Skip to content
文章目录
GitHub Star
证据、标签与源码

RAG 全链路:从文档入库到可引用回答 ​

用户问:“510500 在 2023 年的公告里改了什么?后来的说明书能补充哪些信息?”资料库里有三份材料:2021 年招募说明书、2023 年公告、2025 年招募说明书。

一套 RAG(Retrieval-Augmented Generation,检索增强生成)系统要完成的工作很具体:把三份文件变成可定位的资料,找到回答问题所需的段落,把段落连同来源交给模型,再生成可以回查的答案。

这篇文章就沿着这份公告走一遍。先看主流框架把流程拆成哪些组件,再看文件怎样入库、问题怎样检索、模型怎样写出带引用的回答,最后落到 ETF Agent 的实现和读者可以运行的公开示例。公告研究背景与历史观察沿用已核对的材料;下面的片段卡、查询拆解和上下文包是教学示意,不是一次新模型运行的日志。

一、先看正常路径:离线建库,在线回答 ​

RAG 通常有两条主线。

离线入库发生在提问之前,或资料更新时:取得文件 → 解析正文 → 切成片段 → 建立索引。它的产物是一组可以被检索、可以回到原文位置的记录。

离线入库四步:接入文件、解析正文、切成片段、建立索引;每一步保留来源和版本

打开入库流程完整图

在线问答从用户的问题开始:确定查询与范围 → 检索并合并候选 → 按需重排 → 装配上下文 → 生成答案与引用。系统用完这次结果,再把问题、相关片段、答案和成本纳入评测。

在线问答五步:形成查询、召回融合、可选重排、装配上下文、生成引用回答

打开问答流程完整图

图 1、图 2|正常 RAG 的教学流程。向量通道和重排按任务需要启用;图中顺序不表示每次 Agent 研究只能检索一次。

主流框架把哪些步骤做好了? ​

以下三套常见框架都能组织这条流程,组件边界各有侧重。这里是职责对照,并不表示项目同时采用了三套框架。

框架入库侧的常见组件查询与回答侧的常见组件阅读它时可以抓住的线索
LlamaIndexReader 载入 Document,IngestionPipeline 串起切分、元数据与 Embedding,得到 NodeRetriever 取回 Node,后处理器筛选或重排,Response Synthesizer 组织回答跟着 Document → Node → 检索结果 → 回答走
LangChain 生态Document loader、text splitter、embedding model、vector storeRetriever 与模型组合成检索问答;也可把检索交给 Agent 作为工具调用分清固定“先检索再生成”和按需调用工具两种编排
HaystackConverter 转换文件,预处理组件切分/清理,DocumentWriter 写入 Document StoreRetriever → 可选 Ranker → PromptBuilder → GeneratorPipeline 显式连接组件的输入输出,便于观察各步产物

这些对应关系来自各自官方说明:LlamaIndex 入库、查询与回答合成,LangChain 生态的检索说明,以及 Haystack 的预处理、写入、精排和提示词装配。框架中的具体类名与 API 应以使用版本为准。

我们在 ETF Agent 私有系统中的落点,已有此前公开的知识检索文章作过公开说明:知识导入处理资料,PostgreSQL 保存文档和片段,pgvector 提供向量检索,词法检索与向量候选经过 RRF 合并,可选本地 TEI 做重排;Native Knowledge 工具把结果交给原来的 Agent 研究流程,Host 负责结果与引用的绑定。后面逐步展开这条此前公开文章描述的私有系统实现路径。公开教学仓库 Open ETF Agent 提供另一套范围更小的词法检索示例;私有系统与公开教学版的能力在本文分开说明,文末给出公开版可直接检查的代码入口。

二、步骤 1—3:把文件加工成能回到原文的片段 ​

1. 接入资料,登记来源和版本 ​

输入是三份实际取得且获准处理的文件。先记录各自的标题、来源地址、发布日期、逻辑来源、内容版本与原件位置。2021 说明书、2023 公告和 2025 说明书各占一条记录,历史关系保留下来。

这里会形成三层对象:原始文件保存取得的字节,研究资料资产记录来源、版本和读取情况,知识索引保存便于搜索的表示。这样一来,索引里的某个片段可以沿着版本与位置回到原文件。网址和文件名可能重复或被替换,内容哈希与版本身份负责把这次引用固定下来。

