RAG 找到内容以后,谁来证明它可信?

先说结论:

RAG 解决“找到相关内容”,却不会自动判断内容是否可信、是否过期、是不是当前版本。OKF v0.2 新增的五类信任信号,正是在补这一层。

上周我写了一篇关于知识库、RAG、LLM Wiki 和 OKF 的文章。

当时我的结论是:RAG 更接近知识的查询与消费层;LLM Wiki 强化知识的持续整理;OKF 则尝试让知识可以跨工具表示和交换。

文章发布几天后,OKF 就有了一个值得继续追踪的更新。

2026 年 7 月 24 日,Google Cloud 发布 Open Knowledge Format v0.2。它没有把格式变得更重,也没有增加一套复杂平台。Google Cloud 在原文中直接把问题写成:

“once agents are writing to the corpus, can it really be trusted?” [1]

也就是说,当知识越来越多地由 Agent 生成、维护,再由另一批 Agent 消费时,系统凭什么相信其中的一条内容?

这也是很多 RAG 项目真正遇到的下一道门槛:内容被找到以后,系统如何判断它能不能用?

一、检索命中,不等于答案可信

最常见的 RAG 流程并不复杂:

  1. 文档被切分并建立索引;
  2. 用户提出问题;
  3. 系统找到相似片段;
  4. 大模型结合片段生成答案。

它解决的是“从很多材料里找到与问题相关的内容”。

但相关性不是可信度。

假设系统同时检索到三份价格说明:

  • 一份来自已经失效的旧方案;
  • 一份是销售人员的临时笔记;
  • 一份是当前已审批版本。

三份文本都可能与问题高度相关。向量相似度可以帮助系统把它们找出来,却不会天然知道哪份仍然有效、哪份更权威、哪份只能作为线索。

问题也不只出在检索端。长上下文研究显示,即使正确材料已经放进上下文,模型使用它的能力仍会受到材料位置和上下文长度影响。换句话说,“已经提供给模型”也不等于“模型一定正确使用”。

所以,一个可靠知识系统至少要分开处理三件事:

  • 找到相关内容;
  • 判断内容能不能信;
  • 约束模型应该怎样使用它。

RAG 主要加强第一件事。OKF v0.2 开始把第二件事变成机器可以读取的结构。

二、OKF v0.2 新增的,不是更多正文

OKF 的基础形态仍然很简单:Markdown 正文,加上一段 YAML frontmatter。

v0.1 主要用 frontmatter 描述“这是什么”,例如:

  • type
  • title
  • description
  • resource
  • tags

v0.2 增加的是另一组信号。它们不是继续描述内容,而是帮助使用者在读取正文前做判断。

Google Cloud 把这些判断归纳成五个问题:

  1. 这条知识由什么材料产生?—— provenance
  2. 我应该在多大程度上相信它?—— trust
  3. 它现在仍然有效吗?—— freshness
  4. 它还是当前版本吗?—— lifecycle
  5. 这个数值是否按约定的方法计算出来?—— attestation

规范对此的概括是:

“OKF v0.2 makes provenance, trust, lifecycle, and attestation first-class.” [2]

这五个问题共同构成了一层“知识信任信号”。

需要注意的是,OKF v0.2 没有把这些字段全部设成强制要求。type 仍然是唯一始终必需的字段,其余信号可以逐步采用。

这是一种克制的设计:它没有假设所有团队都需要同一套治理流程,而是先让“已核验”和…

— 以上为试看内容(约 40%),开通会员后阅读全文 —