Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Citationer med kilder: Referenceobjekt og RAG

Lektion 8 af 16 Opdateret 3. november 2026 Avanceret
På denne side
  1. Hvorfor citationer er afgørende i produktion
  2. Referenceformatet
  3. RAG-pipelinearkitektur med citationer
  4. Bedste praksis for snippets
  5. Vigtige pointer

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 indeholder url, title, snippets (liste af lister), description, date og source. “Reference Object” med felterne type, reference_id og source_id fra 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 kilde
  • title — kildens titel, til visning
  • snippets — de relevante uddrag, som en liste af lister med sætninger: dette er det indhold, modellen bruger til at forankre sit svar
  • description — en kort beskrivelse, eller None
  • date — udgivelses- eller opdateringsdatoen
  • source — 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