RAG 产品决策点：何时引用、如何处理查不到、幻觉兜底

技术之外，RAG 的成败在产品决策

两个检索质量相同的 RAG 产品，用户体验可以天差地别——差别在于三个产品决策：要不要展示引用、查不到时怎么办、幻觉如何兜底。这三件事决定了用户对产品的信任曲线。

决策一：引用与溯源

为什么引用重要

Perplexity 的核心差异化不是模型，而是每个论断都标注来源、可点击验证。引用解决三件事：可信度（用户可自行验证）、时效感（知道信息来自何时）、错误责任分担（是来源的问题而非产品瞎编）。

引用展示的三种粒度

粒度	做法	适用
文档级	回答末尾列出参考文档链接	内部知识库、轻信任场景
段落级	每个论断后标注 [1][2]，点击跳转原文位置	Perplexity 式搜索、高合规场景
原文对照	回答旁并排展示原文摘录	合同审查、医疗法律等高风险场景

粒度越细，信任越强，但对检索命中精度和前端工程的要求也越高。段落级引用如果经常“标错位置”，反而放大不可信感。

引用的诚实性红线

不能为了显得可信而硬凑引用。给无关段落贴编号，一旦被用户点开发现驴唇不对马嘴，信任崩塌比没有引用更彻底。

产品决策提示：引用位置要在 PRD 中明确定义展示规则（什么时候标、标在句末还是段末、多来源怎么合并），这是生成 Prompt 与前端渲染的共同契约，含糊不得。

决策二：查不到时怎么办

RAG 最危险的时刻不是检索到错误材料，而是检索不到材料时模型强行作答——模型会拿参数知识补位，幻觉由此产生。产品上要明确“无结果策略”：

三种策略

1. 诚实拒答：“知识库中未找到相关信息。“最安全，但体验生硬，且拒答率过高用户就流失了。
2. 降级作答：声明“以下是基于模型通用知识的回答，未在您的知识库中找到依据”，并视觉区分（灰底、标签）。兼顾体验与诚实，是推荐默认项。
3. 引导行动：拒答的同时给出路径——“您可以上传相关文档”或“转人工咨询”。把死胡同变成产品闭环。

拒答率的运营

拒答率是 RAG 产品最该天天看的数据之一。拆解它：是语料缺失（该补文档）？检索失效（该优化召回）？还是阈值过严（该调参数）？

产品决策提示：为拒答设计一套“转人工 / 推荐补充语料 / 相关问题引导”的兜底动线。用户问不到答案的那一刻，恰恰是发现内容缺口的最佳信号源。

决策三：幻觉的分层兜底

指望“零幻觉”不现实，工程现实是分层设防，控制伤害面：

• 生成层：Prompt 明确约束“仅基于提供的资料回答，资料未提及即回答不知道”，并配合示例固化行为。
• 校验层：对生成结果做事实一致性校验——检查回答中的关键论断能否在检索到的原文中找到支撑（可用 NLI 模型或 LLM 复核）。高风险场景（医疗、金融、法务）必配。
• 产品层：免责声明、置信度提示、“AI 生成内容请核实”的常态化提示语，以及关键操作前的二次确认。
• 运营层：bad case 收集通道 + 用户点踩反馈，闭环修复。

按风险分级配置

场景风险	兜底配置
低（内部查询、创意辅助）	Prompt 约束即可
中（对外问答、客服）	Prompt 约束 + 引用展示 + 反馈通道
高（医疗、金融、法务）	全套 + 事实校验 + 人工抽检 + 留痕审计

产品决策提示：幻觉治理的预算应该按错误的业务代价分配，而不是均匀撒在所有功能上。先做风险分级，再定兜底强度。

本节要点

• 引用展示分文档级、段落级、原文对照三档粒度，按信任需求和检索精度选择；硬凑引用比没有引用更伤信任。
• 检索无结果时默认采用“声明来源降级作答”，并为拒答设计转人工、补语料的闭环动线；拒答率要天天看并拆解归因。
• 幻觉无法清零，只能分层设防：Prompt 约束、事实校验、产品提示、运营反馈四层，按场景风险分级配置。
• 三个决策共同决定 RAG 产品的信任曲线，都应在 PRD 阶段明确，而非留给工程师默认实现。