Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Citat med källor: Referensobjekt och RAG

Lektion 8 av 16 Uppdaterad 3 november 2026 Avancerad
På denna sida
  1. Varför citat är avgörande i produktion
  2. Referensformatet
  3. Arkitektur för RAG-pipeline med citat
  4. Bästa praxis för snippets
  5. Viktiga punkter

Uppdaterat den 3 november 2026 baserat på Mistral:s guide Citations & References: källor skickas som ett verktygsresultat i ett objekt där nycklarna är siffror ("0", "1"…) och värdena innehåller url, title, snippets (lista av listor), description, date och source. “Referensobjektet” med fälten type, reference_id och source_id från den tidigare versionen förekommer inte i dokumentationen, inte heller några specifika tröskelvärden för antalet källor. Källa: Citations & References.

Varför citat är avgörande i produktion

När du distribuerar ett RAG-system (Retrieval-Augmented Generation) i produktion måste dina användare kunna verifiera modellens svar. Ett svar utan källa är ett påstående som inte går att kontrollera. Citat förvandlar ett AI-svar till något dokumenterat, spårbart och tillförlitligt.

Mistral AI har en inbyggd citatmekanism som låter modellen basera sina svar på källdokument och ange precisa referenser. Modellen har tränats djupt på att förankra sig i dokument och extrahera relevanta passager.

Referensformatet

Hos Mistral passerar källor inte via en dedikerad parameter: de når modellen som resultatet av ett verktygsanrop. Ditt verktyg returnerar ett JSON-objekt där varje nyckel är ett källnummer ("0", "1", "2"…) och varje värde beskriver källan:

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"
    }
}

Referensfält

  • Nyckeln ("0", "1"…) – källidentifieraren som modellen återanvänder i sina citat
  • url – adressen till den ursprungliga källan
  • title – källans titel, för visning
  • snippets – de relevanta utdragen, som en lista av listor med meningar: detta är innehållet modellen använder för att förankra sitt svar
  • description – en kort beskrivning, eller None
  • date – publicerings- eller uppdateringsdatum
  • source – källans ursprung (en dokumentdatabas, en webbplats)

Arkitektur för RAG-pipeline med citat

Det kompletta arbetsflödet delas upp i fyra steg.

1. Dokumentsökning

Ditt hämtningssystem (Elasticsearch, Pinecone, pgvector, etc.) returnerar de dokument som är relevanta för användarens fråga.

2. Bygga referenser

Du strukturerar de hämtade dokumenten i detta 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. Anropa modellen med ett verktyg

Du deklarerar ett verktyg som modellen anropar för att hämta källor. När det anropas returnerar din kod json.dumps(references) i ett ToolMessage, varefter du fortsätter konversationen (nästa 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 citerar sina källor

Det slutgiltiga svaret är inte en enkel sträng: innehållet växlar mellan TextChunk- och ReferenceChunk-objekt, där fältet reference_ids innehåller numren på de citerade källorna – 0 för nyckeln "0". Du slår upp dessa i din referenstabell för att visa titlar och länkar.

Bästa praxis för snippets

Citatkvaliteten beror direkt på snippet-kvaliteten, och den första inställningen att hålla koll på är deras längd. Ett snippet på två till fem meningar ger modellen ett tät och användbart utdrag; ett utdrag som spänner över en hel sida utspäder den relevanta informationen så att modellen citerar källan utan att verkligen förankra sig i den. Var dock försiktig så att du inte klipper för kort: ett snippet som ryckts ur sitt sammanhang kan missförstås – “takten stiger till 20 %” betyder ingenting om den föregående meningen, som specificerade vilken takt det gällde, klipptes bort.

Antalet källor spelar samma roll som längden, men på frågenivå: varje tillagd källa kostar kontexttoken, oavsett om den citeras eller inte. Börja med ett fåtal källor och kontrollera i reference_ids vilka modellen faktiskt använder innan du lägger till fler. Slutligen, när tidpunkten är viktig (versionerad dokumentation, prissättning, regler), fyll i fältet date för varje källa: detta är information som modellen kan använda och som du kan visa.

Viktiga punkter

  • Källor passerar via ett verktygsresultat, indexerade efter nummer ("0", "1"…), med URL, titel, snippets och metadata
  • Mistral-modellen är inbyggt tränad för att förankra sina svar i de tillhandahållna källorna
  • Snippets måste vara koncisa och kontextualiserade för högkvalitativa citat
  • Begränsa dig till 3–7 referenser per fråga för optimal användning
  • Citat förvandlar AI-svar till verifierbar och spårbar information