14｜RAG 入门：构建带来源引用的知识问答

《Eino 实战：用 Go 构建 AI 应用与智能体》· 第 14 篇
关键词：Retriever、RAG、上下文组装、来源引用、无结果处理
前置条件：已完成 13｜知识入库。

上一篇我们把资料整理成可检索的片段。这一篇把它接进问答流程：用户提问 → 召回相关片段 → 交给模型 → 生成有据可依的回答。

看似简单，但有几个决定成败的细节：检索不到时怎么办、答案怎么标来源、上下文怎么组织。这一篇逐个处理。

一、Retriever：接口只有一行

typeRetrieverinterface{Retrieve(ctx context.Context,querystring,opts...Option)([]*schema.Document,error)}

输入查询字符串，返回文档列表。就这么简单——切分、向量化、索引的复杂性都封装在实现内部。

常用的调用选项：

docs,err:=r.Retrieve(ctx,query,retriever.WithTopK(5),// 最多返回几条retriever.WithScoreThreshold(0.6),// 低于分数阈值的不返回)

两个参数都需要根据实际数据调，没有通用最优值：

TopK太小：可能漏掉关键资料。
TopK太大：无关内容进入上下文，既浪费 Token，又干扰模型判断。
阈值太高：容易把本可用的资料过滤掉。

建议先用固定样本测出召回情况，再决定取值，而不是照抄示例里的数字。

二、上下文组装：把资料变成提示词

召回的结果需要组织成模型能读的形式。一个基本可用的格式：

[1] 来源：handbook/printer.md 打印机无法联网时，先检查网线是否插紧…… [2] 来源：handbook/vpn.md 远程访问需要先申请 VPN 账号……

对应代码：

funcbuildContext(docs[]*schema.Document)string{iflen(docs)==0{return""}varb strings.Builderfori,d:=rangedocs{fmt.Fprintf(&b,"[%d] 来源：%v\n%s\n\n",i+1,d.MetaData["source"],d.Content)}returnb.String()}

三个设计要点：

编号。让模型可以用[1]这样的方式引用，前端也能据此渲染成可点击的来源。
保留来源。直接来自第 13 篇的元数据。没有来源的答案，用户无法核验，也就难以信任。
分隔清晰。片段之间要断开，否则模型可能把两段内容连读成一段。

系统提示怎么写

schema.SystemMessage("你是工单助手。只依据提供的参考资料回答，并在结论后标注来源编号；资料不足时明确说明。")