接入时还要登记资料可用形态:原文、人工整理摘要、仅元数据。若只能保留简介与来源链接,就让检索返回简介的身份和回查入口;需要正文的任务继续取得原文。历史公告在这里属于解释性资料,当前 NAV、持仓和交易状态仍由各自的数据来源提供。

这一步的产物:三条有来源、有版本、有可用范围的文档记录。

2. 解析正文,保留标题、页码和表格关系 ​

PDF 需要先提取可用正文;HTML 要提取文章区域;Markdown 已有标题和段落结构,可以直接利用。扫描件通常还需要 OCR 或其他文档解析能力,是否支持应单独检查所选解析器与部署。

在 2023 公告中,我们关心的是第一页的字段变更。解析结果应保留物理页码、字段名称、变更描述以及它们附近的限定。若材料是表格,列标题、单位、脚注和跨页关系都影响句子的含义。

可以把解析后的页面理解为:“文档版本 + 第 1 页 + 提取的正文 + 覆盖状态”。例如一张表抽出了“费率 0.5%”,对应的份额类别却没有提取出来,那么应先补读表头或原页,再将它用于回答。解析检查要覆盖读到了哪里、哪些结构尚不完整。

此前公开文章描述的 ETF Agent 知识入库路径保留 PDF 物理页码,并区分提取覆盖。只解析到前几页时,不能把它登记成全文已经入库。复杂表格需要回到文档读取能力核对,后面的检索器依赖这一步提供的文本质量。

这一步的产物:带结构和定位信息的可用正文。

3. 切块,让每段内容足够独立,也能继续展开 ​

切块是在“好找”和“读得完整”之间选一个合适单元。常见做法是先按标题、段落或页面组织,再对过长内容做有限长度切分,并保留少量重叠。短公告的一页可能就足够作为一个片段;长说明书则需要分出多个章节和段落。

以公告第一页为例,字段变更句、适用条件和必要脚注应尽量放在同一个可读单元中。下面是一张示意片段卡,内容说明是对已核对事实的概括,不是 PDF 原句:

字段示例内容
文档510500 的 2023 年公告
版本与定位本次取得的文档版本;物理第 1 页;相应片段范围
片段内容说明现金替代相关字段名称调整,并增加相应折价字段
回查信息原件位置、内容哈希、页码与片段标识
表示与用途从原文提取的片段;用于核对当年公告的字段变化

公开文章中的切块方案可按 Markdown 标题组织内容,再对长段落作有限重叠切分;PDF 片段保留页码。遇到跨片段限定,可以沿同一来源版本补读相邻内容。切块大小需要用任务验证,没有一个对所有语言、表格和文档都最优的数值。Azure 的官方切块指南也把定长、按结构和语义切分列为不同选择。

这一步的产物:正文片段及其来源、版本、位置和表示类型。

三、步骤 4:给同一批片段建立检索入口 ​

词法检索和向量检索使用同一批片段,但查找方式不同。

  • 词法入口保留词项与文本的对应关系。用户查“510500”“PCF”或准确字段名称时,可以直接找到包含它们的片段。全文检索、BM25 都属于这条路线中的常见能力。
  • 向量入口用 Embedding 模型把片段转成数值向量,保存到向量索引。查询时用兼容的 Embedding 模型处理问题,再按向量相似性找出候选,适合补充不同说法之间的关联。
  • 元数据入口保存来源、版本、用途、状态与可读范围,让检索在正确的资料集合中发生。

在此前公开文章描述的 ETF Agent 私有系统实现中,文档、片段和相关元数据进入 PostgreSQL,向量查找使用 pgvector。词法通道会检查 pg_search 扩展、BM25 索引和配置条件;条件具备时可选 BM25,否则保留 PostgreSQL 全文检索(FTS)。这里描述的是已核对的实现分支;某次运行到底启用了什么,需要看该次配置和检索记录。

入库完成后,做一次最小冒烟检查:按基金代码能否找到公告?指定版本与页码能否回到对应正文?文档和片段数量是否与实际接入范围相符?再开始检验语义检索。

这项顺序来自一个很具体的历史教训:2026 年 9 月的一次本地诊断中,模型和数据库相关依赖可用,但索引中没有文档或 chunk。那次任务首先需要完成语料入库。这个观察仅指当时状态,不能推断今天的索引仍为空。

