证据与可解释性
MimirQ 提供完整的证据溯源链路，将 LLM 生成的每一个论断关联到检索到的原始文档片段，实现答案可验证、可审计。
Evidence Capsule 概念
Evidence Capsule 是 MimirQ 的证据封装单元，将答案中的每个 claim 与其支撑证据绑定：
溯源链路
证据溯源建立了从答案到原始文档的完整链路：
| 层级 | 内容 | 标识 |
|---|---|---|
| Answer | LLM 生成的完整回答 | message_id |
| Claim | 原子级论断（由 split_into_claims() 拆分） | claim index |
| Chunk | 支撑该 claim 的文档片段 | chunk_id |
| Document | 原始文档 | document_id |
| Position | 页码 / 段落 / 字符偏移 | metadata |
确定性映射
build_claim_evidence_map() 采用纯确定性算法（无 LLM 调用），通过 token 级匹配将每个 claim 关联到最佳支撑 chunk，保证生产环境下的稳定性和性能。
引用标注
引擎支持两种引用呈现方式：
- Inline Citation —
render_sentence_citations_inline()在句末插入[1][2]标记 - Markdown Citation —
render_sentence_citations_markdown()生成 Markdown 格式脚注
build_citations_from_docs() 从检索结果构建结构化引用对象，包含文档标题、页码、分数等元数据。
置信度与忠实度
| 指标 | 计算方式 | 说明 |
|---|---|---|
| Confidence Score | compute_confidence_score() | 综合检索分数与匹配度 |
| Faithfulness Score | compute_faithfulness_score() | 答案对检索内容的忠实程度 |
| Claim Verification | verify_claim_with_fallback() | 逐 claim 验证是否有证据支撑 |
无法回答检测
当证据不足时，引擎输出 "Unable to answer" 并通过 build_abstain_followup() 生成引导性追问，而非编造回答。
API 端点
| 方法 | 路径 | 说明 |
|---|---|---|
| GET | /api/v1/messages/{id}/citations | 消息引用详情 |
| GET | /api/v1/messages/{id}/evidence | 证据映射 |
| GET | /api/v1/chunks/{id} | Chunk 原文 |
| GET | /api/v1/documents/{id}/highlight | 文档高亮定位 |
导出格式
- JSON — 完整的 claim-evidence 映射结构，含 chunk 原文、分数、位置信息
- 高亮 PDF — 在原始 PDF 上标注被引用的段落位置（需前端 PDF Viewer 支持）
关键源码
| 文件 | 职责 |
|---|---|
app/rag/core/claim_evidence.py | Claim → Evidence 确定性映射 |
app/rag/core/citations.py | 引用构建 |
app/rag/core/sentence_citations.py | 句级引用标注 |
app/rag/core/confidence.py | 置信度计算 |
app/rag/core/faithfulness.py | 忠实度评分 |
app/rag/core/text.py | Claim 拆分与验证 |