Grounded-Generation-RAG

上下文里已有正确段落，模型仍会编造统计或把条件写丢。根因是生成目标没有「必须被证据蕴含」的约束。本方法先证据后结论，并用 Faithfulness/NLI 过滤。检索为空时应拒答，而不是靠模型补全。

本文属于 RAG 工程框架中的「4 生成与智能体编排」环节，聚焦「Grounded Generation（证据绑定生成）」方法。

定位

维度	内容
角色	生成侧的证据约束
输入 → 输出	query + ctx → 仅含被支持 claim 的答案（否则拒答）
默认组合	RAGAS Faithfulness + 生成后 NLI
何时不用	必须靠工具计算、ctx 本来就不该回答的题

核心机制

$$
\mathrm{Faithfulness}=\frac{|{c_i:\mathrm{supported}(c_i,\mathrm{ctx})}|}{|C|}
$$

实现路径与心智：提示强制先贴证据再写结论，生成后用 NLI/Faithfulness 过滤或重写无支撑 claim。底层心智：模型输出是待检验假说，不是事实。上下文为空应拒答。

优缺点

优点：降幻觉。
缺点：过严会拒答正确的同义改写。

契约与走通样例

输入

1	{"query": "siRNA 浓度？", "ctx": "20 nM siRNA targeting GAPDH for 48 h"}

中间量

草稿「20 nM，24 h」：浓度支持、时程不支持。过滤后只保留 20 nM，时程删除或改写为未知。Faithfulness 从 $0.5$ 到 $1.0$。

输出

1	{"answer": "20 nM siRNA targeting GAPDH.", "unsupported_dropped": ["24 h"]}

社区实现

RAGAS Faithfulness；TruLens groundedness。风险：LLM-judge 不锁温度则门禁抖动。

工程落地

最小可运行示例

复制为 .py 后直接运行（仅标准库）。教学用字面蕴含；生产换成 RAGAS Faithfulness / NLI 模型。

"""先草拟再按证据过滤 claim；空上下文或全不支持则拒答。"""
from __future__ import annotations

import re


def split_claims(draft: str) -> list[str]:
    """抽出带数字的原子命题。"""
    return re.findall(r"\d+\s*(?:nM|h)", draft)


def entailed(claim: str, evidence: str) -> bool:
    """字面包含判定。生产：entailment.holds(claim, evidence)。"""
    return claim.lower() in evidence.lower()


def grounded_generate(query: str, evidence: str, draft: str) -> str:
    """输入证据与草稿；输出仅含被支持 claim 的答案，否则 refuse。"""
    del query
    if not evidence.strip():
        return "refuse"
    kept = [c for c in split_claims(draft) if entailed(c, evidence)]
    return "; ".join(kept) if kept else "refuse"


if __name__ == "__main__":
    ctx = "20 nM siRNA targeting GAPDH for 48 h"
    print(grounded_generate("siRNA 浓度？", ctx, "20 nM, 24 h"))
    print(grounded_generate("siRNA 浓度？", "", "20 nM"))

参数

参数	起点	影响
NLI 阈值	偏严	过严误杀同义
空 ctx	拒答	禁止补全

失效—信号—螺丝

有证据仍编造：螺丝：后置 NLI，不通过则重写。
同义被杀：螺丝：调阈值或加领域同义。
空检索仍作答：螺丝：短路拒答。

规模（100 篇生物学 PDF）

附加 NLI GPU 4–8 GB。每问 +0.5–3 s。