RAG 检索结果怎样保留来源片段和页码

RAG 要保留来源片段和页码，应在解析文档时就给每个片段保存文档身份、版本、页位置和原文区间，检索与重排时把这些字段一起返回，最后由应用把答案中的引用标识映射回原片段。只给模型一段拼接文本，再要求它补页码，无法可靠恢复已经丢失的定位信息。

例如，知识库能回答“设备停机前应记录什么”，却只显示“来源：操作手册.pdf”。同名手册可能有修订版，片段也可能在正文第7页、PDF物理第11页。改进重点是让引用成为有明确身份的数据对象，而不只是答案末尾的一行文件名。下面是建议的数据设计，不依赖某次模型升级。

把来源信息从字符串升级为结构化片段

建议为每份源文档分配稳定的 doc_id，并用 revision 区分具体版本；每个可检索片段有自己的 chunk_id。文件名用于展示，不适合单独承担唯一身份。再保存正文 text、物理页位置、页标签及页内区间，片段才具备回到来源的依据。

这些字段是本文给出的应用契约，不是任何向量数据库的默认字段。Qdrant 的官方文档说明向量记录可以附带 payload，并可在检索时指定返回哪些字段。因此可以把来源字段与片段一起存进 payload，也可以只保存片段标识、再从文档存储取回正文；关键是记录之间能准确关联。

Qdrant 官方地址：https://qdrant.tech/

先保住页边界，再记录片段区间

PDF最好先按物理页提取，再在页内切分。这样每个片段天然属于一页。不要先把整本PDF拼成一个长字符串、扔掉页边界，再把首片段页码复制给全部切片。确需跨页时，将来源写成多个定位段，每段分别保留页号与区间，不能仅保留一个起始页来冒充完整出处。

页标签也不一定等于纸面印刷页码：PDF可能未定义标签，封面及目录可能另用编号。展示时区分“PDF第11页”和“页面标签7”，未确认的印刷页码不要推算。若用pypdf，可参考其逐页文本提取和页面标签能力，但扫描件仍可能需要OCR。

pypdf 官方文档：https://pypdf.readthedocs.io/

区间单位必须写清楚：这里的span按规范化页文本的Unicode字符位置计数，不按UTF-8字节，也不是PDF坐标。去页眉、空白合并、断行修复后，应保存所用的规范化页文本版本，再计算区间。以后修改清洗规则，旧区间不能继续套在新文本上。

需要在PDF画面高亮时，还应保留解析器或OCR提供的词块坐标。单有字符串区间通常不足以重建页面矩形；不要把文本偏移当成坐标使用。

重排以后仍用片段身份绑定引用

检索结果应返回一个完整记录，至少包含chunk_id、text及来源元数据。重排只改变候选次序，不应该拆散正文与元数据。若重排器只返回原始候选的位置或标识，就用它关联原记录；不要拿重排后的第一段正文配上旧列表第一项的页码。

构造当前回答的上下文时，可建立一张临时证据表：C1对应某个chunk_id，C2对应另一个chunk_id。让答案引用C1、C2，再由应用按照证据表显示文档名、页位置及摘录。短标识只在本次回答内有效，不能把所有请求的C1都写成一个全局来源。

模型不应自行生成文件URL、页码或检索记录中没有的片段标识。应用应只解析证据表内的标识，未知标识显示为缺失引用并触发降级处理。这是产品实现的行为约定；引用存在也不自动证明该句被原文支持，文本蕴含关系仍需单独处理。

若上下文压缩器改写了原文，保留改写摘要与原片段的映射，不要把摘要伪装成逐字引文。展示证据时取回原片段，并明确区分“原文摘录”和“模型概括”。

旧索引怎样补齐来源信息

先看旧记录是否仍能指向具体源文档版本。如果只丢了检索响应字段，而索引里保留着来源元数据，补回查询的字段选择与接口传递即可；正文向量不一定需要重新计算。Qdrant检索接口的payload返回选项正是这类接口配置的一部分。

如果入库时已经丢掉页边界、原片段及版本身份，就需要重新解析来源并建立新记录。旧chunk_id若已经用于历史回答，应保留旧版本映射，不要悄悄把同一标识换绑到新文件。可以给新版本建立独立索引或记录集，待业务切换后再按保留策略处理旧版本。

跨文档去重时也不要只剩一份正文、一条随机来源。相同句子可能出现在不同文档和页面，去重记录应保留多个来源定位，引用展示再根据本次检索语境选择或并列列出。

用一份小样例确认引用约定

可用一份带封面、正文页标签及跨页段落的小文档，在开发环境逐段对照解析记录、检索返回与引用展示。比如约定PDF第11页的page_index为10，页面标签为7，就应同时保存10与字符串7，不能在每个组件里重复加1。这里是样例约定，不是实际运行输出。

重点观察：片段截取是否对应保存的页文本，重排后chunk_id是否仍配对，旧版回答能否找到旧文件，以及缺页标签时是否明确展示物理页。若来源不足，允许回答“当前片段没有可用页码”，比生成一个看似完整的数字更可靠。

网页没有页码怎么办？保存页面URL、标题、抓取版本和段落锚点或文本区间，不要人为制造PDF页码。

重叠切片会重复引用吗？会出现重合证据。可以在同一文档版本和同一页内合并重叠区间，但必须保留实际支持答案的文本范围，不能只按文件名删除其他页的证据。

有页码就能证明答案正确吗？不能。页码解决定位，原片段解决回看；答案是否得到片段支持是另一项判断。

相关一手资料：Qdrant payload、Qdrant 检索返回字段、pypdf 文本提取说明。来源身份、区间与引用表的组织方式为本文建议的工程设计。