拒答与校验：无答案比错答案好

评估 RAG 系统时有一个反直觉的排序：「答错」比「不答」糟糕得多，而「自信地答错」又比「犹豫地答错」糟糕得多。用户对「我没有找到相关资料」的反应通常是换个问法再试；对一本正经的错误答案的反应是采信、执行、然后在某天发现被骗——信任一旦这样丢失，几乎不可逆。拒答（abstention）机制的全部意义就在于：让系统在该沉默的时候沉默，把「不知道」诚实地说出来。这篇讲实现拒答的三道防线、各道防线的阈值设计，以及拒答体验的工程化——拒绝也可以是好的用户体验。

防线一：检索层——先看料够不够

第一道防线在生成之前：检索结束后、调用大模型之前，先判断「材料够不够答」。信号有三个，从粗到细。命中数量：过滤后（《元数据过滤》）合格片段为零或极少——直接进入拒答流程，连生成调用都省了。相关性分数：reranker 的最高分低于阈值——语义最近的材料都不沾边，说明库里大概率没有这个知识。覆盖度：材料只覆盖了问题的一部分（多部分问题只命中了一半）——这不是全拒的场景，是「部分回答」的场景，答案里明确哪些部分没有材料支撑。

阈值怎么定？rerank 分数的绝对值没有通用意义（不同模型分布不同），正确的定法是用评测集标定：《评测集构建》的查询集里专门要有一类「无答案题」——库内确实没有相关信息的问题（比如问一个你的知识库管不到的领域）。跑出「无答案题」的分数分布与「有答案题」的分布，阈值取两分布的间隙。这一步做扎实了，第一道防线就能拦掉大部分「该拒不拒」的 case。

防线二：生成层——把「材料不足就明说」变成协议

第二道防线在 prompt 里。多数模型在 RAG 场景下默认「尽力回答」——材料七成相关，它就答个七成的答案，剩下的部分靠参数知识脑补，且行文上完全分不出哪句有据哪句脑补。生成协议要显式地改这个默认行为：

回答规则：
1. 仅基于【材料】作答。材料没有的信息，写「材料中未提及」。
2. 不要用你自己的知识补充任何事实性内容。
3. 若材料整体不足以回答问题，直接回复「未在知识库中找到
   足够依据」，不要输出猜测。
4. 每个事实性论断标注出处编号。

协议的效果依赖于模型能力与 prompt 执行力的平衡：规则要少而硬（四条以内，每条可判），给正反例（一条标准拒签示例、一条「部分回答+标注缺口」示例），给出口（明确「拒答是被允许甚至被鼓励的」——很多模型的训练倾向是「必须回答」，不给出口它会硬编）。

防线三：校验层——答案出来后再过一遍闸

前两道防线拦「料不够」，第三道防线拦「答案不像话」：生成完成后，检查答案与材料的一致性（groundedness）。三个层级的实现，成本递增：规则层（零成本）：答案里的引用编号都真实存在于上下文（《引用与溯源》的编造检查）；数字、日期是否都能在材料中找到原形（正则抽取比对）——能拦掉相当比例的「数字幻觉」。模型裁判层（一次调用）：让另一个模型（可以是小一档的）判「答案的每个关键论断是否被材料支撑」，输出不支撑论断的清单——这是最常用的实现，平衡了成本与覆盖。NLI 层（专业工具）：用自然语言推理模型对「论断-证据」对做蕴含判断，批量句子级校验——适合对幻觉零容忍的场景（医疗、法务），需要部署专用模型。

校验不过的处理是分级的：轻度（个别句子无支撑）——截掉无支撑部分或标注后降级呈现；重度（核心论断无支撑或裁判判定整体失实）——触发重新生成（把失败原因喂回去），再失败就落到拒答。原则只有一条：宁可降级，不出街带病答案。

两类错误与不对称成本

拒答阈值本质是在两类错误之间选边：误拒（库里有答案却被拒了——用户体验受损，他们换个问法或流失）与误放（库外问题被硬答——幻觉出街，信任受损）。两类错误的成本不对称，且不对称的方向由业务性质决定：内部工具（员工查制度）误放的成本高（员工按错误政策执行，返工与合规风险），阈值向「宁可误拒」偏；外部客服（客户查订单政策）误拒的成本高（客户流转人工，服务成本上升），阈值向「宁可先答、后校验拦截」偏。这意味着不存在全局正确的阈值，每个业务面各标各的（《评测集构建》的「无答案题」分布按业务面分别标定），别把 A 场景的阈值抄给 B 场景。阈值也不该是死数：上线后按负反馈率持续微调——它是这类系统里少数「每周都值得看一眼」的参数。

