{
  "slug": "rag-evidence-chain",
  "category": "知识与检索",
  "title": "RAG 能让回答有据可查吗？从检索命中到事实支持的证据链",
  "dek": "结合 RAG、DPR 与长上下文研究，拆解“找到了”“读到了”“引用了”和“被支持”之间的差别。",
  "english": "Retrieval improves access to external information but does not guarantee factual support. This review separates retrieval, context use, attribution, and claim-level verification.",
  "refs": [
    "rag",
    "dpr",
    "middle"
  ],
  "sections": [
    [
      "摘要",
      "检索增强生成把外部文档引入回答过程，让知识更新与来源追踪有了更直接的接口。但一个系统检索到相关段落，并不保证生成的每项判断都得到段落支持。本文将证据链拆成召回、排序、上下文利用、生成与逐项核对，说明应如何阅读经典结果，以及如何避免把链接数量当成事实质量。",
      [
        "rag",
        "dpr"
      ]
    ],
    [
      "1. 参数记忆与外部文档如何分工",
      "Lewis 等人的 RAG 研究把生成模型与可检索的非参数文档存储结合。RAG-Sequence 和 RAG-Token 对检索文档如何参与生成采用不同建模方式。这个机制允许模型利用外部文本，但检索库的内容、覆盖范围和版本仍决定可用证据的边界；模型并不会因接入检索而自动获得完整世界知识。",
      [
        "rag"
      ]
    ],
    [
      "2. DPR 优化的是检索环节",
      "DPR 用双编码器将问题与段落表示为向量，并按相似度寻找候选文本。它使检索不只依赖字面匹配，但向量相近也可能只是主题接近。系统仍需区分：段落提到了同一个实体，还是确实回答了同一问题；内容在语义上相关，还是在时间、地区与条件上适用。",
      [
        "dpr"
      ]
    ],
    [
      "3. 怎样诚实地重绘论文结果",
      "RAG 原文表 1 的 Natural Questions 测试中，DPR、RAG-Token、RAG-Sequence 的 exact match 分别为 41.5、44.1、44.5。图 2 按这些公开数值重绘，纵轴从零开始。它是同一论文表格内对所列系统的历史比较；训练与组件差异同时存在，因此不能把分数差全部解释为单一模块的因果收益。",
      [
        "rag"
      ]
    ],
    [
      "4. 把证据放进上下文仍会失败",
      "Lost in the Middle 在多文档问答与键值检索任务中观察到，相关信息的位置会影响被研究模型的表现。该发现提醒我们，输入窗口能装下文档，与模型能稳定利用每处信息，是两回事。它并没有证明之后所有模型都以相同幅度退化；新的模型、提示与任务需要重新测量。",
      [
        "middle"
      ]
    ],
    [
      "5. 引用链接与逻辑支持要分开验",
      "一条回答可能把正确链接放在错误结论后面，也可能把限定条件较窄的结果扩展到所有情况。本文建议为每个关键事实保存“主张—证据片段位置—来源版本”的映射，并检查证据是否真正蕴含结论。对于比较、日期和数字，应核对分母、单位与适用条件；对于推断，应在正文显式标为分析。",
      []
    ],
    [
      "6. 一个可执行的评估拆分",
      "先构造包含可回答与不可回答问题的集合，保留权威答案与证据位置。分别统计候选证据召回、最终答案正确性、引用指向正确性和主张支持率，并单独观察拒答。不要把这几类指标合成一个没有定义的“准确率”。如果评估者只看语言流畅度，系统可能在证据缺失时获得过高评分。",
      []
    ],
    [
      "7. 更新与冲突如何记录",
      "当来源修订、撤稿或不同机构口径冲突时，应先保存访问时间与具体版本，再说明采用哪一口径及原因。检索结果只是一条发现线索，原文核对才是可追溯事实的基础。对于尚未确认的信息，正确输出可能是说明缺口或暂缓结论，而不是从几个互相转载的网页中凑出表面共识。",
      []
    ],
    [
      "给“支持”一个可操作的定义",
      "以“某方法在某数据集上优于基线”为例，合格证据至少应说明方法版本、数据划分、基线和评分指标。如果原文只测了英文测试集，导读不能删掉语言条件；如果数值来自开发集，不能改写成独立测试集表现。来源支持的范围越精确，后续读者就越容易发现真实分歧，而不是争论几个含义不同的“效果更好”。",
      []
    ],
    [
      "后续实验可以如何设计",
      "对同一组问题，依次比较不检索、给定正确证据和真实检索三个条件。第二个条件帮助判断生成与证据利用的上限，第三个条件暴露检索和排序问题。对不可回答题单独统计无依据断言，并让核对者只根据保存的证据判断支持关系。若人工核对者有分歧，应保留原始意见与仲裁规则。该设计不假设任何预设的改善幅度。",
      []
    ],
    [
      "局限与结论",
      "本文重绘公开表格，没有在本站运行问答基准，不能将图中结果视为本站系统的验收成绩。RAG 的价值在于把证据引入一个可检查的工作流。要获得可信回答，还需要逐环节的质量测量、版本保存与不确定性表达；检索是证据链的起点之一。",
      [
        "rag",
        "dpr",
        "middle"
      ]
    ]
  ],
  "diagram": [
    "问题与时间范围",
    "确认对象、版本与可回答边界",
    "检索候选段落",
    "稀疏或稠密召回只是第一步",
    "排序与上下文",
    "保留证据位置和来源版本",
    "生成带主张的回答",
    "事实与推断分别表达",
    "逐项核对支持",
    "检查数字、限定词与引用对应",
    "保留更正路径",
    "来源变更后能定位受影响主张"
  ],
  "figureNote": "图 1 是证据链的自绘阅读框架。图 2 重绘 Lewis 等人 RAG v4 表 1 的 Natural Questions exact match（%）：DPR 41.5、RAG-Token 44.1、RAG-Sequence 44.5；为公开历史结果，非本站复现。",
  "table": {
    "headers": [
      "环节",
      "可以检查的对象",
      "常见误读"
    ],
    "rows": [
      [
        "召回",
        "候选中是否有正确证据",
        "主题相关等于答案证据"
      ],
      [
        "上下文利用",
        "答案是否依赖所给段落",
        "装得下等于读得准"
      ],
      [
        "引用支持",
        "主张与证据是否对应",
        "附上链接等于被证实"
      ]
    ]
  },
  "version": 1,
  "kind": "ai_assisted_research_guide",
  "author": "Codex（AI）",
  "published_date": "2026-10-16",
  "disclosure": "本站用户明确委托撰写与公开。由 Codex（AI）依据所列一手资料整理，配图由代码绘制；未经独立同行评审。文中原论文的实验结果归属于原作者，本文未运行新的模型训练或基准测试。",
  "limitations": "文献导读与方法分析；不是原创实验论文、正式期刊录用或专业资质认证。解析示例不代表本站或当前产品的实测表现。",
