即使 RAG 系统已经为模型提供了准确的检索片段，生成环节仍可能出现“答非所问”“片面引用”或“添油加醋”的情况。例如模型忽略关键限制条件，或者把检索内容与自身内部知识混杂。为了让回答更可靠，可以在生成流程中增加一道自我校验环节：让大模型在给出最终答案前，先自己检查一遍回答是否忠实于提供的资料。
1. 自检的核心思路
大模型本身具备一定的文本比对和分析能力。给定“原始资料”和“生成草稿”，它可以判断草稿中的每一条陈述是否能从资料中找到支撑。自检就是利用这种能力，在生成最终答案后、输出给用户前，让模型充当自己的“质检员”。
2. 实现方式
在实践中，自检通常以两阶段生成或同一调用中的自问自答形式出现：
- 两阶段式：第一次调用模型生成候选答案，第二次调用模型（使用相同或专门构造的提示词）对候选答案进行核查，必要时修正。
- 单次生成内置自检：在提示词中要求模型先给出答案，然后附加“自查部分”，列出每一条主要陈述及其对应的原文依据，并标注哪些属于无依据的推断。
一个常被采用的自检提示词模板如下：
“请严格根据以下资料回答用户问题，并在回答之后附加一份‘忠实度自查清单’：
1. 逐条列出你回答中提到的关键事实。
2. 为每条事实引用资料中对应的原文句子（如果没有对应原文，请明确标注‘无依据’）。
3. 如果有任何事实无法在资料中找到支撑，请在最终答案中移除或修正。”
3. 真实效果与场景
某法律咨询类 RAG 助手在引入自检后，回答中出现“条款已被废止”“适用地区为全国”等额外推断的比例下降了约70%。修改的并不是模型本身，而是让模型在输出前多了一次“自我质疑”的机会。
对于时效性要求极高的问答，两阶段调用会增加约1～2秒延迟，但换来的是可衡量的忠实度提升。在用户对准确性要求高于响应速度的场景（如医疗建议、合规指引）中，这个取舍非常值得。
4. 自检的局限与注意事项
- 自检不能保证100%可靠：模型可能“放水”，将无依据的内容自我判定为有依据。因此仍需要对特别敏感的用例辅以人工抽查。
- 消耗额外 token：自检本质是让模型多输出一段检查内容，会增加每次对话的成本。可以通过限制自查部分长度、仅对高重要度查询启用等方式控制开销。
- 需与检索质量配合：如果检索本身没有命中正确资料，自检只能发现“回答无依据”，无法修正事实错误，最终可能输出“资料中未找到相关信息”。这是符合预期的安全行为，而非缺陷。
5. 实用实施建议
- 在提示词中明确区分“最终答案”和“自查清单”两块区域，便于后端程序解析和展示（自查部分通常对最终用户隐藏）。
- 可设定一个“忠实度阈值”：如果自查中发现超过一定比例的关键陈述无依据，则转为降级回复（如直接展示检索片段，让用户自行判断）。
- 将自查环节作为质量监控数据源：统计每次自检发现的“无依据”陈述比例，可反向评估检索和提示词是否合理。
小结：答案自检是在不改变模型和知识库的前提下，用模型自身能力为生成质量加一道“防线”。它不会让系统变得完美，但能以极低的工程成本，真实、可验证地降低胡编乱造的概率，让 RAG 系统的可信度再上一个台阶。