先看一个常见场景。
知识库里只有国内差旅报销制度，用户却问：“海外出差时，当地交通票据丢失应该怎么补办？”
资料里没有海外票据补办规则，但向量库通常仍会返回几段“最相近”的内容，比如国内票据遗失说明、差旅报销材料清单，或者交通费用标准。
这些内容都和问题有关，却没有真正回答问题。
如果系统把它们直接交给大模型，大模型很可能把几段相近内容整理成一套完整流程。文字顺，步骤也像那么回事，但关键规定并不在资料里。
这就是 RAG 面试中很容易被低估的一道题：
资料里没有答案时，RAG 怎么判断证据不够，并避免强行生成？
很多人的第一反应是：“设置一个相似度阈值，低于阈值就拒答。”
这句话只答到了最外层。面试官很快会继续问：
- 向量库几乎总能返回结果，相关和足够怎样区分？
- 阈值应该怎么定，换模型后还能不能继续用？
- 有答案却被拒绝，和没答案却强答，哪个更严重？
- 检索分数过关后，生成阶段为什么仍可能编造？
为什么“搜到了”仍然可能没有答案？
向量检索做的是相对排序。
给它一个问题，它会在当前索引里找出语义上最接近的若干片段。即使整座知识库都没有正确答案，仍然可以排出第一名、第二名和第三名。
第一名只代表“在现有候选中最像”，不代表“足以支持结论”。
关键词检索也有类似问题。问题里出现“票据”“交通”“补办”，资料里恰好有这些词，搜索结果就可能看起来很相关。但如果原文只讲国内流程，它仍然无法回答海外场景。
因此至少要区分三种状态。
第一种，证据明确存在。问题要求的对象、条件和结论都能在原文中找到。
第二种，证据部分存在。资料覆盖了主题，却缺少时间、地区、版本、对象或例外条件。
第三种，只有相似内容。候选与问题属于同一大类，但无法推出答案。
检索分数回答“像不像”，证据判断还要回答“能不能由这些原文推出结论”。
第二种最危险。
完全无关的内容往往容易被挡住，部分相关的内容却很容易让模型补齐缺失细节。模型会沿着已有文本继续组织，最终给出一段语气确定、事实却没有依据的回答。
所以，无答案控制真正判断的不是“有没有文档”，而是“当前文档是否足以回答当前问题”。
一次安全作答要经过哪几道门？
可以把链路拆成四道门。
第一道门是搜索范围。
请求属于哪个用户、允许查哪个知识库、哪些文档和版本，以及哪些内容当前仍然有效，都要在检索前确定。这些条件应该直接约束搜索范围，而不是搜完全库后再由前端隐藏。范围错了，后面的高分没有意义。
下面用一个纯教学场景说明权限边界。假设用户只能查看公开制度，检索却把内部草稿带了回来。即使草稿能回答问题，系统也不能使用它。无答案控制首先是一条权限和版本边界，而不只是相似度边界。
第二道门是候选相关性。
相似度门槛可以先筛掉明显不相关的片段，但分数的含义与 Embedding 模型、距离定义、向量库和语料分布都有关。例如，余弦相似度和 L2 距离的方向与数值含义并不相同，即使都被转成“相似度”，也不能共用同一个门槛。
因此，门槛要用当前知识库中可回答和不可回答的问题一起校准。看一个分数所在的区间只能完成粗筛，不能代替后面的证据充分性判断。
第三道门是证据充分性。
候选相关，并不代表问题所需条件已经齐全。系统要检查核心实体、限定条件和必要证据是否出现。流程题可能需要完整步骤，比较题可能需要两边信息，多跳问题可能需要两段原文共同成立。
第四道门是生成后核验。
检索阶段通过后，模型仍可能加入证据外的数字、时间、范围或强断言。输出中的事实句需要再次和本轮证据对应。找不到支持的句子，应该删除、改写为不确定表达，或者让整次回答进入降级流程。
范围过滤、相关性筛选、充分性判断和生成后核验，分别拦截不同来源的错误。
这四道门不能互相替代。