这一步的产物:词法/向量可查、范围可筛选、原文可回读的索引。

四、步骤 5—7:把问题变成有序候选 ​

5. 形成查询,确定当次资料范围 ​

问题“2023 年到底改了什么”可以先拆成一条主查询和两条对照查询:

查询用途查找内容结果在答案中的位置
当年变更510500、2023 年、公告、现金替代字段直接说明当年修改了哪些字段
变更前背景2021 年说明书中的相应条款需要时解释较早版本如何表述
后续背景2025 年说明书中的相关字段说明后续材料怎样呈现,保持时间顺序

这是研究拆解示意。简单问题可以使用一条查询;需要比较版本时,再补充对照。固定问答流水线可以由应用直接发起检索,Agent 则可在研究过程中选择调用工具、改写问题或继续补读。

ETF Agent 的 Host 先给出获准范围,检索在账户作用域、reference / personal 集合、来源用途、有效版本、文档状态等硬约束内选择 Top-K。这样公开公告和私人笔记可以共存,排序面对的是本次真正可用的集合。若先从全库取少数候选再剔除无权材料,获准内容可能在更早的候选阶段就被挤掉。

领域偏好还可以进一步缩小第一轮范围。已有合同允许候选不足时在原授权集合内做一次有界扩展;明确指定 only 的查询保持该限制。这是研究范围的控制,不应由“结果太少”自动改写。

下面把输入拆开看,便于把问题接到实际工具。表中是已公开合同的语义说明,具体 ID 要使用系统实际返回的身份。

输入用途与边界
查询正文说明要找的事实;在 Agent 中可通过 search_financial_knowledge 提出
collection选择获准的 reference 或 personal 集合,默认查询不会悄悄扩到个人笔记
领域与模式prefer 可在原硬约束内做一次有界扩展;only 保持明确限定
sourceIds指向实际返回过的逻辑文档身份,进一步收窄来源;猜测一个 ID 不会取得权限
scope、用途与版本由 Host 和来源状态约束,模型提出的参数不能放宽这些条件

6. 两路召回,用 RRF 合并名次并去重 ​

词法通道用代码、年份和字段名找候选;向量通道用问题的表达找语义相近片段。例如“现金替代字段调整”和“申赎清单版本更新”可能采用不同说法,两路搜索提供互补入口。

查完之后,我们有两张排序列表。RRF(Reciprocal Rank Fusion,倒数排名融合)根据片段在各列表中的名次合成一个顺序,再按来源、版本和片段身份去重。这样无需直接相加尺度不同的词法分数与向量相似度。Azure 的 RRF 说明展示了这种按名次融合的基本过程。

两路召回各有候选上限。如果词法通道失败,但向量仍返回合格候选,可以保留这批材料并报告部分状态;反向情形同理。观察记录要说明实际可用的通道,避免让模型把一条通道的失败解释成整个知识库没有资料。

对于公告问题,候选池可能同时包含三个年份的材料。接下来要优先选择直接描述 2023 年变更的内容,并为旧版和后续版保留背景角色。这里不假设某次实际检索的名次或得分;候选顺序应由对应运行记录或固定评测得到。

7. 按需重排,选出值得进入上下文的片段 ​

重排器把“问题 + 候选正文”放在一起比较,重新确定候选的相关顺序。它适合处理这样的情况:当年公告已经被召回,但相似的说明书段落挤占了最终上下文。

此前公开文章描述的 ETF Agent 私有系统实现支持可选本地 TEI 精排,输入仍是同一批已获准候选。若未配置、调用失败或无法满足使用条件,保留原 RRF 顺序。精排读得更细,也增加延迟与计算;可以先对照固定题集,再决定是否启用。

精排能够调整已有候选的顺序。若当年公告根本没有进入候选池,应回到资料、查询或召回阶段补查。主流检索服务也区分这两个阶段,例如 Azure semantic ranker就在初次排序结果上进行第二次排序。