  "sources": [
    {
      "id": "rag",
      "title": "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks",
      "authors": "Lewis et al.",
      "date": "2020-05-22",
      "url": "https://arxiv.org/html/2005.11401v4",
      "locator": "v4; section 2 and Table 1",
      "note": "RAG combines parametric generation and a nonparametric retrieved document store. NQ exact match: DPR 41.5, RAG-Token 44.1, RAG-Sequence 44.5 in this table.",
      "accessed_at": "2026-10-15",
      "rights": "Original source remains under its own license; only attributed factual synthesis, no source figures or long excerpts."
    },
    {
      "id": "dpr",
      "title": "Dense Passage Retrieval for Open-Domain Question Answering",
      "authors": "Karpukhin et al.",
      "date": "2020-11",
      "url": "https://aclanthology.org/2020.emnlp-main.550/",
      "locator": "EMNLP 2020 abstract and paper",
      "note": "Dual encoders represent queries and passages for dense retrieval; retrieval quality and answer correctness must be measured separately.",
      "accessed_at": "2026-10-15",
      "rights": "Original source remains under its own license; only attributed factual synthesis, no source figures or long excerpts."
    },
    {
      "id": "middle",
      "title": "Lost in the Middle: How Language Models Use Long Contexts",
      "authors": "Liu et al.",
      "date": "2023-07-06",
      "url": "https://arxiv.org/abs/2307.03172v3",
      "locator": "v3 abstract; multi-document QA and key-value retrieval",
      "note": "In studied models and tasks, placement of relevant information affects accuracy; this is not a universal failure rate for later models.",
      "accessed_at": "2026-10-15",
      "rights": "Original source remains under its own license; only attributed factual synthesis, no source figures or long excerpts."
    }
  ],
  "figures": [
    {
      "slug": "rag-evidence-chain",
      "number": 1,
      "file": "rag-evidence-chain-1.png",
      "sha256": "f894240331cd2995c113f1e7c0f4ca6fdb001c0b57d2109a0288687cb7d59c75",
      "alt": "六个要点：问题与时间范围；检索候选段落；排序与上下文；生成带主张的回答；逐项核对支持；保留更正路径",
      "data": {
        "kind": "conceptual",
        "items": [
          "问题与时间范围",
          "确认对象、版本与可回答边界",
          "检索候选段落",
          "稀疏或稠密召回只是第一步",
          "排序与上下文",
          "保留证据位置和来源版本",
          "生成带主张的回答",
          "事实与推断分别表达",
          "逐项核对支持",
          "检查数字、限定词与引用对应",
          "保留更正路径",
          "来源变更后能定位受影响主张"
        ]
      },
      "ai_generated": true,
      "disclosure": "AI-assisted code rendering; original schematic or explicitly attributed data; not a new model experiment.",
      "url": "/guides/assets/rag-evidence-chain-1-f894240331cd.png"
    },
    {
      "slug": "rag-evidence-chain",
      "number": 2,
      "file": "rag-evidence-chain-2.png",
      "sha256": "a54521780760b7b2ea73237404d13b2ee6a5c5c2384bee654f7b049c9b87e8ea",
      "alt": "图 1 是证据链的自绘阅读框架。图 2 重绘 Lewis 等人 RAG v4 表 1 的 Natural Questions exact match（%）：DPR 41.5、RAG-Token 44.1、RAG-Sequence 44.5；为公开历史结果，非本站复现。",
      "data": {
        "kind": "reported",
        "source": "rag",
        "locator": "v4 Table 1 NQ",
        "systems": [
          "DPR",
          "RAG-Token",
          "RAG-Sequence"
        ],
        "exact_match_percent": [
          41.5,
          44.1,
          44.5
        ]
      },
      "ai_generated": true,
      "disclosure": "AI-assisted code rendering; original schematic or explicitly attributed data; not a new model experiment.",
      "url": "/guides/assets/rag-evidence-chain-2-a54521780760.png"
    }
  ],
  "peer_reviewed": false
}