Премини към основното съдържание
Български— Изберете език
Меню

Цитати с източници: Обект за препратки и RAG

Урок 8 от 16 Обновен 3 ноември 2026 г. Напреднало
На тази страница
  1. Защо цитатите са съществени в продукционна среда
  2. Формат на препратките
  3. Архитектура на RAG конвейера с цитати
  4. Най-добри практики за откъси (snippets)
  5. Ключови изводи

Обновено на 3 ноември 2026 г. въз основа на ръководството на Mistral за Цитати и препратки: източниците се предават като резултат от инструмент в обект, където ключовете са числа ("0", "1"…), а стойностите съдържат url, title, snippets (списък от списъци), description, date и source. „Обектът за препратки“ с полета type, reference_id и source_id от предишната версия не фигурира в документацията, както и няма специфични прагове за броя на източниците. Източник: Citations & References.

Защо цитатите са съществени в продукционна среда

Когато внедрявате система за генериране с подсилване чрез извличане (RAG) в продукционна среда, Вашите потребители трябва да могат да верифицират отговорите на модела. Отговор без източник е недоказуемо твърдение. Цитатите превръщат отговора на изкуствения интелект в документиран, проследим и надежден такъв.

Mistral AI интегрира нативно механизъм за цитиране, който позволява на модела да базира отговорите си на изходни документи и да предоставя точни препратки. Моделът е обучен дълбоко да се обосновава върху документи и да извлича релевантни пасажи.

Формат на препратките

При Mistral източниците не преминават през отделен параметър: те достигат до модела като резултат от извикване на инструмент. Вашият инструмент връща JSON обект, където всеки ключ е номер на източник ("0", "1", "2"…), а всяка стойност описва източника:

references = {
    "0": {
        "url": "https://docs.example.com/guide",
        "title": "Deployment Guide v3.2",
        "snippets": [
            [
                "Production deployment requires verification...",
                "Load tests must validate at least 1000 req/s..."
            ]
        ],
        "description": None,
        "date": "2026-03-15",
        "source": "docs-deployment"
    }
}

Полета на препратките

  • Ключът ("0", "1"…) – идентификаторът на източника, който моделът използва повторно в своите цитати
  • url – адресът на оригиналния източник
  • title – заглавието на източника, за визуализация
  • snippets – релевантните откъси, като списък от списъци с изречения: това е съдържанието, което моделът използва, за да обоснове своя отговор
  • description – кратко описание или None
  • date – датата на публикуване или актуализация
  • source – произходът на източника (база данни с документи, уебсайт)

Архитектура на RAG конвейера с цитати

Пълният работен поток се разделя на четири стъпки.

1. Търсене на документи

Вашата система за извличане (Elasticsearch, Pinecone, pgvector и др.) връща документите, релевантни на заявката на потребителя.

2. Изграждане на препратки

Вие структурирате извлечените документи в този формат:

def build_references(search_results):
    """Converts search results to Mistral's reference format."""
    return {
        str(i): {
            "url": result.get("url", ""),
            "title": result["title"],
            "snippets": [result["relevant_passages"]],
            "description": None,
            "date": result.get("date"),
            "source": result.get("collection", "default"),
        }
        for i, result in enumerate(search_results)
    }

3. Извикване на модела с инструмент

Вие декларирате инструмент, който моделът извиква, за да получи източници. Когато бъде извикан, Вашият код връща json.dumps(references) в ToolMessage, след което възобновявате разговора (следващия урок).

from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

get_information_tool = {
    "type": "function",
    "function": {
        "name": "get_information",
        "description": "Retrieves relevant document sources",
        "parameters": {
            "type": "object",
            "properties": {"query": {"type": "string"}},
            "required": ["query"]
        }
    }
}

4. Моделът цитира своите източници

Крайният отговор не е обикновен низ: неговото съдържание редува обекти TextChunk и ReferenceChunk, където полето reference_ids съдържа номерата на цитираните източници – 0 за ключ "0". Вие ги търсите във Вашата таблица с препратки, за да покажете заглавията и връзките.

Най-добри практики за откъси (snippets)

Качеството на цитатите зависи пряко от качеството на откъсите, а първата настройка, която трябва да следите, е тяхната дължина. Откъс от две до пет изречения предоставя на модела плътен и използваем пасаж; откъс, обхващащ цяла страница, разрежда релевантната информация дотолкова, че моделът цитира източника, без всъщност да се обосновава върху него. Внимавайте обаче да не режете твърде кратко: откъс, откъснат от контекста си, може да бъде погрешно интерпретиран – „ставката нараства до 20%“ не означава нищо, ако предишното изречение, което уточнява коя ставка, е било отрязано.

Броят на източниците играе същата роля като дължината, но в мащаба на заявката: всеки добавен източник струва токени от контекста, независимо дали е цитиран, или не. Започнете с шепа източници и проверете в reference_ids кои от тях моделът действително използва, преди да добавите още. Накрая, когато времето има значение (версионна документация, ценообразуване, регулации), попълнете полето date за всеки източник: това е информация, която моделът може да използва и която Вие можете да покажете.

Ключови изводи

  • Източниците преминават като резултат от инструмент, индексирани по номер ("0", "1"…), с URL, заглавие, откъси и метаданни
  • Моделът на Mistral е обучен нативно да обосновава отговорите си върху предоставените източници
  • Откъсите трябва да бъдат кратки и контекстуализирани за висококачествени цитати
  • Ограничете се до 3–7 препратки на заявка за оптимално използване
  • Цитатите превръщат отговорите на изкуствения интелект във верифицируема и проследима информация