这三步的产物:位于正确范围内、去重并排序的候选,以及来源定位和检索状态。

五、步骤 8—9:装配上下文,生成带引用的回答 ​

8. 给模型一份有顺序、有来源的材料包 ​

候选确定后,应用需要组织模型这一次实际接收的内容:保留问题,选入直接相关片段,去掉重复内容,在预算内补足标题、前后段或表格脚注,再附上来源标记。

我们的公告案例可以整理成下面的教学上下文包。这些编号只用于说明结构,实际系统的结果和引用身份由 Host 生成。

包中的部分放入什么模型用它做什么
用户问题2023 年公告修改了哪些字段,后续材料提供什么背景保持回答目标
材料 A:直接证据实际读到的 2023 公告第 1 页相关正文,附版本与页码写当年字段变更
材料 B:较早背景按需读到的 2021 说明书对应条款,附相应定位比较此前表述
材料 C:后续背景实际读到的 2025 说明书相关片段,附相应定位说明后续版本情况
作答要求按年份区分材料;为具体主张附对应引用;缺少依据时指出待查项组织可回查答案

在 Agent 里,这段过程经过真实工具交互:Host 允许 Knowledge 工具 → 该轮模型请求包含工具定义 → 模型调用并收到结果 → 后继模型输入承载片段正文与来源。Native Knowledge 将检索接进原来的研究循环,模型读完后可以继续追问或回读原件。

如果结果太大而被外置,先返回定位符,再通过实际读取把所需正文送进输入。相邻内容应保持同一来源版本和授权范围,引用则绑定本次真实交付的片段。找到匹配位置只完成了定位,需要正文时还有一次回读。

具体到已公开的 Native Knowledge 路径,Host 绑定的是实际交付的锚点片段。为了理解脚注而扩展相邻阅读,不会自动扩大这个旧引用的正文范围;需要引用新增内容时,要保留它实际取得和交付的来源范围。

历史核对中曾有一轮 Host 已准备知识授权,但工具定义没有出现在实际模型请求里;后来的另一轮 Run 才确认了 Knowledge 调用与材料消费。这类问题可以直接沿上述四个交接点排查,先检查工具呈现与正文交付。

9. 生成答案,把每项主张连回具体材料 ​

模型读到材料之后,可以按“当年变更 → 后续背景 → 待查问题”组织答案。引用要跟着具体主张,包含对应文档版本和位置,读者打开时应看到支持这句话的内容。

已有公告研究中,人工查看的 2023 年公告第一页直接支持现金替代相关字段名称变化及相应折价字段增加;2025 年后续说明书提供后续版本背景。把这项观察整理成逐条主张审阅,就得到一份可检查的回答骨架:

准备写入答案的主张材料与审阅结果合适的输出
2023 年公告调整了现金替代相关字段名称,并增加相应折价字段当年公告指定页直接支持这项变化引用当年版本,限定为这次清单字段变更
后续说明书仍出现相关字段后续版本提供背景与一致性线索标明资料年份,说明后续版本情况
变更的全部原因、市场影响和实时持仓已查看片段不足以支持这些更强推断明确哪些问题还需要其他证据

这是教学用的主张审阅表,沿用人工核对事实,没有新增自动语义判分或真实模型成绩。一个合适的回答能够让读者先看到“改了什么”,再沿引用核对原文,最后知道剩余问题要补查哪些材料。

这两步的产物:模型实际读到的材料包,以及逐项关联来源的回答。

六、步骤 10:用固定问题评测,随资料变化更新 ​

先准备一组具有代表性的问题,为每题标出相关文档、应读页段和允许回答的事实。保留文档版本、查询条件与运行配置,再对比词法、混合检索或精排方案。这样可以知道哪项改动影响了哪一步。

检查阶段对公告案例检查什么可以观察的结果
资料与解析公告及所需页段是否实际可读,字段与限定是否完整来源覆盖、提取覆盖、定位准确性
召回与排序相关公告片段是否进入候选和最终 Top-K在明确标注集合上的 Recall@K、Hit@K、MRR@K
上下文交付相关正文是否进入实际模型输入,外置材料是否回读工具可见/调用记录、正文消费范围
答案与引用变更主张是否由当年原文支持,后续背景是否正确标注逐项主张支持、版本与引用一致性
整体任务用户问题是否回答完整,交付是否成功同题同资料时点下的延迟、调用与 Token 成本

已有 RQ-08 核对固定了三份来源版本,比较了 306 个实际索引 chunk 的排序,并观察了真实 Knowledge 调用。这些片段没有完整人工相关性标注,部分回读仅能证明找到了位置,因此当时的证据适合说明候选与调用情况,还不足以宣布真实 Recall 或金融答案准确性提升。后续评测应补齐相应标注与主张审阅。

