Παραθέματα με πηγές: Αντικείμενο αναφοράς και RAG
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026 με βάση τον οδηγό Citations & References της Mistral: οι πηγές περνούν ως αποτέλεσμα εργαλείου σε ένα αντικείμενο όπου τα κλειδιά είναι αριθμοί (
"0","1"…) και οι τιμές περιέχουνurl,title,snippets(λίστα λιστών),description,dateκαιsource. Το «Αντικείμενο Αναφοράς» με τα πεδίαtype,reference_idκαιsource_idαπό την προηγούμενη έκδοση δεν εμφανίζεται στην τεκμηρίωση, όπως και συγκεκριμένα όρια για τον αριθμό των πηγών. Πηγή: Citations & References.
Γιατί τα παραθέματα είναι απαραίτητα στην παραγωγή
Όταν αναπτύσσετε ένα σύστημα Retrieval-Augmented Generation (RAG) σε περιβάλλον παραγωγής, οι χρήστες σας χρειάζεται να επαληθεύουν τις απαντήσεις του μοντέλου. Μια απάντηση χωρίς πηγή αποτελεί έναν μη επαληθεύσιμο ισχυρισμό. Τα παραθέματα μετατρέπουν μια απάντηση ΤΝ σε μια τεκμηριωμένη, ιχνηλατίσιμη και αξιόπιστη πληροφορία.
Η Mistral AI ενσωματώνει εγγενώς έναν μηχανισμό παραθεμάτων που επιτρέπει στο μοντέλο να βασίζει τις απαντήσεις του σε έγγραφα-πηγές και να παρέχει ακριβείς αναφορές. Το μοντέλο έχει εκπαιδευτεί σε βάθος ώστε να θεμελιώνεται σε έγγραφα και να εξάγει σχετικά αποσπάσματα.
Η μορφή αναφοράς
Στην Mistral, οι πηγές δεν περνούν μέσω μιας ειδικής παραμέτρου: φτάνουν στο μοντέλο ως αποτέλεσμα κλήσης εργαλείου. Το εργαλείο σας επιστρέφει ένα αντικείμενο JSON όπου κάθε κλειδί είναι ένας αριθμός πηγής ("0", "1", "2"…) και κάθε τιμή περιγράφει την πηγή:
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"
}
}
Πεδία αναφοράς
- Το κλειδί (
"0","1"…) — το αναγνωριστικό της πηγής, το οποίο το μοντέλο επαναχρησιμοποιεί στα παραθέματά του url— η διεύθυνση της αρχικής πηγήςtitle— ο τίτλος της πηγής, για εμφάνισηsnippets— τα σχετικά αποσπάσματα, ως λίστα λιστών προτάσεων: αυτό είναι το περιεχόμενο που χρησιμοποιεί το μοντέλο για να θεμελιώσει την απάντησή τουdescription— μια σύντομη περιγραφή, ήNonedate— η ημερομηνία δημοσίευσης ή ενημέρωσηςsource— η προέλευση της πηγής (μια βάση δεδομένων εγγράφων, ένας ιστότοπος)
Αρχιτεκτονική αγωγού RAG με παραθέματα
Η πλήρης ροή εργασίας αναλύεται σε τέσσερα βήματα.
1. Αναζήτηση εγγράφων
Το σύστημα ανάκτησής σας (Elasticsearch, Pinecone, pgvector, κ.λπ.) επιστρέφει τα έγγραφα που σχετίζονται με το ερώτημα του χρήστη.
2. Δημιουργία αναφορών
Δομείτε τα ανακτημένα έγγραφα σε αυτή τη μορφή:
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. Κλήση του μοντέλου με ένα εργαλείο
Δηλώνετε ένα εργαλείο που καλεί το μοντέλο για να λάβει πηγές. Όταν κληθεί, ο κώδικάς σας επιστρέφει json.dumps(references) σε ένα ToolMessage και στη συνέχεια συνεχίζετε τη συνομιλία (επόμενο μάθημα).
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. Το μοντέλο παραθέτει τις πηγές του
Η τελική απάντηση δεν είναι μια απλή συμβολοσειρά: το περιεχόμενό της εναλλάσσεται μεταξύ αντικειμένων TextChunk και ReferenceChunk, όπου το πεδίο reference_ids περιέχει τους αριθμούς των παρατιθέμενων πηγών — 0 για το κλειδί "0". Ανατρέχετε σε αυτές στον πίνακα αναφορών σας για να εμφανίσετε τίτλους και συνδέσμους.
Βέλτιστες πρακτικές για τα αποσπάσματα (snippets)
Η ποιότητα των παραθεμάτων εξαρτάται άμεσα από την ποιότητα των αποσπασμάτων και η πρώτη ρύθμιση που πρέπει να προσέξετε είναι το μήκος τους. Ένα απόσπασμα δύο έως πέντε προτάσεων παρέχει στο μοντέλο ένα πυκνό και χρήσιμο απόσπασμα· ένα απόσπασμα που καλύπτει μια ολόκληρη σελίδα αραιώνει τις σχετικές πληροφορίες σε τέτοιο βαθμό που το μοντέλο παραθέτει την πηγή χωρίς να θεμελιώνεται πραγματικά σε αυτήν. Προσοχή όμως να μην κόψετε πολύ σύντομα: ένα απόσπασμα αποκομμένο από το πλαίσιο του μπορεί να παρερμηνευθεί — «το ποσοστό αυξάνεται στο 20%» δεν σημαίνει τίποτα αν η προηγούμενη πρόταση, που καθόριζε σε ποιο ποσοστό αναφερόμαστε, έχει κοπεί.
Ο αριθμός των πηγών παίζει τον ίδιο ρόλο με το μήκος, σε κλίμακα ερωτήματος: κάθε πρόσθετη πηγή κοστίζει tokens πλαισίου, είτε παρατίθεται είτε όχι. Ξεκινήστε με μια χούφτα πηγές και ελέγξτε, στα reference_ids, ποιες χρησιμοποιεί πραγματικά το μοντέλο πριν προσθέσετε περισσότερες. Τέλος, όταν ο χρόνος έχει σημασία (τεκμηρίωση με εκδόσεις, τιμολόγηση, κανονισμοί), συμπληρώστε το πεδίο date για κάθε πηγή: αυτές είναι πληροφορίες που μπορεί να χρησιμοποιήσει το μοντέλο και που εσείς μπορείτε να εμφανίσετε.
Βασικά σημεία
- Οι πηγές περνούν μέσω του αποτελέσματος ενός εργαλείου, ευρετηριασμένες κατά αριθμό (
"0","1"…), με URL, τίτλο, αποσπάσματα και μεταδεδομένα - Το μοντέλο της Mistral είναι εγγενώς εκπαιδευμένο να θεμελιώνει τις απαντήσεις του στις παρεχόμενες πηγές
- Τα αποσπάσματα πρέπει να είναι συνοπτικά και να έχουν πλαίσιο για παραθέματα υψηλής ποιότητας
- Περιοριστείτε σε 3–7 αναφορές ανά ερώτημα για βέλτιστη χρήση
- Τα παραθέματα μετατρέπουν τις απαντήσεις ΤΝ σε επαληθεύσιμες και ιχνηλατίσιμες πληροφορίες