Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Citaties met bronnen: Referentieobject en RAG

Les 8 van 16 Bijgewerkt op 3 november 2026 Gevorderd
Op deze pagina
  1. Waarom citaties essentieel zijn in productie
  2. Het referentieformaat
  3. RAG-pijplijnarchitectuur met citaties
  4. Best practices voor snippets
  5. Belangrijkste punten

Bijgewerkt op 3 november 2026 op basis van de gids Citations & References van Mistral: bronnen worden doorgegeven als een tool-resultaat in een object waarbij de sleutels getallen zijn ("0", "1"…) en de waarden url, title, snippets (lijst van lijsten), description, date en source bevatten. Het “Referentieobject” met velden type, reference_id en source_id uit de vorige versie komt niet voor in de documentatie, evenmin als specifieke drempelwaarden voor het aantal bronnen. Bron: Citations & References.

Waarom citaties essentieel zijn in productie

Wanneer u een Retrieval-Augmented Generation (RAG)-systeem in productie inzet, moeten uw gebruikers de antwoorden van het model kunnen verifiëren. Een antwoord zonder bron is een niet-verifieerbare bewering. Citaties transformeren een AI-antwoord in een gedocumenteerd, traceerbaar en betrouwbaar antwoord.

Mistral AI integreert native een citatiemechanisme waarmee het model zijn antwoorden kan baseren op brondocumenten en nauwkeurige referenties kan verstrekken. Het model is grondig getraind om zich te verankeren in documenten en relevante passages te extraheren.

Het referentieformaat

Bij Mistral passeren bronnen geen toegewijde parameter: ze bereiken het model als het resultaat van een tool-aanroep. Uw tool retourneert een JSON-object waarbij elke sleutel een bronnummer is ("0", "1", "2"…) en elke waarde de bron beschrijft:

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"
    }
}

Referentievelden

  • De sleutel ("0", "1"…) — de bronidentificatie, die het model hergebruikt in zijn citaties
  • url — het adres van de oorspronkelijke bron
  • title — de titel van de bron, voor weergave
  • snippets — de relevante fragmenten, als een lijst van lijsten van zinnen: dit is de inhoud die het model gebruikt om zijn antwoord te onderbouwen
  • description — een korte beschrijving, of None
  • date — de publicatie- of updatedatum
  • source — de oorsprong van de bron (een documentendatabase, een website)

RAG-pijplijnarchitectuur met citaties

De volledige workflow bestaat uit vier stappen.

1. Documentzoekopdracht

Uw ophaalsysteem (Elasticsearch, Pinecone, pgvector, enz.) retourneert de documenten die relevant zijn voor de gebruikersvraag.

2. Referenties opbouwen

U structureert de opgehaalde documenten in dit formaat:

def build_references(search_results):
    """Converteert zoekresultaten naar het referentieformaat van Mistral."""
    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. Het model aanroepen met een tool

U declareert een tool die het model aanroept om bronnen te verkrijgen. Bij aanroep retourneert uw code json.dumps(references) in een ToolMessage, waarna u het gesprek hervat (volgende les).

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. Het model citeert zijn bronnen

Het uiteindelijke antwoord is niet simpelweg een string: de inhoud wisselt af tussen TextChunk- en ReferenceChunk-objecten, waarbij het veld reference_ids de nummers van de geciteerde bronnen bevat — 0 voor sleutel "0". U zoekt deze op in uw referentietabel om titels en links weer te geven.

Best practices voor snippets

De kwaliteit van citaties hangt direct af van de kwaliteit van de snippets, en de eerste instelling om in de gaten te houden is hun lengte. Een snippet van twee tot vijf zinnen geeft het model een dense, bruikbare passage; een fragment dat een hele pagina beslaat, verdunt de relevante informatie tot het punt waarop het model de bron citeert zonder zich er echt in te verankeren. Pas echter op dat u niet te kort knipt: een snippet die uit zijn context is gerukt, kan verkeerd worden geïnterpreteerd — “het tarief stijgt naar 20%” betekent niets als de vorige zin, die specificeerde welk tarief, is afgekapt.

Het aantal bronnen speelt dezelfde rol als de lengte, op schaal van de query: elke toegevoegde bron kost contexttokens, ongeacht of deze wordt geciteerd of niet. Begin met een handvol bronnen en controleer in de reference_ids welke het model daadwerkelijk gebruikt voordat u er meer toevoegt. Tot slot, wanneer timing belangrijk is (geversioneerde documentatie, prijzen, regelgeving), vult u het veld date voor elke bron in: dit is informatie die het model kan gebruiken en die u kunt weergeven.

Belangrijkste punten

  • Bronnen passeren via een tool-resultaat, geïndexeerd op nummer ("0", "1"…), met URL, titel, snippets en metadata
  • Het Mistral-model is native getraind om zijn antwoorden te onderbouwen in de verstrekte bronnen
  • Snippets moeten beknopt en gecontextualiseerd zijn voor citaties van hoge kwaliteit
  • Beperk uzelf tot 3–7 referenties per query voor optimaal gebruik
  • Citaties transformeren AI-antwoorden in verifieerbare en traceerbare informatie