排障还要区分两套状态,才能决定下一步修什么。

所在层已公开状态怎么使用
索引健康ready、partial、empty、not-indexed、unavailable判断资料是否已入库、覆盖是否完整、依赖是否可用
当次检索grounded、partial、no-evidence、unavailable判断这次查询取得了什么、哪些通道或读取仍有缺口

检索层的 grounded 表示取得了符合该层合同的材料;答案主张是否受支持仍按上一节核对。索引未建成时先处理入库,候选遗漏时检查召回,正文未送达时检查工具与回读。下面两张诊断图帮助定位最早出问题的阶段。

先查资料与候选

打开完整矢量图

再查消费与主张

打开完整矢量图

图 3、图 4|正常流程之外的诊断入口:资料、候选、实际阅读和答案分别检查。

资料更新怎样进入同一条流程? ​

有新版本时,先检查来源变化和保留许可,再解析、切块、建立新版本索引,确认可用后切换当前资格。2025 说明书作为有自己身份的材料加入;查询 2023 年历史事件时,仍能定位当年的公告。

ETF Agent 的知识生命周期区分只读变化检查与需要审查的同步写入。检查负责发现变化,同步才更新索引;个别来源失败时,保留其他有效材料。旧版本按其合法保留与回读规则处理,版本身份贯穿搜索、上下文和引用。

七、项目里由谁把这些步骤接起来? ​

正常流程建立后,再看工程分工会容易得多。此前公开文章描述的 ETF Agent 私有系统路径沿既有职责协作,检索是研究中的一个可调用能力。

责任位置负责的输入与产物在这次公告问题中的作用
研究资料资产、Web/PDF 读取原件、来源版本、页面与提取覆盖取得并定位三份材料
来源许可与 Run 授权可处理的来源集合和当次能力范围确定本轮可查、可读哪些资料
知识导入与检索片段、索引、有序候选与检索状态找到公告和相关对照材料
Host 结果与引用管理已交付正文、来源关系、引用身份与回读把片段交到模型,并保留引用来源
Main 研究与综合查询拆解、补读决定、逐项主张区分当年变化和后续背景
正文发布与会话历史当次提交与后来再次查看的结果交付答案并按当时资格重新展示

这些职责可以在同一进程中实现,不要求每行都建一个服务。MCP 可以承担工具连接,Native 工具也可以直接进入原运行时;它们连接的是同一组取数、授权、阅读与交付动作。

索引与研究在检索处汇合

打开完整矢量图

图 5|把前面的正常流程放回系统:资料建设和在线研究在检索处汇合,回答沿原交付路径完成。

可修订、可撤权资料怎样交付? ​

多账户或可撤权资料要在读取、答案提交和历史再次展示时分别检查资格。用户可能在生成期间撤销访问,也可能几小时后重新打开旧对话。正文提交和历史交付沿各自机制完成检查,检索保留来源身份供它们判断。

2026 年 9 月的一次受控撤权复现中,历史回放已隐藏撤权资料,首次流式发送却仍可能输出受保护片段。对应修复点在实际披露提交:复核当前资格,并让并发撤权和提交有明确先后。已经发出的字节无法事后收回。

访问暂时失败与明确撤销保留许可也要分别处理。前者不自动触发永久删除;后者需要按照保留规则处理旧副本与派生内容。纯公开静态资料可以采用更简单的交付设计,可修订、分账户可见的资料则需要这一层明确约束。

主张与披露

打开完整矢量图

图 6|在内容正确之外,来源还需要满足实际交付时的可用资格。

八、从一个可运行的小闭环开始,再增加组件 ​

工程起点可以很小,先把“找到资料 → 读取原文 → 生成带来源的结果”接通。

手头的任务可以先做什么下一步依据
几份短文档,来源与版本已知直接读取原文或做有限关键词定位文档长度和重复查询是否开始影响阅读
较多文件,常问代码、标题和准确字段目录、范围过滤和词法检索题集中是否持续出现不同说法导致的漏召回
同义表达很多,已有受控语料加入向量召回与可复现融合相同问题下是否找回了原先遗漏的相关材料
相关片段已召回,却排在上下文之外在同批候选上试验精排增量质量是否值得延迟、成本与故障处理
多账户、可撤权或需要历史回读保留各阶段来源资格与版本检查这些约束随资料与交付场景成立

可选组件的价值由同题对照决定。精排收益不稳定,可以回到 RRF;向量通道没有补足实际缺口,可以保留词法路径;用户已指定两页公告时,直接读原文就能完成任务。来源许可、账户隔离、版本和实际阅读范围则应始终保留。

