答案要能追溯到出处
RAG 最危险的失败不是"没找到"，而是找到了东西、答得也流畅、但内容是编的。
前一种用户知道系统不行，后一种用户会当真。而后者恰恰不会触发任何报错——HTTP 200、有引用、语气确定，人一眼看不出问题。
防住它靠两件事：每句话都能追溯，以及没依据时必须说不知道。
1. 为什么"有引用"不等于"没编"
一个常见的误解是：答案后面挂了引用链接，就是有依据的。
不是。模型可能引用了正确的文档，但用那段文档推导出文档里没有的结论。形式上引用在，实质上内容是补的。这类错误在人工抽检时最容易被放过——评审看到引用存在就点通过了。
所以判定的单位不是"整条答案"，而是答案里的每一句断言。
2. 逐句溯源怎么测
标准做法（也是 RAGAS 一类框架的 faithfulness 指标所做的事）是两步：
第一步，把答案拆成断言。 一段回答通常能拆出若干条可独立判定的陈述。"这款产品在欧洲支持三年保修，但电池只保一年"是两条断言，不是一条。
第二步，逐条去上下文里比对。 每条断言要么能在送进去的切片里找到出处，要么找不到。
得分就是"有出处的断言数 / 总断言数"。这个指标的意义在于它把"编了多少"量化了，而不是笼统地说"答案对不对"。
相关的指标分层在《RAG 评测指标怎么选》里讲得更细——faithfulness 属于生成层，和检索层的 Recall@K 分开看，才知道该动哪一段。
2.1 用小模型做判定，但要抽样人工复核
逐句判定要跑很多次，通常用较小的模型当裁判。代价是裁判本身有偏差（位置偏差、长度偏差、对同族模型输出的偏好），所以必须定期抽样人工复核，看机器分和人工判的一致性。
一致性下降时，第一件事是换裁判，而不是调阈值。
3. 拒答：必须显式允许
这是最容易被漏掉、也最容易在生产上出事的一条。
如果不明确告诉模型"信息不足时说不知道"，它会用训练数据里的知识把坑填上。填出来的东西看起来合理，语气确定，而且会被当成事实往下传。
所以系统提示词里必须写清楚失败行为：
只依据编号 [1]~[5] 的内容回答。
每一句结论后面用 [n] 标注出处编号。
内容中没有的信息，直接说"根据现有资料无法回答"，并说明缺少哪方面的资料。
不要根据常识补充，不要推测。
三条要素缺一不可：限定依据范围、要求标注出处、明确拒答的说法。
3.1 拒答也要有质量
"我不知道"四个字不是合格的拒答。好的拒答要说清楚三件事：
- 缺的是什么（"现有资料只覆盖到 2025 年的政策"）
- 用户下一步能做什么（"建议咨询人工客服"）
- 已知的部分（"能确认的是……，不确定的是……"）
最后一条尤其重要：把确定的和不确定的分开说，比一句"不知道"有用得多。这也正好对应《RAG 链路与失败模式》里提到的——把"没找到"和"找到了但用错"分开处理。
4. 引用怎么展示
前端侧的几个具体要求：
引用要精确到切片，不要精确到文档。 标"来自用户手册"等于没标——手册两百页，用户没法验证。要能落到具体的章节或段落。
引用要可点开。 用户点击后能看到原文片段，最好能高亮与答案相关的那几句。这一步做不了，溯源就只是装饰。
引用编号和上下文顺序对应。 如果为了让模型更好用而把切片重排过，编号要跟着排，否则用户点 [3] 看到的可能是另一段。
部分无出处要显式标记。 如果一句断言找不到出处，有两个出口：删掉这句重答一次，或者保留但在界面上标为"未经资料确认"。混在带引用的句子里一起展示，就是把风险转嫁给用户。
全部无出处要拒答，不是逐句打标。 如果整条答案里没有任何一句能找到出处，说明这次检索根本没提供可用依据——这时候正确的出口是拒答并说明缺什么，而不是给每一句都挂上"未经资料确认"。后者形式上很严谨，实际上是把一条完全没有依据的答案原样递给了用户。
三种结果对应三个出口，判定的顺序是"先看有没有全部命中，再看部分命中的怎么处理"——这一步必须在生成之后、展示之前完成，不能留给用户自己去分辨。
5. 拒答率本身是个指标
上线之后要盯拒答率，它会告诉你很多事：
拒答率突然升高 —— 多半是检索坏了（召回掉了）、或者索引没同步（新文档还没进库）。这是上游问题，不是模型变保守了。
拒答率持续为零 —— 更可疑。说明系统什么都在答，通常意味着拒答的约束没生效，或者模型在硬编。
拒答率高但用户满意度不低 —— 正常，说明用户接受"不知道"，这比硬答更可信。
把拒答率、faithfulness、用户反馈（点"没帮助"、转人工）放在一起看，才能区分"检索问题""生成问题"和"语料本身就没有答案"这三种情况。
6. 一句话的判断标准
随便抽一条线上回答，问：答案里的每一句话，能不能立刻定位到它的出处？
找得到，溯源做对了。找不到但答案看起来很顺，那就是最危险的那种失败——它现在没被发现，不代表它没在发生。