如何让 AI 回答有来源、有依据、可追溯？
这道题考的是 RAG 系统的来源追溯能力。核心是：当 AI 从知识库检索内容作答时，怎么让它的回答"标明出处"，像学术论文一样有参考文献。
实际应用场景很明确——合同审核、医疗咨询、法律文档这些高风险场景，你不能只说"根据相关规定"，得能拿出具体依据。
RAG来源追溯是什么——让AI回答"有据可查"
先搞清楚问题本质。
AI 回答不可信，主要是因为它"一本正经地胡说八道"。RAG 来源追溯就是在回答时明确标注：这条结论来自哪篇文档第几段。
逻辑很简单：
用户提问 → 检索知识库 → 返回相关文档 → 带上文档来源信息 → AI 生成答案时引用 → 输出带标注的最终回答
这样做有两个好处：
- 用户可验证：答案说的对不对，直接点进去看原文
- 出了问题可追溯：这个回答基于哪份文档，什么时候入库的，清清楚楚
就像看新闻时文末的参考链接，你点进去能看原始报道，而不是只听记者转述。
三步实现法的技术原理——从入库到输出的完整链路
具体怎么实现？分三步：
第一步：入库时 Metadata 写入
文档进知识库时，除了内容本身，还要把来源信息写进 Metadata。
用 TikaDocumentReader 读取文档，它会自动把 source（文件名）写入 Metadata。你也可以手动指定：
Map<String, Object> metadata = new HashMap<>();
metadata.put("source", "合同_2024_001.pdf");
metadata.put("入库时间", "2024-06-09");
document.setMetadata(metadata);这一步是基础——来源信息没存进来，后面根本没法追溯。
第二步：自定义 MetadataAwareAdvisor 拼接 Prompt
检索到相关文档后，需要把来源信息和原文一起传给大模型。
自定义 Advisor 干的就是这件事：把用户问题、相关文档（含 Metadata）、原始原文，拼成一个完整的 Prompt。
public class MetadataAwareAdvisor implements Advisor {
// 拼接用户问题 + 检索到的文档（含来源信息）+ 原文片段
// 关键：要把文档的 source、页码等信息传进去
}第三步：System Prompt 引导 AI 标注来源
Prompt 里要明确要求 AI 在回答时标注引用：
你是一个合同审核助手。根据提供的文档片段回答问题。
每当你使用某个文档的信息时，必须注明来源。
格式：[来源: 文件名, 页码]AI 收到这个指令，就会养成标注来源的习惯。
整个链路是这样的：
文档入库（Metadata 写入） → 检索时带 Metadata → Advisor 拼接 Prompt → System Prompt 要求标注 → 大模型输出带来源的答案
Advisor优先级机制——Integer.MAX_VALUE-1的秘密
这里有个坑，很多人不注意。
Advisor 在 LangChain4j 里是按优先级执行的。数字越大越先执行。
为什么要用 Integer.MAX_VALUE - 1？
看执行顺序：
ChatMemoryAdvisor：负责实际调用 LLM，它的优先级是 Integer.MAX_VALUE（最高）- 自定义 MetadataAwareAdvisor：必须在这之前执行，把来源信息塞进 Prompt
如果你也用 Integer.MAX_VALUE，会排在 ChatMemoryAdvisor 之后。这时候 AI 已经拿到对话历史了，你的 Prompt 修改对它没用了——轮子都转完了你才去加水，流不过去。
所以正确的写法：
public class MetadataAwareAdvisor implements Advisor {
@Override
public int priority() {
return Integer.MAX_VALUE - 1; // 确保在 LLM 调用前执行
}
}这个细节面试官喜欢问，因为能看出你是不是真的理解执行顺序原理。
企业级方案对比——什么时候需要自定义Advisor
你可能会问：有没有现成的方案？
有，但不够用。
| 方案 | 适用场景 | 溯源能力 |
|---|---|---|
| 默认 QuestionAnswerAdvisor | 简单问答机器人 | ❌ 不支持文档溯源 |
| 自定义 MetadataAwareAdvisor | 企业级应用、高风险场景 | ✅ 支持来源标注 |
默认 QuestionAnswerAdvisor 能做检索+问答，但它不保留文档来源信息。问答结果从哪来的，你不知道。
对于合同审核、医疗咨询、法律文档这类场景，必须能回答"这条结论来自哪份文件第几条"。
自定义 Advisor 是企业级应用的标准选择。代价是需要自己实现，但换来的是完整的溯源能力。
面试加分项——面试官想听的高级知识点
上面讲的是基础，能让你过关。下面几个点说出来会让面试官高看你一眼。
1. SSE 流式输出的引用处理
很多应用用 SSE 流式返回答案，引用怎么同步？
方案是后端同时推送两路数据：
- 主通道：流式输出答案 token
- 附带：引用列表（文档 ID、文件名、片段位置）
前端收到后，在流式渲染答案的同时，把引用列表展示在侧边栏。点击引用高亮对应的原文片段。
// 前端示例
const eventSource = new EventSource('/api/chat', {
onMessage: (event) => {
const data = JSON.parse(event.data);
if (data.type === 'token') {
appendToken(data.content); // 流式渲染答案
} else if (data.type === 'reference') {
updateReferenceList(data.list); // 更新引用列表
}
}
});2. 文档分块策略影响溯源精度
知识入库时文档怎么切，直接影响溯源效果。
- 按段落切：溯源精确到段落，但可能切断上下文
- 按语义切：用 NLP 分析句子关系，切出来更连贯
- 重叠切：相邻块之间留重复内容，避免关键信息被切断
选哪种取决于业务场景。合同审核可能需要精确到条款，客服问答按语义切更自然。
3. TikaDocumentReader 的实现细节
Tika 读取文档时会自动提取 Metadata：
- PDF：作者、创建时间、页数
- Word：标题、段落结构
- 同时自动写入
source字段
了解这个实现细节，说明你对整个流程吃得比较透。
面试怎么答
基础版（能过的回答）
要让 AI 回答有来源可追溯，核心是 RAG 来源追溯的三步实现法：
第一步，文档入库时把来源信息写入 Metadata，比如文件名、页码。
第二步，自定义 MetadataAwareAdvisor，检索到文档后把原文和 Metadata 一起拼进 Prompt。
第三步，System Prompt 里明确要求 AI 回答时标注来源，格式是" [来源: 文件名] "。
需要注意 Advisor 优先级要设成 Integer.MAX_VALUE-1，确保在 LLM 实际调用前执行，把来源信息注入 Prompt。默认的 QuestionAnswerAdvisor 不支持溯源，企业级应用必须用自定义方案。
加分版（让面试官眼前一亮）
除了基本流程，还有几个进阶点：
一是 Advisor 优先级设计原理。ChatMemoryAdvisor 优先级最高负责实际调用 LLM，自定义 Advisor 必须排在它之前才能修改 Prompt，所以用 MAX_VALUE-1。
二是流式输出时引用列表的处理。后端同时推送 token 流和引用列表，前端流式渲染答案的同时展示引用栏，支持点击跳转原文。
三是文档分块策略。入库时怎么切文档影响溯源精度——按段落切精确但可能切断语义，按语义切更连贯但实现复杂，实际选型要看业务场景。
细节上，TikaDocumentReader 会自动把 source 写入 Metadata，这也是实现时的一个便利点。
一句话总结
RAG 来源追溯的本质是：入库存 Metadata → Advisor 拼接带来源的 Prompt → System Prompt 要求 AI 标注引用 → Integer.MAX_VALUE-1 确保执行顺序正确。