Prompt 里写一句“资料不足就说不知道”，不能修复错误的搜索范围。相似度很高，也不能证明一组片段覆盖了答案所需的全部条件。生成后增加引用编号，同样不能让一条没有依据的结论自动变真。
阈值应该怎么定？
阈值不是从网上抄一个小数，也不是看几个演示问题拍出来的。
先准备两组问题。
第一组是可回答问题。每个问题都要标出参考答案，以及能直接支持答案的原文位置。
第二组是不可回答问题。它们不是随便写的无关问题，而应覆盖真实风险，比如知识库没有这个主题、主题相关但缺少关键条件、询问旧资料之外的新版本、需要的两份证据只存在一份。
然后用同一套检索配置跑完两组问题，记录最高分、前几条候选、重排分数、关键词覆盖和最终动作。
调门槛时要同时观察两类错误。
一类是误拒绝。资料里明明有答案，系统却说没有依据。
另一类是错误放行。资料里没有答案，系统仍然让模型生成。
二者不会同时自动变好。从阈值取舍上看，门槛提高时，错误放行可能减少，误拒绝却可能增加；门槛降低时，回答率可能上升，无依据回答也可能一起上升。最终变化必须用同一批正反样本验证。
门槛选择不是追求某一边全对，而是看两类错误在具体业务中的代价，并保留逐题证据。
评测时不要只留下一个平均分。最好按问题类型分组查看。
原词明确的问题、口语改写的问题、领域术语、版本条件和多段证据问题，它们的分数分布可能不同。一个统一门槛挡住了大部分无关问题，仍可能在“相关但不充分”的问题上失效。
模型、Chunk 切分、距离度量或知识库更新后，也要重新跑回归。分数是当前流水线的产物，不是一条永远有效的业务规则。
四类“看似相关却不能答”的陷阱
第一种，主题相关，限定条件缺失
还是前面的问题。用户问海外票据补办，候选只讲国内票据遗失。
这时不能因为“票据”“遗失”“交通”都对上就回答。应该把“海外”视作答案成立的必要条件。如果证据没有覆盖这个条件，系统最多只能说明找到了国内相关规定，不能外推海外流程。
第二种，新旧版本冲突
用户问当前流程，知识库里只有旧版制度。
旧版原文可能与问题高度相关，甚至每个关键词都能命中。但相关性不能替代时效性。搜索前应优先检查文档状态和版本，无法确认当前有效版本时，回答要明确边界。
第三种，Query 重写改变了原意
用户问：“这个现在不能申请了吗？”重写模型却把它改成“这个如何申请”。
改写后的问题更容易搜到申请流程，但把否定关系弄丢了。例如，改写后没有合格结果时，可以再用原问题检索。同时要保存两次检索的候选，用连续对话与换题样本检查回退究竟救回了什么，又引入了什么噪声。
更稳妥的做法还要保存原 Query、改写 Query 和两边候选，检查实体、否定词和时间条件是否保持。回退只能救一部分错误，不能证明改写一定可信。
第四种，证据被切散了
用户问一个带例外条件的问题，前一个 Chunk 写适用范围，后一个 Chunk 才写“以下情况除外”。检索只带回前半段，模型就可能给出相反结论。
这不是简单的低分问题，而是证据不完整。系统可以根据前后 Chunk ID 扩展上下文，也可以在评测集中把完整证据标成多个必要片段。只命中其中一段时，不应算作可以回答。
这四类失败分别指向范围、版本、Query 和 Chunk。把它们全归为“阈值太低”，只会让排查越来越乱。
为什么一个综合分仍然不够？
有些系统会把向量分数、关键词覆盖、Rerank 分数和模型判断合成一个“可回答分”。这样做方便执行统一决策，但综合分本身不能代替证据分析。
第一，几个分数未必是同一把尺子。向量相似度、BM25 分数和 Rerank 输出的范围不同，直接相加会让某一路长期主导结果。
第二，同一个分数可能对应不同缺口。一个问题得分偏低，可能是用户换了说法，也可能是正确文档不在允许范围，或者证据被切散。处理动作不能只由分数高低决定。