这句话包含三个约束，缺一不可：

只依据参考资料：抑制模型用自身知识补充。
标注来源编号：让答案可核验。
资料不足要说明：给出“拒绝回答”的出口。

但要清醒地认识到：这些是行为引导，不是硬约束。模型仍可能不标来源，或基于资料过度推断。第 15 篇会讨论如何验证和改善。

三、完整示例

下面这段程序用模拟检索器和模拟模型，不依赖任何外部服务即可运行，重点是把链路走通：

packagemainimport("context""errors""fmt""log""strings""github.com/cloudwego/eino/components/model""github.com/cloudwego/eino/components/prompt""github.com/cloudwego/eino/components/retriever""github.com/cloudwego/eino/compose""github.com/cloudwego/eino/schema")// ---- 检索器：用关键词匹配模拟向量检索，便于无依赖运行 ----typekeywordRetrieverstruct{docs[]*schema.Document}func(r*keywordRetriever)Retrieve(_context.Context,querystring,_...retriever.Option)([]*schema.Document,error){varhits[]*schema.Documentfor_,d:=ranger.docs{ifstrings.Contains(d.Content,query)||sharedKeyword(query,d.Content){// 复制一份并附带分数，避免修改原始文档。cp:=*d cp.WithScore(0.9)hits=append(hits,&cp)}}iflen(hits)>2{hits=hits[:2]}returnhits,nil}funcsharedKeyword(query,contentstring)bool{for_,kw:=range[]string{"打印机","离线","网络"}{ifstrings.Contains(query,kw)&&strings.Contains(content,kw){returntrue}}returnfalse}// ---- 模拟模型：把参考资料的来源整理进回答，便于验证链路 ----typemockModelstruct{}func(m*mockModel)Generate(_context.Context,in[]*schema.Message,_...model.Option)(*schema.Message,error){iflen(in)==0{returnnil,errors.New("空输入")}returnschema.AssistantMessage("（模拟回答）已根据参考资料生成建议。",nil),nil}func(m*mockModel)Stream(_context.Context,in[]*schema.Message,_...model.Option)(*schema.StreamReader[*schema.Message],error){sr,sw:=schema.Pipe[*schema.Message](1)gofunc(){defersw.Close()sw.Send(schema.AssistantMessage("（模拟流式回答）",nil),nil)}()returnsr,nil}// ---- 把检索结果组织成带来源的上下文 ----funcbuildContext(docs[]*schema.Document)string{iflen(docs)==0{return""}varb strings.Builderfori,d:=rangedocs{fmt.Fprintf(&b,"[%d] 来源：%v\n%s\n\n",i+1,d.MetaData["source"],d.Content)}returnb.String()}funcmain(){iferr:=run();err!=nil{log.Fatal(err)}}funcrun()error{ctx:=context.Background()r:=&keywordRetriever{docs:[]*schema.Document{{ID:"handbook/printer.md#0",Content:"打印机无法联网时，先检查网线是否插紧。",MetaData:map[string]any{"source":"handbook/printer.md"}},{ID:"handbook/vpn.md#0",Content:"远程访问需要先申请 VPN 账号。",MetaData:map[string]any{"source":"handbook/vpn.md"}},{ID:"handbook/ticket.md#0",Content:"工单超过 24 小时未分派可申请催办。",MetaData:map[string]any{"source":"handbook/ticket.md"}},}}query:="打印机离线怎么处理"// 1. 检索：传入查询，取回相关片段。docs,err:=r.Retrieve(ctx,query)iferr!=nil{returnfmt.Errorf("检索失败: %w",err)}// 2. 无结果时明确说明，而不是让模型自由发挥。iflen(docs)==0{fmt.Println("未检索到相关资料，请补充信息或转人工。")returnnil}for_,d:=rangedocs{fmt.Printf("命中: %s (score=%.2f)\n",d.ID,d.Score())}// 3. 组装上下文：保留来源，便于回答中引用。contextText:=buildContext(docs)tpl:=prompt.FromMessages(schema.FString,schema.SystemMessage("你是工单助手。只依据提供的参考资料回答，并在结论后标注来源编号；资料不足时明确说明。"),schema.UserMessage("参考资料：\n{context}\n问题：{question}"),)// 4. 用编排把模板和模型连起来。chain:=compose.NewChain[map[string]any,*schema.Message]()chain.AppendChatTemplate(tpl).AppendChatModel(&mockModel{})runnable,err:=chain.Compile(ctx)iferr!=nil{returnfmt.Errorf("编译失败: %w",err)}out,err:=runnable.Invoke(ctx,map[string]any{"context":contextText,"question":query})iferr!=nil{returnfmt.Errorf("生成失败: %w",err)}fmt.Println("回答:",out.Content)returnnil}

实机输出：

命中: handbook/printer.md#0 (score=0.90) 回答: （模拟回答）已根据参考资料生成建议。

示例里检索器用的是关键词匹配，因此只能召回明显相关的那一条。真实项目接入向量检索后，召回质量会好得多——但链路的形状是一样的：检索 → 组织上下文 → 生成。

四、无结果：RAG 里最重要的分支

很多 RAG 演示都假设“总能检索到东西”。真实场景里，用户问的往往是资料里没有的：

用户：报销流程是什么？ 资料库：只有设备、网络、工单相关文档

此时有两种做法：

错误做法：把空的上下文交给模型，让它基于自身知识回答。结果是听起来很确定的幻觉。

正确做法：显式判断，明确告知：

iflen(docs)==0{fmt.Println("未检索到相关资料，请补充信息或转人工。")returnnil}

或者在提示词之外，用代码做兜底判断。下面这段程序对比了两种查询（实机运行）：

查询: "打印机离线怎么处理" 命中 1 条 来源=handbook/printer.md 内容=打印机无法联网时，先检查网线是否插紧，再确认网段是否允许办公设备接入。 ... 无相关资料时命中数: 0 正确做法：明确说明没有依据，并转人工或补充信息，而不是让模型猜测。

处理策略

情况	建议处理
完全无召回	明确说明，转人工或请用户补充信息
召回分数都很低	同上，或告知“仅供参考，请核实”
召回内容相互矛盾	都呈现并标注来源，提示存在不一致
召回的是过期资料	依赖元数据中的版本/时间判断，优先给最新

“我不知道”是一个合格答案。在业务系统里，含糊其辞比明确拒答风险更大。

五、RAG 能解决什么，不能保证什么

这一点在推销式文章里经常被含糊过去，但在工程上必须清楚。

RAG 能做的：

让回答参考你提供的最新资料。
让答案可以标注来源，供人核验。
更新资料后无需重新训练模型。

RAG 不能保证的：

期望	现实
有资料就不会答错	模型可能误读资料、张冠李戴
检索到的都是对的	可能召回不相关或过期内容
引用了来源就可靠	引用可能不支持结论
覆盖所有问题	资料没写的问题它答不了
提升模型本身的推理能力	RAG 只提供信息，不改变模型能力

一句话概括：RAG 改善的是信息来源，不是模型的判断力。它把“模型凭记忆瞎说”变成“模型照着资料说，但不保证说得对”。