讓答案有依據：脈絡注入與引用

注入脈絡

檢索把最佳段落交給你了；接下來就是組裝提示。脈絡注入（context injection）是指把那些段落放進一個提示樣板（prompt template）裡，連同使用者的問題，再加上一段清楚說明該如何使用它們的指示。典型的排版是：先一段定下規則的系統提示（system prompt），接著放檢索到的塊（每塊都標上來源），最後才是問題。

SYSTEM:
  Answer the question using ONLY the context below.
  If the answer is not in the context, say "I don't know."
  Cite the source tag [S1], [S2]... after each claim.

CONTEXT:
  [S1] (handbook.pdf p.12) Refunds are issued within 14 days...
  [S2] (faq.md) Refunds require the original receipt...

QUESTION:
  How long do refunds take, and what do I need?

一個有依據的提示：先放規則、再放標了來源的證據、問題擺最後。

要求模型守住依據

把段落遞過去還不夠；你必須明白要求模型使用它們、而且只使用它們。接地要靠明確的指示來落實：只根據脈絡作答，而且關鍵在於——如果答案不在裡面，就說不知道。這份「可以不答」的許可，是對抗幻覺最有效的單一防線——少了它，模型就會靠猜測來填補空白。

P(\text{answer}\mid q,\,\mathcal{C}) = \prod_{t} P\!\left(y_t \mid y_{<t},\, q,\, \mathcal{C}\right)

接地约束让每个生成的词元都以查询 q 和检索到的上下文 C 为条件——答案是证据的函数。

引用與出處標註

因為你替每一塊都標了來源，就可以要求模型附上引用——出處標註（attribution）讓一個答案變成使用者能查證的東西。在每個論點後面放上像 `[S1]` 這樣的註腳標記，讀者就能一鍵點回原始段落。RAG 產品的信任感，靠的是可查證的來源，遠多於自信的語氣。

有一個要留意的陷阱：模型可能生出捏造的引用（fabricated citation）——一個看似真實、卻沒講出所宣稱內容、甚至根本不存在的參考來源。防範方法是：只允許引用檢索到的那些塊（使用它們真正的 id），並在生成後查核每個被引用的 id 是否真的在脈絡裡。絕不要讓模型自己編出方括號裡的標籤。

該預期的失敗模式

兩個反覆出現的問題。第一是中間迷失（lost in the middle）：長提示在開頭和結尾得到的注意力最多，所以埋在正中央的關鍵段落可能被忽略。把重排做好、只留幾塊，讓重要的那塊落在靠邊的位置。第二是脈絡溢位（context overflow）：塞太多塊會撐爆脈絡視窗，或把訊號淹沒。檢索到的文字越多並不越好——對的那幾塊，勝過一大堆。