公开教学仓库 Open ETF Agent 提供了一个容易看懂的小切面。在固定 v0.15.0 的词法检索代码里,searchPages 接收查询、文档和获准文档列表,对获准页面统计查询词命中,返回文档 ID、页码和分数。候选驱动后续原页读取,再进入来源关联报告。

按该版本的安装与构建说明准备好环境后,可以用运行说明中的示例观察这一段:

sh
npm run demo -- --case retrieve-reread --query "offline editing"

然后把查询改成 Markdown,检查候选页面、实际回读的原文与报告来源如何变化。这个固定版本示例使用合成文档和脚本化 Gateway,不需要真实模型调用;它演示受限词法检索与回读,没有复现前文私有系统的 PostgreSQL/pgvector、混合召回和 TEI 全套路径。这里提供的是可运行入口,本次改稿没有重新运行该示例。

公开实现后来又向前走了一步。Open ETF Agent v0.23 的固定 Knowledge 实现不再只是先找候选、再由示例读取:用户先明确导入一组资料,Run 固定原件快照与准入范围;模型在获准工具表面调用 knowledge_query,Host 把命中的完整原文页登记到原有 Result,并携带准确的 sourceId、resultRef。后续报告与 Reader 回读同一原始来源身份,不靠搜索分数来认证结论。它仍是有界的词法检索,没有在公开版实现私有系统的向量召回、融合和精排。

这条真实调用路径带来几个容易忽略的选择。查询文字最多 512 UTF-8 字节,结果受已准入数量和原文字节限制;complete 只代表这次获准集合的词法命中全部返回,partial 要说明容量或条数省略,no-evidence 不证明资料库外不存在答案。超限时宁可不返回某个完整页面,也不截短正文却沿用它原来的哈希。Context 还要计入实际模型请求里工具定义与 JSON 再转义后的字节,而不能只统计检索器返回的文本长度。

读者可以沿固定版使用说明创建明确授权的项目、导入合成文本并提交任务;不发起模型请求的检查入口是:

sh
node src/research-cli.mjs knowledge inspect --project DIR --run RUN_ID

它应返回原资料清单、索引身份与本轮限额;真正的工具调用、模型是否按指定 query 查询,以及报告能否从原 Run 读回,仍须沿实际运行单独验证。v0.23 的真实任务分层记录就出现过检索工具按合同执行、模型却改写用户指定查询的情况。这个较新的公开示例扩展了原版演示的研究链,并不等于本文前半部分描述的私有 RAG 管线已经整体开源。

v0.23.1 维护版随后修正了研究收尾与等待回复时的生命周期:异步清理期间维持原 Session 心跳,取消已持久生效时不再把问题返回为仍在等待。可直接核对固定版本维护记录。这没有改变 Knowledge 的检索与来源身份合同,也没有重做一组完整真实任务;原有内容质量缺口、后续被限流中断的观察仍分别保留,不能据维护修复推断查询或答案质量已提高。

九、现在重新走完这次公告问答 ​

三份文件先获得各自的来源与版本。解析器提取正文并保留页码;切块器组织可独立阅读的片段;词法和可选向量索引为片段建立查找入口。

用户提问后,系统在获准集合中查找 2023 公告,需要时补充前后版本。候选经融合、可选精排和上下文装配,连同真实正文与来源交给模型。模型先写公告直接支持的字段变化,再写后续材料提供的背景,未有证据的原因或影响留作待查。回答中的具体引用回到对应版本和页段。

资料更新和评测继续沿同一条链进行。我们能逐步检查:**文件有没有取得,正文有没有解析完整,相关片段有没有找到,模型有没有读到,以及答案中的哪一句由它支持。**这就是一套正常 RAG 从资料到回答的工作印象,也是选择框架、增加组件和排查问题时可以共用的地图。


延伸深挖:PDF 从文本到证据 · RAG 召回、BM25 与金融证据评测 · 文档撤权与历史回放 · 研究资料资产 · Agent 引用系统设计。这些文章分别深入检索、评测、撤权、文件身份和引用机制;本文重点是它们怎样共同完成一次问答。

与个人博客并行:这里按问题连续阅读,博客保留时间线。 · 联系邮箱:hpoenixf@foxmail.com · 微信:hpoenixf0510