RAG Formation · 参考资料

上下文组装与证据预算

在本网站学习和测试 RAG 质量的独立速查表。

$ reference --status
▸ 课程 RAG Formation
▸ 模式 独立参考资料
▸ 状态 已完成
● 学习 → 测试 → 验证

参考资料

RAG Formation 的课程内容已完成；这份资料可用于自主学习和练习。

一句话规则

如果截断在模型看到来源之前将其删除，检索到的来源就不是有用的证据。

术语	含义
上下文组装（Context assembly）	将后端结果转换为发送给回答模型的文本——分四路通道（摘要/向量/全文/图谱），每一路都通过最大最小公平分配算法拿到预算里自己的一份。
证据预算（Evidence budget）	由字符数、tokens、延迟或成本限制的最大上下文范围。
来源存活（Source survival）	回答所需的证据在格式化和截断后是否仍然存在。通道顺序是固定的（摘要→向量→全文→图谱）——决定每路能存活多少的是预算公平性，不是相关性排序。
跟第 5–8 课不是同一条路	`--mode retrieval` 调用 `/api/v1/search`（没有融合）。`--mode answer` 调用 `/api/v1/qa`（真正按通道分配预算）——本课用的是后者。

事项	记录	不要声称
基线	命令、配置和观测结果	基线就是目标。
改动	一个假设或决策	多个因素同时变化时，仍能确定是什么导致了结果。
指标	逐题查看：`answer.stats.context_chars_by_index`、`.context_items_included`/`.context_items_dropped`、`.context_hard_truncated`、`answer.sources` 和 `.source_hit.all`。多跳问题先看 `context_chars_by_index.graph`。	一个指标就能说明质量的全部。
安全	一个失败案例和一个回归案例	流畅的回答就能证明系统可靠。

cd demo
python3 eval.py run --mode answer --workspace meridian_demo --category multi_hop --tag lesson-09-context

产物： 一份多跳答案的证据存活地图，以及一条有边界的上下文预算建议。

继续学习： 打开对应的独立课程 · 课程路线图