在企業導入檢索增強生成（RAG）系統的過程中，最令架構師徹夜難眠的惡夢，往往不是系統「查不到資料」，而是 AI 以極其專業的口吻，引用了一條早已過期的法規，或是在成堆的技術文件中，拼湊出一個看似合理卻完全錯誤的回答。

在我們最近的 TASK-004 稽核任務中，發生了一個極具啟發性的轉折：初始檢索測試拿到了 15/15 一次全綠的完美成績。然而，這正是「技術指標全綠」帶來的假象。當我們發動對抗性探測時，這份全綠的報告背後隱藏的治理漏洞才顯露無蹤。這讓我們意識到：RAG 系統的成熟，不在於它回答了多少，而是在於它是否具備「精準拒絕」的勇氣。

以下是我們在 RAG 治理與架構中，針對「可追溯性」與「精準度」總結的四個核心實作細節。

重點一：過濾器必須在評分之前（Filter Before Scoring）

檢索的第一步絕不是計算相關性，而是「合規性過濾」。根據我們先前的教訓（Day 17 的 200 萬教訓），企業法規常有「同名兩版」的情形。若僅依賴相似度評分，系統極可能在 9 月份還在端出 8 月份就過期的條文。

在我們的架構中，檢索層對時間具備「結構性的盲視」——只有標記為 is_in_force(today) 的區塊（Chunk）才有資格被送入評分。

• 情境測試： 詢問「審查門檻」。在 8 月 3 日，系統自動定位至 v1.2（500 萬）；到了 9 月 2 日，系統會根據當前日期自動切換至 v1.3（300 萬）。
• 自動化治理： 系統透過每個資料塊的身分證（塊 ID）所帶的生效區間進行過濾。

> 技術精髓： 版本切換不用改任何程式，塊上的生效區間自己完成了切換。這種設計從根本上杜絕了引用舊規的合規風險。

重點二：別相信模型的自律，採取「零信任引用」

在生成回答時，架構師必須摒棄「要求模型精準引用」的幻想。事實證明，模型在處理文本細節時極易產生幻覺引用。因此，我們實施了「引用與生成脫鉤」的機制。

在 TASK-004 中，模型被賦予了極其嚴苛的指令：它只負責輸出核心答案（answer）與引用塊編號（cited_chunk_ids）。我們在 Prompt 中明確告誡模型：「就算你寫了文件名稱或版本，程式也會直接忽略它。」

真正的引用行是由程式端根據塊 ID，回溯資料庫中的「身分證」自動生成的。同時，我們設立了「引用閘門（Citation Gate）」，嚴格攔截以下三種違規：

1. 幻覺引用： 引用的編號根本不在提供的資料清單內。
2. 有答無引： 給出了答案卻無對應出處（除非標記資料不足）。
3. 不足未明示： 標記資料不足時，必須明確輸出「找不到依據，轉人工」。

> 核心觀念： 出處不由模型自律，而是由程式碼嚴格控管。這是 RAG 治理中「零信任（Zero Trust）」架構的實踐。

重點三：檢索層的極限——字面分數無法辨別「相關的雜訊」

我們在對抗性探測中發現了字面分數（Bigram Scoring）的本質弱點。雖然 Bigram 分數能輕易過濾「尾牙抽獎」這種風馬牛不相及的無關資料，但它分不出「主題相近但答非所問」的雜訊。

以「偏遠地區傳真審查」的測試題（Q6 陷阱）為例：

• 現象： 該條文在 v1.3 版已被刪除，正確應回報「查無依據」。
• 陷阱： 但檢索層因為「審查」等關鍵字，抓到了兩塊關於「高保額審查」與「審查期限」的資料，評分為 0.077。
• 挑戰： 0.077 剛好爬過了我們設定的 0.06 門檻。如果我們將門檻調高至 0.1，雖然能殺掉這筆雜訊，卻極可能誤殺其他低分但正確的答案。

門檻是「鈍器」，無法處理細微語意。因此，我們決定承認檢索層的極限，將防線下移至模型層。

重點四：模型的新美德——誠實回報「依據不足」

為了彌補檢索層的不足，我們在模型指令中寫入了「Prompt 鐵則第 3 條」：塊內容若「主題相近但答非所問」也算依據不足。

在驗收中，模型展現了高度的「效力用語紀律」與「誠實」：

• 面對雜訊的勇氣： 在 Q6 陷阱題中，即使檢索層送入了兩塊 0.077 的雜訊，模型仍成功辨識出這與「傳真」無關，最終給出「找不到依據，轉人工」的正確答覆。
• 引用的克制： 模型學會了「拿到什麼不一定要列什麼」。當檢索給了兩塊資料，但只有其中一塊能支撐答案時，模型只會回報那一塊的 ID。
• 法律嚴謹性： 模型能精確分辨規範中的「宜」與「應」，甚至主動加註：「注意此為宜（建議性質）而非強制之應」。

總結與未來思考

本次 TASK-004 的稽核結果令人振奮：在 171 項自動化測試中全數通過（171 passed）。我們證實了 RAG 系統的「可追溯性」不僅是功能，更是一種治理哲學。

當檢索層量不出的「答非所問」能被模型層成功接住並導向人工處理時，這代表我們的防線已從單純的關鍵字匹配，進化到了具備邏輯判斷的治理層次。

最後，值得我們深思的是：當 AI 學會誠實地說出「我不知道」時，我們是否反而能對它產生更深的信任？