--- title: "RAG 找到了资料，为什么还是答错表格里的数值？" date: "2026-11-13" tags: ["RAG", "信息检索", "工程实践"] canonical: "https://www.whatsblog.site/post/rag-table-evidence" source: "https://www.whatsblog.site/post/rag-table-evidence.md" site: "Whatsblog" author: "Whatsblog" language: "zh-CN" updated: "2026-11-13" --- # RAG 找到了资料，为什么还是答错表格里的数值？ > 用一张虚构参数表，拆开型号召回、表头与单位还原、版本和适用范围选择，说明怎样让 RAG 回答中的数字真正带着可复核的证据。 ## 阅读提示 ### 关键结论 - 完整型号与表格中的系列写法可能不同，词法和向量召回需要互补。 - 数字必须与表头、单位、版本和适用条件一起构成证据。 - 分别检查召回、证据选择和回答生成，才能定位应该修改哪一环。 **适合读者：** 开发知识库问答、文档检索与技术资料助手的工程师。 **前置知识：** 了解 RAG、向量检索和 Markdown 表格的基本概念。 **本文基于：** 基于公开的混合检索、语义排序与文档布局分析文档，以及本文自造的参数表演示；不包含真实客户资料或生产性能结论。 用户问：“DEMO-Q2 的最高采样速率是多少？”检索结果里有这个系列的手册，回答还附了引用，却把单通道的数字当成了双通道的数字。再追问一次，模型又从另一份资料里找出一个不同答案。 这种情况很容易被归结为“模型不够聪明”。但沿着证据往前看，问题可能发生在三个不同位置：相关行没被召回，表格结构在解析时丢了，或者答案混用了不同条件下的数据。它们需要分别处理。 下面用一份完全虚构的采集模块手册说明这个过程。型号、版本、温度和数值均为教学演示，不能用于选型。 ## 引用了一份手册，还不等于引用对了那一格 假设手册规定，型号 `DEMO-Q2` 属于 `DEMO-Q` 系列，末尾的 `2` 表示双通道。正文中的表格没有重复完整型号： | 资料 | 系列 | 通道数 | 环境条件 | 最高采样速率 | |---|---|---:|---|---:| | 演示手册 B 版 | DEMO-Q | 1 | 0～30 ℃ | 140 kS/s | | 演示手册 B 版 | DEMO-Q | 2 | 0～30 ℃ | 84 kS/s | | 演示手册 B 版 | DEMO-Q | 2 | 大于 30 ℃、不超过 45 ℃ | 56 kS/s | | 演示手册 A 版 | DEMO-Q | 2 | 0～30 ℃ | 72 kS/s | 搜索完整字符串 `DEMO-Q2`，可能只找到封面上的产品列表。正文真正包含答案的地方写的是 `DEMO-Q`，通道数藏在另一列。向量检索也可能把几行都找出来，但最高分不保证对应正确通道。 假设用户已经确认使用 B 版，一个有用的回答应承认问题还缺环境条件：“按演示手册 B 版，双通道在 0～30 ℃时为 84 kS/s，在另一温度范围内为 56 kS/s。你需要哪个工况？”如果用户指定 A 版，就应按 A 版回答，不能因为 B 版看起来更新而自行替换。 这里要保住的是型号、指标、条件和版本之间的关系。只有一个数字和一个文档链接，读者仍然无法复核。 ## 给精确标识和自然语言各留一条召回路径 型号、条款号、产品编号具有明显的词法特征；“高温时速度会不会下降”则更依赖语义。实际检索可以同时使用关键词路径和向量路径，再合并候选。[Azure AI Search 的混合检索说明](https://learn.microsoft.com/en-us/azure/search/hybrid-search-overview)介绍了这种组合，以及用 RRF 融合排名的一种实现。 对于例子中的型号，可以保留完整写法，并在明确的命名规则下增加系列写法。扩展结果只获得“进入候选池”的资格。`DEMO-Q2` 不能靠子串命中 `DEMO-Q20`；也不能凭任何型号最后一位是数字，就猜它一定表示通道数。 还要保留扩展依据。若命名规则来自手册，就让规则本身成为可引用证据；若规则尚未核实，就把系列行作为待确认候选，避免在检索阶段提前替用户做业务判断。 元数据检索也有用途：标题命中了某份手册，下一步应在这份手册里补召回相关正文。否则重复出现的封面、目录和前言可能占满候选名额，而真正的参数表始终进不了答案上下文。 ![问题经多路召回、证据还原和适用范围检查后形成带条件答案的流程](/uploads/2026/11/2e00ad7de3a48c5d10917aa45d408983.png "让答案中的数值带回它所属的表格与条件") ## 把一格数值还原成一条完整证据 表格切成文本后，单元格可能离开表头，单位可能在标题里，例外条件则在表尾脚注。把“84”交给模型，即使检索排名很高，也提供不了足够的判断依据。 应尽量保留行列位置、表头、单位、表题和相关脚注，再围绕命中单元格组织上下文。[Document Intelligence 的布局分析文档](https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/prebuilt/layout?view=doc-intel-4.0.0)展示了表格、表头和结构信息的提取能力；采用其他解析器时，也可以用这些信息检查输出是否够用。 下面是从虚构表格整理出的证据示例。这是说明信息关系的格式，不要求检索系统采用同一套字段： ```json { "source_id": "E1", "document": "演示采集模块手册 B 版", "section": "采样性能表", "series": "DEMO-Q", "channels": 2, "temperature": "0～30 ℃", "metric": "最高采样速率", "value": 84, "unit": "kS/s" } ``` 真实系统还应能从这条证据定位回原文件的页码、表格或原文片段。如果解析器连表头都没有识别出来，邻接扩展可能补回附近文本，却不能保证恢复丢失的行列关系。此时应重新解析、核对原页，或明确说明证据不足。 ## 先限定能用的资料，再比较哪条更相关 精排可以改善候选顺序。[Azure 的语义排序文档](https://learn.microsoft.com/en-us/azure/search/semantic-search-overview)明确把它放在初次检索之后：它处理已经进入候选集的内容。因此，关键表格没有召回时，提高精排能力也补不回那张表。 同样，相关分数不能代替适用范围。用户指定“双通道、普通环境、A 版”，这三个条件应约束证据选择。单通道的一条高分结果、另一温度范围的清晰表格、标题更完整的 B 版，都不能直接覆盖这些限定。 可以按这样的顺序组织回答：先确认对象和指标，再核对用户指定的版本与条件；将可比较的证据放在一起，最后生成答案。条件缺失时保留分支，条件冲突时指出冲突。只有证据适用性相当时，资料类型和排序分数才适合帮助确定展示顺序。 文件名中的年份只是版本线索。没有核查发布机构的现行目录，就不要把“文件比较新”写成“这是现行有效标准”。 ## 用一张小表，检验整条链路 检验这套做法时，可以直接使用上面的虚构资料，准备几道答案明确的问题： | 问法或干扰 | 应观察的结果 | |---|---| | 问完整型号，正文只有系列名 | 找到系列行，并结合通道列 | | 同时放入相似型号 | 不把前缀相同当成同一对象 | | 不指定环境条件 | 说明条件差异或追问，避免硬选一个数 | | 明确指定 A 版 | 使用指定版本，不擅自升级 | | 删除表头或单位 | 暴露证据缺口，避免猜测补全 | | 添加高分封面片段 | 参数正文仍有机会进入候选 | 检查时分开记录“召回到了吗”“选对单元格了吗”“回答保留条件了吗”。只看最终答案的正确率，很难判断下一步该改解析、检索还是生成。 延迟也要按实际链路测量：查询向量化、检索、精排和生成各占多少时间。测量时固定资料集、问题集和各阶段配置，分别记录耗时；只比较一次模型请求的用时，无法判断整条问答链路快了多少。 当答案写出“84 kS/s”时，最有价值的追问是：这个数字来自哪一格，属于哪个对象，在什么条件下成立？检索系统能把这几个问题一起回答清楚，引用才真正成为证据。 ## 参考资料 1. [Microsoft Learn：Hybrid search overview]() — 说明关键词与向量查询的组合，以及使用 RRF 合并结果的一种实现。 2. [Microsoft Learn：Semantic ranking overview]() — 说明语义排序在初次检索之后对已有候选重新排序。 3. [Microsoft Learn：Document layout analysis]() — 说明表格、表头与结构信息的提取能力，用于理解证据还原所需信息。 --- 原文（HTML）：https://www.whatsblog.site/post/rag-table-evidence 来源：Whatsblog · https://www.whatsblog.site/ —— 引用请保留标题与原文链接。