第三，必要条件很难被一个平均分表达。问题问“新版流程在海外是否适用”，候选同时出现“新版”和“海外”，却分别来自两段互不相关的资料。词面覆盖很好，证据链仍然不成立。
因此，系统可以用综合分做第一层筛选，但决策记录还要保留本次问题需要哪些信息、候选实际覆盖哪些信息、缺少什么条件，以及最终为什么选择回答、澄清或拒绝。
一种便于审计的返回结构可以包含四部分：decision 表示回答或拒绝，evidence 保存本轮采用的原文，missing_conditions 记录没有找到的条件，reason 说明触发了哪条规则。
用户未必需要看到所有内部字段，但研发人员必须能回放。否则系统今天拒绝一个问题，团队只知道“分数没过”，无法判断应该补资料、改切分还是调检索。
对于部分可回答的问题，还可以把回答拆成已证实与未证实两部分。
例如资料能确认国内票据遗失流程，却没有海外规定。可以把“只回答国内部分，并明确标出海外部分缺少证据”当作一种待业务验证的降级设计；它不能默认适用于所有产品，也不能把国内规则外推到海外。
这要求充分性判断落到答案要点，而不是只给整道题一个真假标签。
充分性规则还要和问题类型对应。定义题可能只需要一段直接原文，流程题需要关键步骤，比较题需要双方证据，带例外的问题则必须同时找到通用规则和限制条件。系统不知道问题需要什么，就无法判断当前证据缺了什么。
因此，可以先把 Query 解析成待验证要点，再逐项绑定证据。解析模型只负责提出检查清单，不负责补答案。某个要点没有原文支持时，它应留在缺失列表里，而不是由模型常识填上。
这种设计也方便向用户解释：“已找到申请材料，但未找到办理时限”，比一个模糊的低置信度分数更容易理解和修正。
怎样把“证据充分”落实到事实句？
充分性判断如果只停在整道问题上，仍然容易漏掉局部编造。一个回答往往同时包含对象、条件、动作、时间和例外，其中四项有依据，不代表第五项也可以由模型补全。
可以先把问题转成待核对的事实槽位。例如“海外票据丢失后多久内补办”至少包含适用地区、票据状态、处理动作和办理时限。检索结果回来后，逐项记录哪段原文支持哪个槽位。某个槽位没有证据，就不能因为其他三项分数很高而判定整题可以完整作答。
这一步不要求模型公开内部推理过程。服务端只需要得到结构化的检查结果：本轮准备陈述哪些事实、每个事实绑定哪些证据、还缺哪些条件、证据之间是否冲突。之后再由策略层决定完整回答、有限回答、澄清还是拒答。
冲突证据要单独处理。新旧制度、不同地区或不同用户类型的规则可能同时被召回，且各自都与问题相关。如果系统只把它们的分数相加，很可能拼出一份从未存在过的流程。此时应先比较版本、适用范围和来源状态；无法确定哪条有效时，把冲突暴露给用户或转人工，而不是让生成模型自行“综合”。
生成后还要做一次反向检查。把答案拆成可验证陈述，确认每条陈述引用的原文确实包含相同实体、条件与结论。模型写出证据没有提供的具体时限、金额或强制措辞时，即使整段回答主题正确，也应删除该句或退回重新生成。
为了便于复盘，每次决策应保存所需事实槽位、采用证据、缺失项、冲突项、最终动作和规则版本。这样发生误拒绝时，可以区分是需求拆错、证据没找齐还是策略过严；发生错误放行时，也能定位是哪条缺失条件被错误忽略。它比只保存一个置信度数字更能指导修复。
证据不够时，系统可以做什么？
不是所有低置信度请求都必须立刻结束，可以按风险选择动作。
第一种动作是受控重试。
系统可以调整文本匹配要求、改写问题，或者适度扩大候选。每次重试都要有次数上限，并记录使用了什么策略。不能不断放宽门槛，直到勉强找到一段能说的话。
第二种动作是澄清。
问题缺少产品、地区、时间或对象时，询问用户补充条件往往比猜测更好。“您问的是哪个版本？”比依据错误版本回答一整段更可靠。
