Zitate mit Quellen: Referenzobjekt und RAG
Auf dieser Seite
Aktualisiert am 3. November 2026 basierend auf Mistrals Citations & References-Guide: Quellen werden als Werkzeugergebnis in einem Objekt übergeben, dessen Schlüssel Nummern sind (
"0","1"…) und dessen Werteurl,title,snippets(Liste von Listen),description,dateundsourceenthalten. Das „Referenzobjekt” mit den Felderntype,reference_idundsource_idaus der vorherigen Version taucht in der Dokumentation nicht auf, noch gibt es spezifische Schwellenwerte für die Anzahl der Quellen. Quelle: Citations & References.
Warum Zitate in der Produktion unerlässlich sind
Wenn Sie ein Retrieval-Augmented Generation (RAG)-System in der Produktion bereitstellen, müssen Ihre Nutzer die Antworten des Modells verifizieren. Eine Antwort ohne Quelle ist eine nicht überprüfbare Behauptung. Zitate verwandeln eine KI-Antwort in eine dokumentierte, nachvollziehbare und zuverlässige Information.
Mistral AI integriert einen Zitationsmechanismus nativ, der es dem Modell ermöglicht, seine Antworten auf Quellendokumente zu stützen und präzise Referenzen bereitzustellen. Das Modell wurde tiefgehend trainiert, um sich in Dokumenten zu verankern und relevante Passagen zu extrahieren.
Das Referenzformat
Bei Mistral werden Quellen nicht über einen dedizierten Parameter übermittelt: Sie erreichen das Modell als Ergebnis eines Werkzeugaufrufs. Ihr Werkzeug gibt ein JSON-Objekt zurück, bei dem jeder Schlüssel eine Quellennummer ist ("0", "1", "2" …) und jeder Wert die Quelle beschreibt:
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"
}
}
Referenzfelder
- Der Schlüssel (
"0","1"…) — die Quellen-ID, die das Modell in seinen Zitaten wiederverwendet url— die Adresse der ursprünglichen Quelletitle— der Quellentitel zur Anzeigesnippets— die relevanten Auszüge als Liste von Listenelementen mit Sätzen: Dies ist der Inhalt, auf den sich das Modell stützt, um seine Antwort zu begründendescription— eine kurze Beschreibung oderNonedate— das Veröffentlichungs- oder Aktualisierungsdatumsource— der Ursprung der Quelle (eine Dokumentendatenbank, eine Website)
RAG-Pipeline-Architektur mit Zitaten
Der vollständige Arbeitsablauf gliedert sich in vier Schritte.
1. Dokumentensuche
Ihr Retrieval-System (Elasticsearch, Pinecone, pgvector usw.) gibt die für die Benutzeranfrage relevanten Dokumente zurück.
2. Aufbau der Referenzen
Sie strukturieren die abgerufenen Dokumente in diesem 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. Aufruf des Modells mit einem Werkzeug
Sie deklarieren ein Werkzeug, das das Modell aufruft, um Quellen zu erhalten. Wenn es aufgerufen wird, gibt Ihr Code json.dumps(references) in einer ToolMessage zurück, und Sie setzen das Gespräch fort (nächste 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. Das Modell zitiert seine Quellen
Die finale Antwort ist keine einfache Zeichenfolge: Ihr Inhalt wechselt zwischen TextChunk- und ReferenceChunk-Objekten, wobei das Feld reference_ids die Nummern der zitierten Quellen enthält — 0 für den Schlüssel "0". Sie suchen diese in Ihrer Referenztabelle nach, um Titel und Links anzuzeigen.
Best Practices für Snippets
Die Qualität der Zitate hängt direkt von der Qualität der Snippets ab, und die erste Einstellung, auf die Sie achten müssen, ist ihre Länge. Ein Snippet aus zwei bis fünf Sätzen gibt dem Modell eine dichte, nutzbare Passage; ein Auszug, der eine ganze Seite umfasst, verwässert die relevanten Informationen bis zum Punkt, an dem das Modell die Quelle zitiert, ohne sich wirklich darin zu verankern. Seien Sie jedoch vorsichtig, nicht zu kurz zu schneiden: Ein Snippet, das aus seinem Kontext gerissen ist, kann missverstanden werden — „die Rate steigt auf 20 %” bedeutet nichts, wenn der vorherige Satz, der die spezifizierte Rate angab, abgeschnitten wurde.
Die Anzahl der Quellen spielt dieselbe Rolle wie die Länge auf der Abfrageebene: Jede hinzugefügte Quelle kostet Kontext-Token, unabhängig davon, ob sie zitiert wird oder nicht. Beginnen Sie mit einer Handvoll Quellen und prüfen Sie in den reference_ids, welche das Modell tatsächlich verwendet, bevor Sie weitere hinzufügen. Schließlich, wenn Zeit entscheidend ist (versionierte Dokumentation, Preise, Regulierungen), füllen Sie das Feld date für jede Quelle: Dies ist Information, die das Modell nutzen kann, und die Sie anzeigen können.
Kernaussagen
- Quellen werden über ein Werkzeugergebnis übermittelt, indiziert durch Nummern (
"0","1"…), mit URL, Titel, Snippets und Metadaten - Das Mistral-Modell ist nativ trainiert, um seine Antworten in den bereitgestellten Quellen zu verankern
- Snippets müssen für hochwertige Zitate kurz und kontextualisiert sein
- Beschränken Sie sich auf 3–7 Referenzen pro Abfrage für eine optimale Nutzung
- Zitate verwandeln KI-Antworten in überprüfbare und nachvollziehbare Informationen