4.6 生成內容中的來源歸屬

來源標註讓讀者可以回頭核對答案，也讓系統比較容易除錯。不過，只在句尾放一串連結還不夠；引用必須能對應到實際支撐該句話的資料。

為什麼要標來源

• 可以查證：使用者可以回頭看原文，確認答案沒有被誤解。
• 建立信任：知道答案有根據，而不是模型說了算。
• 方便除錯：答案不對的時候，從來源就能看出是資料本身錯了，還是模型讀錯了。
• 合規與責任：醫療、法律、學術這類場合，往往要求能追溯依據。

做法：編號加 metadata

整個做法接續前面各章的準備：

1. 第 3 章：每一塊都帶著 metadata（來源檔名、頁數、標題）。
2. 4.2、4.3：把資料放進提示詞時，每一段都編號並附上來源。
3. 指示：要求模型用到哪一段，就標上編號，例如 [1]。
4. 後處理：從答案裡找出編號，用編號對應回 metadata，顯示成使用者看得懂的來源。

範例

提示詞裡的資料：

[1]（來源：員工手冊.pdf，第 12 頁）
員工在同一公司服務滿六個月未滿一年者，每年有三天特別休假。

[2]（來源：員工手冊.pdf，第 13 頁）
年度結束時沒有休完的特別休假，公司應該折算成工資發給員工。

模型的答案：

沒休完的特休假，公司要折算成工資發給員工 [2]。

系統解析出 [2]，查到對應的 metadata，顯示成：

來源：員工手冊.pdf，第 13 頁

後處理的程式

後處理要做的事：從答案找出所有的編號，對應回來源。更重要的是，驗證編號真的存在，因為模型有時會引用根本沒有的編號。

import re

def check_citations(answer, chunks):
    """找出答案裡的 [n]，對應回來源；編號不存在的要警告"""
    numbers = sorted({int(n) for n in re.findall(r"\[(\d+)\]", answer)})
    for n in numbers:
        if 1 <= n <= len(chunks):
            c = chunks[n - 1]
            print(f"[{n}] {c['source']} 第 {c['page']} 頁")
        else:
            print(f"[{n}] 警告：沒有這個編號的資料，模型可能亂編了引用")

用一個故意編造的答案測試，答案裡有 [2] 和一個不存在的 [5]（只有兩段資料）：

模型回答： 沒休完的特休假，公司要折算成工資發給員工 [2]。另外也可參考 [5]。
[2] 員工手冊.pdf 第 13 頁
[5] 警告：沒有這個編號的資料，模型可能亂編了引用

這個答案是我手寫的，用來示範後處理，不是真的模型輸出。

完整的可執行範例

下面是把 4.2 到 4.6 串起來的完整程式，不需要安裝任何套件。它組出完整的提示詞，並示範預算控制和引用檢查：

import re

SYSTEM = """你是公司的人資助理。請只根據下面「參考資料」回答問題。
規則：
1. 資料裡沒有答案時，直接說「資料中沒有提到」，不要猜。
2. 回答中用到哪一段資料，就在句子後面標上編號，例如 [1]。
3. 用繁體中文，簡短回答。"""

# 檢索器找回來的資料（已經依相似度排好，最相關的在前面）
retrieved = [
    {"text": "員工在同一公司服務滿六個月未滿一年者，每年有三天特別休假。", "source": "員工手冊.pdf", "page": 12},
    {"text": "年度結束時沒有休完的特別休假，公司應該折算成工資發給員工。", "source": "員工手冊.pdf", "page": 13},
    {"text": "加班必須事先經主管同意。平日加班前兩小時，以 1.34 倍計算。", "source": "員工手冊.pdf", "page": 20},
]


def pick_within_budget(chunks, max_chars):
    picked, used = [], 0
    for chunk in chunks:
        if used + len(chunk["text"]) > max_chars:
            break
        picked.append(chunk)
        used += len(chunk["text"])
    return picked


def build_prompt(question, chunks):
    blocks = []
    for number, chunk in enumerate(chunks, start=1):
        blocks.append(f"[{number}]（來源：{chunk['source']}，第 {chunk['page']} 頁）\n{chunk['text']}")
    context = "\n\n".join(blocks)
    return f"{SYSTEM}\n\n# 參考資料\n{context}\n\n# 問題\n{question}"


def check_citations(answer, chunks):
    numbers = sorted({int(n) for n in re.findall(r"\[(\d+)\]", answer)})
    for n in numbers:
        if 1 <= n <= len(chunks):
            c = chunks[n - 1]
            print(f"[{n}] {c['source']} 第 {c['page']} 頁")
        else:
            print(f"[{n}] 警告：沒有這個編號的資料，模型可能亂編了引用")


question = "沒休完的特休假會怎麼處理？"
chunks = pick_within_budget(retrieved, max_chars=70)
print(f"預算 70 字，放進了 {len(chunks)} 段（共檢索到 {len(retrieved)} 段）\n")
print(build_prompt(question, chunks))

answer = "沒休完的特休假，公司要折算成工資發給員工 [2]。另外也可參考 [5]。"
print("\n模型回答：", answer)
check_citations(answer, chunks)

來源歸屬的幾個層次

層次	做法	備註
列出參考了哪些文件	回答後面附上所有檢索到的來源	最簡單，但不知道哪句對應哪個來源
句子層級的引用	每個重點後面標編號	最常見，精準度和成本的平衡
引用原文片段	同時顯示引用的那一句原文	最容易查證，要額外處理
連結回原文位置	引用編號可以點開到原文的頁面或段落	使用體驗最好，需要保存足夠的位置資訊

要小心的地方

模型可能引用錯誤

• 編號不存在：像上面的例子，用程式驗證就能抓到。
• 編號存在但內容無法支撐說法：模型引用了 [2]，但 [2] 並沒有說那句話。這比較難抓，可以用另一個模型判斷「這段資料能不能支撐這句話」；第 6 章的忠實度評估就是在處理這件事。

「有標來源」不等於「一定正確」

來源只是讓人有辦法查證，不代表答案就對。重要的場合，仍然需要使用者去看原文確認。

來源本身的問題

• 資料本身過期了，或是寫錯了。
• 資料是不可信的來源。

這要靠資料管理和 metadata（例如日期、版本、可信度標記）來處理。

權限

顯示來源時，要確認使用者有權限看那份文件。否則透過來源連結，可能洩漏不該看到的檔名或內容。