Citationer med kilder: Referenceobjekt og RAG
På denne side
Opdateret 3. november 2026 baseret på Mistrals guide Citations & References: Kilder sendes som et værktøjsresultat i et objekt, hvor nøglerne er tal (
"0","1"…) og værdierne indeholderurl,title,snippets(liste af lister),description,dateogsource. “Reference Object” med felternetype,reference_idogsource_idfra den tidligere version forekommer ikke i dokumentationen, og heller ikke specifikke tærskelværdier for antallet af kilder. Kilde: Citations & References.
Hvorfor citationer er afgørende i produktion
Når du udruller et Retrieval-Augmented Generation (RAG)-system i produktion, har dine brugere brug for at verificere modellens svar. Et svar uden en kilde er en ubekræftet påstand. Citationer transformerer et AI-svar til noget dokumenteret, sporbart og pålideligt.
Mistral AI integrerer nativt en citationsmekanisme, der lader modellen basere sine svar på kildedokumenter og levere præcise referencer. Modellen er dybt trænet til at forankre sig i dokumenter og udtrække relevante passager.
Referenceformatet
Hos Mistral passerer kilder ikke gennem en dedikeret parameter: de når modellen som resultatet af et værktøjskald. Dit værktøj returnerer et JSON-objekt, hvor hver nøgle er et kilde-nummer ("0", "1", "2"…), og hver værdi beskriver kilden:
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"
}
}
Referencefelter
- Nøglen (
"0","1"…) — kildeidentifikatoren, som modellen genbruger i sine citationer url— adressen på den oprindelige kildetitle— kildens titel, til visningsnippets— de relevante uddrag, som en liste af lister med sætninger: dette er det indhold, modellen bruger til at forankre sit svardescription— en kort beskrivelse, ellerNonedate— udgivelses- eller opdateringsdatoensource— kildens oprindelse (en dokumentdatabase, et website)
RAG-pipelinearkitektur med citationer
Det komplette workflow opdeles i fire trin.
1. Dokumentsøgning
Dit hentningssystem (Elasticsearch, Pinecone, pgvector osv.) returnerer de dokumenter, der er relevante for brugerens forespørgsel.
2. Opbygning af referencer
Du strukturerer de hentede dokumenter i dette format:
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. Kald af modellen med et værktøj
Du definerer et værktøj, som modellen kalder for at hente kilder. Når det kaldes, returnerer din kode json.dumps(references) i en ToolMessage, hvorefter du genoptager samtalen (næste lektion).
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. Modellen citerer sine kilder
Det endelige svar er ikke en simpel streng: dets indhold skifter mellem TextChunk- og ReferenceChunk-objekter, hvor feltet reference_ids indeholder numrene på de citerede kilder – 0 for nøglen "0". Du slår disse op i din referencetabel for at vise titler og links.
Bedste praksis for snippets
Citationskvaliteten afhænger direkte af snippet-kvaliteten, og den første indstilling, du skal holde øje med, er deres længde. Et snippet på to til fem sætninger giver modellen en tæt, brugbar passage; et uddrag, der spænder over en hel side, udvander den relevante information i en grad, så modellen citerer kilden uden reelt at forankre sig i den. Pas dog på ikke at klippe for kort: et snippet revet ud af sin kontekst kan blive misforstået – “raten stiger til 20%” betyder ingenting, hvis den foregående sætning, der specificerede hvilken rate, blev klippet væk.
Antallet af kilder spiller samme rolle som længden, men på forespørgselsniveau: hver tilføjet kilde koster kontekst-tokens, uanset om den bliver citeret eller ej. Start med en håndfuld kilder og tjek i reference_ids, hvilke modellen faktisk bruger, før du tilføjer flere. Endelig, når timing er afgørende (versioneret dokumentation, priser, regulativer), skal du udfylde feltet date for hver kilde: dette er information, modellen kan bruge, og som du kan vise.
Vigtige pointer
- Kilder sendes via et værktøjsresultat, indekseret efter nummer (
"0","1"…), med URL, titel, snippets og metadata - Mistral-modellen er nativt trænet til at forankre sine svar i de leverede kilder
- Snippets skal være koncise og kontekstualiserede for at opnå citationer af høj kvalitet
- Begræns dig til 3–7 referencer pr. forespørgsel for optimal udnyttelse
- Citationer transformerer AI-svar til verificerbar og sporbar information