第三种动作是有限降级。
系统可以返回已经找到的相关资料，同时清楚说明它只能覆盖哪部分。例如：“现有资料只包含国内票据遗失处理，未找到海外场景规定。”这既没有假装完全不知道，也没有把局部证据扩成完整结论。
第四种动作是拒答。
当资料范围不允许、关键证据缺失，或者事实核验失败时，直接说明当前知识库没有足够依据。拒答文案应描述缺少什么，而不是只抛一句“无法回答”。
重试、澄清、有限降级和拒答对应不同缺口，动作越往后，系统越明确地停止生成事实。
怎么证明这套机制真的有效？
验证至少要覆盖检索、决策和生成三个层面。
检索层记录正确证据是否进入前 K 条、候选是否来自允许范围，以及必要的多段证据是否找齐。
决策层建立一个混淆表：可回答问题被正确放行多少，不可回答问题被正确拒绝多少，同时单独列出误拒绝和错误放行。业务更害怕哪一类错误，要提前说明，不能只报一个整体准确率。
生成层逐句检查事实是否有证据支持。尤其关注数字、日期、条款编号、适用范围和“必须”“一定”这类强断言。
回归集还要保存每次 bad case 的原问题、文档版本、候选原文、各阶段分数、系统动作和最终输出。下次换 Embedding、调整 Chunk 或更新知识库时，重新跑同一批问题。
如果只测“答案看起来对不对”，很难知道是检索真的找到了证据，还是模型凭常识碰巧说对了。
无答案追问怎么接：先说错误代价
回答这组问题前，先说明业务更怕误拒绝还是错误放行。门槛、澄清和拒答策略，都应围绕这两类代价展开。
只用最高相似度能判断无答案吗？
不能。最高分只说明它比其他候选更接近，不说明它覆盖问题所需的全部条件。还要检查实体、时间、范围、必要证据和来源状态。
为什么不把门槛调高一点，宁可多拒绝？
门槛过高会把口语改写、长尾术语和多段证据问题一起挡住。应该用两类样本观察误拒绝与错误放行，再根据风险选择门槛和澄清策略。
Prompt 要求“资料不足就拒答”够不够？
不够。模型不知道搜索范围是否正确，也可能把相关但不充分的片段当成完整证据。Prompt 是最后约束之一，不是前面三道门的替代品。
HyDE 能不能解决知识库没有答案？
不能。HyDE 生成的是用于检索的假设文本，不是真实证据。它可以帮助寻找表达不同的资料，却不能把假设内容当成知识库事实。
误拒绝后应该直接降低阈值吗？
先定位原因。可能是 Query 改写错了、正确文档不在搜索范围、Chunk 切坏了、模型不理解术语，或者候选数量太少。直接降低门槛可能让另一批无答案问题被放行。
用四道门讲清回答边界
完整口述按“范围、相关、充分、核验”四道门展开，再把重试、澄清、有限降级和拒答放到对应缺口后面：
RAG 的无答案控制不能只判断检索有没有返回结果。当索引非空并要求返回 Top-K 时，向量库通常仍会给出相对更接近的内容，但这些内容未必足以回答。我的设计会分四层：先按用户、知识库、文档状态和版本限定搜索范围，再用相关性门槛筛掉明显无关候选，然后判断候选是否覆盖问题所需的实体、条件和多段证据，最后对生成结果中的事实句做证据核验。
阈值不会直接照搬某个示例值。我会准备资料里有答案和没有答案的两类问题，记录候选、分数和正确证据，分别统计有答案却被拒绝的误拒绝，以及没答案却被放行的错误回答。更换 Embedding、切分策略或知识库版本后，都要重新回归。
证据不足时也不是只有一种处理。系统可以在有限次数内改写或扩大候选，条件不清时询问用户，只有部分资料时说明能回答的边界，关键证据缺失时直接拒答。核心原则是相关不等于充分，假设文本不等于证据，不能为了提高回答率不断放宽门槛。
收尾时不要停在某个相似度阈值。应明确哪类证据缺口会触发什么动作，怎样分别观察误拒绝与错误放行，以及系统在不确定时能否给出清楚、可回归的退路。