RAG 是一条证据管线

const evidence = await retrieve(query, { topK: 12 });
const ranked = await rerank(query, evidence);
const answer = await generate({ query, context: ranked.slice(0, 4) });
return validateCitations(answer, ranked);

这是解释结构的代码骨架，外部函数与数据需要在实际项目中实现。

放进真实情境里看

知识库同时有 v1 与 v2 的发布说明。问题明确询问 v2，但语义相似度最高的片段来自旧版。直接交给模型会得到流畅却过期的答案。

1. 01

   检索前限定范围

   给每个片段保存文档 ID、版本、更新时间和章节；从问题中提取版本，先过滤，再做语义召回。

2. 02

   检查候选是否足够

   看候选覆盖的是问题的哪一部分。重排只改善候选顺序，无法找回召回阶段遗漏的证据。

3. 03

   把引用当作约束

   答案里的每个关键事实都要指向具体片段；验证引用是否存在、版本是否匹配、片段是否真正支持该句。