Przejdź do głównej treści
Polski— Wybierz język
Menu

Cytaty ze źródłami: obiekt referencyjny i RAG

Lekcja 8 z 16 Zaktualizowano 3 listopada 2026 Zaawansowany
Na tej stronie
  1. Dlaczego cytaty są kluczowe w środowisku produkcyjnym
  2. Format odniesienia
  3. Architektura potoku RAG z cytatami
  4. Najlepsze praktyki dotyczące fragmentów (snippets)
  5. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r. na podstawie przewodnika Mistral Citations & References: źródła są przekazywane jako wynik wywołania narzędzia w obiekcie, gdzie kluczami są liczby ("0", "1"…), a wartości zawierają pola url, title, snippets (lista list), description, date oraz source. „Obiekt referencyjny“ z polami type, reference_id i source_id z poprzedniej wersji nie występuje w dokumentacji, podobnie jak konkretne progi liczby źródeł. Źródło: Citations & References.

Dlaczego cytaty są kluczowe w środowisku produkcyjnym

Gdy wdrażasz system Retrieval-Augmented Generation (RAG) w środowisku produkcyjnym, Twoi użytkownicy muszą mieć możliwość weryfikacji odpowiedzi modelu. Odpowiedź bez źródła to twierdzenie, którego nie da się zweryfikować. Cytaty przekształcają odpowiedź AI w odpowiedź udokumentowaną, możliwą do prześledzenia i wiarygodną.

Mistral AI natywnie integruje mechanizm cytowania, który pozwala modelowi opierać odpowiedzi na dokumentach źródłowych i podawać precyzyjne odniesienia. Model został głęboko wytrenowany, aby osadzać się w dokumentach i wydobywać odpowiednie fragmenty.

Format odniesienia

W Mistral źródła nie są przekazywane przez dedykowany parametr: docierają do modelu jako wynik wywołania narzędzia. Twoje narzędzie zwraca obiekt JSON, w którym każdy klucz to numer źródła ("0", "1", "2"…), a każda wartość opisuje źródło:

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"
    }
}

Pola referencyjne

  • Klucz ("0", "1"…) — identyfikator źródła, którego model używa ponownie w swoich cytatach
  • url — adres oryginalnego źródła
  • title — tytuł źródła, do wyświetlenia
  • snippets — odpowiednie fragmenty, jako lista list zdań: to treść, której model używa do osadzenia swojej odpowiedzi
  • description — krótki opis lub None
  • date — data publikacji lub aktualizacji
  • source — pochodzenie źródła (baza danych dokumentów, strona internetowa)

Architektura potoku RAG z cytatami

Pełny przepływ pracy dzieli się na cztery kroki.

1. Wyszukiwanie dokumentów

Twój system retrieverów (Elasticsearch, Pinecone, pgvector itp.) zwraca dokumenty istotne dla zapytania użytkownika.

2. Budowanie odniesień

Strukturyzujesz pobrane dokumenty w tym formacie:

def build_references(search_results):
    """Konwertuje wyniki wyszukiwania na format referencyjny 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. Wywołanie modelu z narzędziem

Deklarujesz narzędzie, które model wywołuje, aby uzyskać źródła. Gdy zostanie wywołane, Twój kod zwraca json.dumps(references) w wiadomości ToolMessage, a następnie wznawiasz rozmowę (następna lekcja).

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. Model cytuje swoje źródła

Ostateczna odpowiedź nie jest prostym ciągiem znaków: jej treść alternuje między obiektami TextChunk i ReferenceChunk, gdzie pole reference_ids zawiera numery cytowanych źródeł — 0 dla klucza "0". Wyszukujesz je w swojej tabeli odniesień, aby wyświetlić tytuły i linki.

Najlepsze praktyki dotyczące fragmentów (snippets)

Jakość cytowania zależy bezpośrednio od jakości fragmentów, a pierwszym ustawieniem, na które należy zwrócić uwagę, jest ich długość. Fragment składający się z dwóch do pięciu zdań daje modelowi gęsty i użyteczny passage; wycinek obejmujący całą stronę rozcieńcza istotne informacje do tego stopnia, że model cytuje źródło, nie osadzając się w nim naprawdę. Uważaj jednak, aby nie ciąć zbyt krótko: fragment wyrwany z kontekstu może zostać źle zinterpretowany — „wskaźnik rośnie do 20%“ nie znaczy nic, jeśli poprzednie zdanie, które precyzowało, o jaki wskaźnik chodzi, zostało ucięte.

Liczba źródeł odgrywa taką samą rolę jak długość, ale w skali zapytania: każde dodane źródło kosztuje tokeny kontekstu, niezależnie od tego, czy zostało zacytowane, czy nie. Zacznij od kilku źródeł i sprawdź w reference_ids, których z nich model faktycznie używa, zanim dodasz kolejne. Na koniec, gdy czas ma znaczenie (wersjonowana dokumentacja, cenniki, regulacje), wypełnij pole date dla każdego źródła: są to informacje, z których model może skorzystać i które Ty możesz wyświetlić.

Kluczowe wnioski

  • Źródła są przekazywane przez wynik działania narzędzia, indeksowane numerami ("0", "1"…), zawierające URL, tytuł, fragmenty i metadane
  • Model Mistral jest natywnie wytrenowany do osadzania swoich odpowiedzi w dostarczonych źródłach
  • Fragmenty muszą być zwięzłe i osadzone w kontekście, aby zapewnić wysoką jakość cytowania
  • Ogranicz się do 3–7 odniesień na zapytanie dla optymalnego wykorzystania
  • Cytaty przekształcają odpowiedzi AI w informacje możliwe do zweryfikowania i prześledzenia