RAG-03重排组装-Citation-Packing-RAG

本文属于 RAG 工程框架中的「3 重排与证据组装」环节，聚焦「Citation Packing（引用组装）」方法。可先阅读 RAG-00.方法概述再进入本篇。

原理

把答案拆分为声明（claim），为每个声明绑定最小证据片段，保证可追溯与可审计。

关键技术/实现路径

claim 切分与证据匹配。
一句一证据或多句一证据策略。
引用冲突检测与去重。

优缺点

优点：提升可信度和可审计性。
缺点：实现复杂度提升。

性能与资源

中等开销，适合高可信场景。

应用场景

合规问答、法律和医疗知识助手。

统一合成数据示例

输入数据片段

{
  "answer_claims": ["机票上限2000元", "30天内提交"],
  "evidence_pool": [
    {"doc_id": "D01", "span_id": "span1", "text": "机票报销上限 2000 元"},
    {"doc_id": "D01", "span_id": "span2", "text": "需在出差结束后 30 天内提交"}
  ]
}

中间结果（claim–证据最小对齐）

[
  {"claim": "机票上限2000元", "matched_span": "span1", "overlap_score": 0.98},
  {"claim": "30天内提交", "matched_span": "span2", "overlap_score": 0.95}
]

最终生成示例（含引用）

1	{"answer":"机票上限2000元，需30天内提交。","citations":[{"doc_id":"D01","evidence_span":"span1"},{"doc_id":"D01","evidence_span":"span2"}]}

原始发表与工程实现

代表性原始发表：Attributed QA 系列。
核心解决问题：解决答案与证据绑定。
成熟实现工具：LlamaIndex CitationQueryEngine, Haystack。

详细原理拆解

claim-evidence 绑定，提升 citation precision 与答案可审计性。
典型实现可拆为：输入预处理 -> 方法核心计算 -> 候选/证据构建 -> 生成与引用。
工程调优重点：质量（准确率/引用率）与成本（时延/token）的联合优化。

flowchart LR
  In[输入 Query 与知识] --> Core[方法核心计算]
  Core --> Rank[匹配/路由/排序]
  Rank --> Build[证据组装]
  Build --> Out[答案与引用]

工程落地扩展示例

伪代码

def citation_pack(draft_answer, evidence_spans, aligner):
    claims = split_claims(draft_answer)
    packed = []
    for c in claims:
        span = aligner.best_match(c, evidence_spans)  # 每句绑定最小证据
        packed.append({"claim": c, "cite": span.id})
    assert_no_unsupported_claims(packed)
    return packed

参数示例

claim_splitter: sentence_or_llm
aligner: cosine_or_entailment
min_support_score: 0.85
on_missing: regenerate_or_abstain

常见失败案例

失败模式 1：一句 claim 合并两个事实，只能绑一条证据，审计仍不可信。
失败模式 2：对齐阈值过低，错误 span 被引用为支持。
失败模式 3：证据池来自多个版本制度，span 与 claim 版本不一致。

Demo 数据带入计算示例

1
2

c1「上限2000」↔ span1 重叠 0.98；c2「30天内」↔ span2 重叠 0.95。
citation precision = 支持 claim 数/总 claim = 2/2=1.0；若 c3 无 span 则 precision 下降，应触发拒答或重写。