在 RAG（检索增强生成）应用中，回答内容与检索片段（Chunk）的对应关系追踪是实现回答可解释性、准确性验证和错误溯源的关键环节。以下从追踪目的、技术实现等维度展开详细说明：
先看下效果，如下：
一、为什么需要追踪回答与检索片段的对应关系？
-
事实性验证：确保回答中的信息来自可信的检索片段，避免大模型 “幻觉”（编造错误信息）。
-
可解释性增强：向用户展示回答的依据来源，提升系统可信度（如金融、医疗等合规场景）。
-
系统调试优化：定位检索或生成环节的问题（如片段相关性不足、信息遗漏）。
-
合规与审计：满足数据溯源需求（如法律场景中需记录信息来源）。
二、代码实现
我们常使用llamaindex开发RAG应用。llamaindex有专门的引文查询引擎–CitationQueryEngine 。
官网教程：
https://docs.llamaindex.ai/en/stable/examples/query_engine/citation_query_engine/
使用如下：
pip install llama-indexpip install llama-index-embeddings-openaipip install llama-index-llms-openai
创建具有默认参数的 CitationQueryEngine ：
query_engine = CitationQueryEngine.from_args(index,similarity_top_k=3,# here we can control how granular citation sources are, the default is 512citation_chunk_size=512,)res = query_engine.query("宋集薪是谁？")print(res.response) # LLM 输出回答print("------来源---------------")for node in res.source_nodes:print("相关片段：", node.text)print("片段分数：", node.score)print("片段元数据：", node.metadata)print("="*40)
结果如下：
核心代码讲解：
-
可以看到大模型最终合成答案里有[1]、[2]、[3]这样的标签，这是标签对应chunk块顺序。
-
标签从 1 开始计数，但python 数组从 0 开始计数！
-
参数citation_chunk_size默认值为512，表示引用的chunk的token大小。
（1）该值与文本切割node节点的chunk_size不一样。
（2）若citation_chunk_size>chunk_size，则最终以chunk_size为准；
否则，该CitationQueryEngine将按照citation_chunk_size重新切割产生新的chunk块。
（3）citation_chunk_size也不宜过大，若超过源文档的大小，则该查询失去效果。
-
可以查看引用的内容：response.source_nodes 。
完整的示例代码如下。
from llama_index.core import VectorStoreIndex, Settings, SimpleDirectoryReaderfrom llama_index.llms.openai_like import OpenAILikefrom llama_index.core.node_parser import SentenceSplitterfrom llama_index.embeddings.openai_like import OpenAILikeEmbedding# ================== 初始化模型 ==================def init_models():"""初始化模型并验证"""# Embedding模型embed_model = OpenAILikeEmbedding(model_name="BAAI/bge-m3",api_base="https://api.siliconflow.cn/v1",api_key="sk-xxxxx",embed_batch_size=10,)llm = OpenAILike(model="DeepSeek-ai/DeepSeek-V3",api_base="https://api.siliconflow.cn/v1",api_key="sk-xxxx",context_window=128000,is_chat_model=True,is_function_calling_model=False,)Settings.embed_model = embed_modelSettings.llm = llm# 验证模型test_embedding = embed_model.get_text_embedding("测试文本")print(f"Embedding维度验证：{len(test_embedding)}")return embed_model, llminit_models()# load documents, split into chunksdocuments = SimpleDirectoryReader(r"D:Testaiyoyo
