5.4 知识源集成：检索、图谱与数据库

5.4 知识源集成：检索、图谱与数据库

本节摘要：模型的参数记忆不可信也不可控，生产级程序必须把事实锚定在外部知识源上。本节讲三类知识源——向量检索、知识图谱、结构化数据库——的接入形态、各自的证据契约写法，以及"检索质量与提示词质量分离排查"的工程方法。知识边界划得清，程序才立得住。

知识源的三种形态

三类知识源对应三种证据形态。向量检索（文档库）给"文段证据"：按语义相似度捞回若干文本块，适合开放领域的问答与摘要，证据是自然语言，模型消费成本最低，但证据粒度粗、可能包含噪声。知识图谱给"关系证据"：实体与关系的结构化路径，适合多跳事实（"某公司创始人的母校在哪座城市"）、需要精确关系推理的场景，证据确定性强，但图谱的构建与维护成本高、覆盖面有限。结构化数据库给"记录证据"：把模型难以精确计算的部分（数值、日期、统计）交给查询，程序里最典型的形态是 3.2 节讲过的 ProgramOfThought——模型生成查询语句，数据库执行后返回确定结果。

三类源常常混用：一个企业知识助手可能同时接文档检索（政策原文）、知识图谱（组织结构与审批链）、业务数据库（订单与工单数据）。混用时设计要点是证据路由：先用一个轻量预测器判断问题需要哪类证据（或全要），再分路取证据、统一编号后交给作答器。路由虽然多花一次小调用，但换来证据的相关性与准确性，多数生产场景划算。

接入的代码形态

检索源接入只需配置检索底座，Module 里的 dspy.Retrieve 就会走它：

# 检索底座指向向量检索服务后，Retrieve 模块自动可用
rm = dspy.ColBERTv1(url="http://检索服务地址", index_name="kb_docs")
dspy.settings.configure(rm=rm)
​

图谱与数据库没有内置模块，用自定义模块包一层——关键是保持"证据统一形态"的约定：

import dspy

class GraphLookup(dspy.Module):
    """把知识图谱查询包装成与 Retrieve 同构的证据模块。"""
    def __init__(self, graph_client):
        super().__init__()
        self.client = graph_client

    def forward(self, entity_query: str):
        triples = self.client.lookup(entity_query)      # 返回三元组列表
        passages = [f"{s} -{r}-> {o}" for s, r, o in triples]
        return dspy.Prediction(passages=passages)

class SQLLookup(dspy.Module):
    """把数据库取数包装成证据模块：模型产查询语句，执行后回填。"""
    def __init__(self, db_executor):
        super().__init__()
        self.executor = db_executor
        self.write_query = dspy.Predict(SQLQuery)       # 签名描述表结构与只读纪律

    def forward(self, question: str):
        sql = self.write_query(question=question).sql
        rows = self.executor.run_readonly(sql)          # 只读通道执行
        passages = [str(row) for row in rows]
        return dspy.Prediction(passages=passages, sql=sql)
​

同构的好处是下游作答器完全不用改：三类证据都进 passages 字段，签名与编译全部照旧。这也让证据路由、证据合并成为纯粹的 Module 组合问题，而不是三套并行的代码风格。

三类知识源在 DSPy 程序中的集成关系

证据契约与边界纪律

知识源集成的质量核心不在接得上，而在"证据契约"——程序对证据的使用规则。三条纪律必须写进签名与指标。纪律一，只用给定证据：作答签名的描述明确"仅依据给定上下文回答，证据不足时如实说明"，并配一个建议检查（5.3 节的 grounded 断言），拦截脱离证据的发挥。纪律二，引用可追溯：答案要求标注证据编号（P1、P2），编号体系由证据合并模块统一生成——这既是给用户看的可信度，也是给排查用的定位器。纪律三，无证据即认输："依据不足"是合法输出且应当得分（4.3 节讲过），把"编造"的收益降到零，模型才没有动机编造。

检索质量与提示词质量的分离排查

混用知识源后，失败排查的最大陷阱是把两类问题搅在一起："答错了"到底是检索没捞到，还是模型没用好证据？分离排查的标准做法是给检索层单独建一套不依赖生成模型的评估：构造"问题加应命中内容"的对照集，直接评估检索模块的命中率、排序质量与噪声率。生成层的评估则固定输入证据、只测作答能力（把证据人工构造好喂给作答器）。两层分数分开看：检索分数低，去调检索（查询改写、切块粒度、索引质量）；检索达标而总分不行，病在作答——再动签名、示范与编译。这套分离法是 5.1 节四层定位法在知识源场景的具体化，也是多知识源系统排障的第一原则：先证明证据管道是对的，再审判模型。

一个实测数据点的量级参考：企业知识库场景中，检索命中率从七成提到九成，往往能把端到端准确率拉动十几个百分点——比任何提示词层面的优化都狠。这一直是知识源工程被低估的原因：它朴素，但它占大头。

本节要点回顾

• 三种证据形态：向量检索给文段、知识图谱给关系、数据库给记录；混用时加证据路由，取长补短。
• 同构包装：自定义证据模块统一输出 passages 形态，下游签名、编译、审计全部照旧。
• 证据契约三条：只用给定证据、引用可追溯、无证据即认输；配建议检查与"认输得分"的指标设计。
• 分离排查：检索层用独立对照集评估，生成层固定证据单测；先证管道、再审判模型。
• 通向下一节：证据链齐了，最后一步是让整个程序能自证清白——编译产物的可解释性审计，下一节收束本章。