追溯。

不要让模型直接生成来源 URL。让它返回检索上下文中已经存在的 chunk_id，并在服务端做一次白名单校验。

• 片段身份：document_id + 稳定的 chunk_id。
• 回答格式：answer 与 citations 分开。
• 回填原则：无效 ID 不展示，缺失位置就标记待复核。

先把 chunk ID 设计成稳定的证据主键

我第一次实现时用检索结果数组下标当引用编号，重新排序或换 embedding 后，旧回答就指向了错误片段。更稳妥的记录至少包含下面几个字段：document_id 表示文档版本，chunk_id 表示片段，source_title 和 chunk_text 负责展示。

retrieved = [
    {
        "document_id": "handbook-v3",
        "chunk_id": "handbook-v3:c0012",
        "source_title": "部署手册",
        "chunk_text": "回滚前先保留上一版本的配置快照。",
    }
]
# 注释：chunk_id 不使用临时数组下标，重排结果后仍能定位原片段。
index = {item["chunk_id"]: item for item in retrieved}

如果文档会重新切片，建议把版本写进 document_id，不要复用旧片段 ID。引用要能回答“来自哪份文档、哪一块内容”，而不是只回答“排在结果数组第几位”。

把带 ID 的证据上下文交给模型

检索结果不要直接拼成一段没有边界的长文本。可以给每个片段加上稳定标记，并明确告诉模型：只能引用这些标记。OpenAI 的 Responses API 支持调用 file search，也可以通过 include 请求检索结果；如果业务需要自己的 chunk_id，仍应在自建检索层或工具返回值中保留这个字段。

evidence = "\n\n".join(
    f"[chunk_id={item['chunk_id']}]\n{item['chunk_text']}"
    for item in retrieved
)
# 注释：提示词只允许引用本轮证据中的 ID，避免模型凭空创造链接。
instruction = f"只根据证据回答；引用必须来自已有 chunk_id。\n{evidence}"

官方参考：https://developers.openai.com/api/reference/overview

让最终回答返回可校验的 citations

不要只要求模型在自然语言里写“参考资料：……”。更好的是让结果包含两个字段：answer 是读者看到的正文，citations 是数组，每项只放 chunk_id 和可选的证据说明。若使用结构化输出或函数调用，应用层先解析 JSON，再检查引用是否存在于本轮检索结果。

payload = {
    "answer": "回滚前应保留上一版本配置快照。",
    "citations": [{"chunk_id": "handbook-v3:c0012", "claim": "回滚前保留配置快照"}],
}
# 注释：服务端白名单校验后才把标题、页码等展示字段补回去。
valid_citations = [
    {**citation, "source_title": index[citation["chunk_id"]]["source_title"]}
    for citation in payload.get("citations", [])
    if citation.get("chunk_id") in index
]

这里的取舍很明确：模型适合判断“哪一片证据支持这句话”，不适合决定数据库里的公开 URL、页码或权限。那些字段应从 index 或文档元数据服务回填。

什么时候该选内置引用，什么时候保留自定义 ID

我的经验是：平台内置引用适合快速验证链路，自定义 chunk_id 适合正式产品。两者可以并存，但不要把“模型输出了一个看起来像 URL 的字符串”当成引用成功。

常见问题

chunk_id 要不要直接用数据库自增 ID？ 可以，但最好再带上文档版本或租户边界，避免不同知识库之间发生碰撞。

模型返回了不存在的 chunk_id 怎么办？ 丢弃这条引用并记录待复核，不要为了让页面有引用而自动拼接未知链接。

为什么有 ID 仍然定位不准？ 重点检查切片版本、重排后的检索快照和权限过滤；引用校验只能保证“指向存在的片段”，不能替代召回和排序质量。