部分回答的实现：多部分问题的中间态

「覆盖度」防线展开讲：多部分问题（「报销的流程和时限，以及需要哪些材料」）的检索命中常常只覆盖一半要点，全拒太粗暴、全答会脑补缺口，正确的形态是部分回答。实现三步：要点拆解（查询理解层把多部分问题拆成子要点清单——这步在《查询路由》的分类调用里顺带完成）；逐要点对材料（每个子要点单独判覆盖——哪些要点有材料、哪些没有，用嵌入相似度或 rerank 分数判）；分区域生成（有据的要点正常回答并引用，无据的要点明确标注「材料中未提及」）。协议模板里给出部分回答的标准句式（「关于 X：……[依据]；关于 Y：材料中未提及」）。部分回答是拒答机制的精细档——它承认「知识库覆盖不均匀」这个常态，把「答」与「不答」的组合做成了显式契约，用户的信任感反而比含糊的全答更强。

拒答率：一个健康指标

把拒答率放进运营仪表盘，它能回答两个问题。知识库覆盖面：拒答率按主题聚类（《拒答体验》的回流信号），高频拒答主题就是内容缺口清单——拒答率在某主题上的下降，直接度量内容建设的成效。系统健康度：拒答率突升的两个常见病灶——检索层退化（《HNSW 调参》的召回监控会同时报警）或阈值被误调（查变更记录）；拒答率趋近于零反而要警惕——可能是阈值过松（误放泛滥），也可能是真的覆盖极好，用抽样人工核验区分。一个没有拒答率指标的 RAG 系统，它的「回答覆盖率」是不可知的——你不知道用户问的每三个问题里，是三个都被好好回答了，还是两个被硬编圆过去了。

拒答体验：拒绝不是终点，是分流

把拒答做成体验断点（一个冷冰冰的「无法回答」），是拒答机制最常见的失败方式。好的拒答至少做三件事。说明搜索范围：「在《员工手册》与《报销制度》两个知识库中未找到与『交换机配置』相关的内容」——用户立刻明白是范围问题而不是系统坏了。给出替代路径：建议改问法（「您是否想问『网络设备』相关制度？」）、指路人工渠道（「此类问题请联系 IT 服务台」）、或提示该问题超出库覆盖范围可以反馈补充。回流信号：每次拒答都是一次「知识库覆盖缺口」的免费测绘——拒答日志按聚类分析，高频拒答主题就是最该补充的文档清单。这个闭环让拒答从「成本」变成「内容建设的雷达」。

拒答与多轮的联动

多轮会话里的拒答有一个特殊形态：上一轮答得好，这一轮追问超纲——「那 2025 年的补贴政策呢？」（库里只有 2024 的）。正确行为是「承认边界加锚定上一轮」：「2025 年的政策材料中未提及；2024 年的相关规定是……需要的话我可以展开。」这比冷拒答的体验好一个量级，实现上只需 condense 改写层带上「本问依赖的材料在库内缺失」的信号，生成层按「边界承认加回落上一轮」模板组织。反向联动也要处理：上一轮拒答，这一轮换问法再问——常见于用户换措辞试探，此时拒答理由要保持一致（「知识库未覆盖该主题」），忽拒忽答的摇摆比稳定的拒答更伤信任——这要求拒答判断在语义等价的查询间保持一致，等价判断复用语义缓存的相似度机制即可。

小结

三道防线各司其职：检索层看「料够不够」（无答案题标定阈值），生成层立「没据就说」（少而硬的协议 + 明确出口），校验层验「答案像话」（规则+裁判+NLI 按需分级）。它们的共同哲学是本篇标题：无答案比错答案好——错误答案烧掉的是不可再生的信任，诚实拒答换来的却是「这个系统知道自己边界」的口碑。拒答做得好，它同时是信任防线、成本闸门（省掉无谓的重试）和内容雷达（缺口自动浮现）；做得不好，它只是又一座没人看的数据孤岛。

参考资料

本系列前篇：《引用与溯源》《评测集构建》《元数据过滤》《Self-RAG》《权限感知检索》
LlamaIndex: Citation Query Engine —— 生成时强制句级引用的协议示例，与本文防线三配合使用
提示：groundedness 裁判的实现可复用 reranker 或小参数模型，评测方法同《RAG 评测入门》的生成层打分