第 9 周：建立有来源、有版本、有权限的 RAG 语料

直接答案： RAG（Retrieval-Augmented Generation，检索增强生成）的第一步不是选向量库，而是决定系统允许依据什么、对谁可见、何时失效、冲突由谁处理。第 9 周要把这些条件写进每份文档和每个分块的元数据，生成一个可重复的语料快照；缺少所有者、权限或有效期的材料必须隔离，受限内容必须在进入模型之前排除。

本周学习合同

• 起点： 已完成第 8 周部署与回滚，拥有被冻结的确定性基线、角色权限、发布清单和获准进行只读 RAG 实验的决定。
• 预计投入： 8–10 小时，建议分成 5 次完成。
• 本周表现： 将一组合成或明确授权的政策文档变成有来源、所有者、版本、生效期、状态和访问控制列表（Access Control List，ACL）的语料快照，并证明普通角色的候选集合中没有受限分块。
• 完成证据： corpus-card-v1.md、corpus-manifest-v1.json、知识所有者与 ACL 矩阵、摄取/隔离报告、快照摘要和角色候选检查结果。
• 本周不做： 不选“最佳”文本表示模型（embedding），不调向量检索，不生成回答，不写提示词，不运行正式 RAG 评测，不把内容治理问题包装成模型问题。

先确认：为什么这个任务允许进入 RAG 实验

第 7 周的一线走查和第 8 周的确定性基线，至少要留下以下决定之一：

• [D] 允许在指定客服任务、指定角色和合成/授权资料上做只读检索实验；
• [D] 当前不需要 RAG，应继续使用普通搜索、规则或内容治理；
• [U] 证据不足，需要补查知识所有者、权限或更新流程。

只有第一项可以让你自己的案例进入本周。第二、三项同样是合格的 FDE 决定；保留原结论，再使用本页的北辰合成材料练习语料治理。

业务决定：是否值得做一个受限只读实验
  → 一线任务：客服要找当前、适用、自己有权查看的政策
  → 数据约束：来源、所有者、版本、有效期、冲突、ACL
  → 本周工程证据：可重复语料快照与隔离结果
  → 第 10 周：在冻结语料上定义评测合同

北辰协作案例：五类文档不能混成一个文本堆

以下公司、文档、人物和结果全部是教学模拟材料。

北辰知识负责人交来八份政策材料：

文档 ID	说明	关键条件	本周应进入什么状态
billing-general-v3	普通计费政策	有所有者、当前有效、普通客服可见	accepted
refund-supervisor-v2	主管例外政策	当前有效，仅主管可见	accepted_restricted
billing-general-v1	去年政策	已被 v3 取代	expired
price-difference-east-v5	华东套餐变更价差结算	有所有者、当前有效、普通客服可见	accepted
upgrade-east-v2	华东升级政策	当前有效	conflict_review
upgrade-notice-v4	同一事项的通知	当前有效，但与 v2 条件冲突	conflict_review
quick-note.txt	个人笔记	没有正式所有者和有效期	quarantined
special-refund-copy.md	复制的主管条款	正文存在，但 ACL 丢失	quarantined

初学者常把它们全部解析成纯文本，再让模型“注意权限和日期”。这样已经太晚：模型上下文中出现了不该出现的内容，提示词不能把一次越权读取变成安全读取。

最小心智模型：语料快照不是文档文件夹

一个可用于 RAG 实验的语料快照包含三层：

事实来源与所有者
  → 文档级合同：版本、有效期、分类、ACL、状态
  → 分块级继承：chunk 不能丢失文档的身份和限制

首次出现的几个词：

• Corpus（语料）：本次实验允许检索的知识集合，不等于组织所有文档。
• Snapshot（快照）：某一时刻、某一配置下不可混写的语料版本。
• ACL（Access Control List，访问控制列表）：哪些角色或属性允许读取该材料。它必须由可信身份和查询层执行。
• Quarantine（隔离）：材料被保留供修复，但不能作为可靠回答依据。
• Chunk（分块）：检索使用的较小文本单元。分块后仍必须知道自己来自哪份文档、什么版本、对谁可见。

默认规则： 缺少所有者、ACL、版本或有效期时，不按公开和有效处理；进入隔离，直到有权角色修复。

先看完成品：填写完整的语料记录

下面是 billing-general-v3 的完整教学记录：

{
  "document_id": "billing-general-v3",
  "source_uri": "teaching://northstar/policies/billing-general-v3",
  "source_owner": "billing-policy-owner",
  "content_hash": "teaching-hash-billing-general-v3",
  "version": "3",
  "effective_at": "2026-08-01T00:00:00+08:00",
  "expires_at": null,
  "supersedes": "billing-general-v1",
  "classification": "internal-general",
  "allowed_roles": ["support-agent", "support-supervisor"],
  "status": "accepted",
  "ingested_at": "2026-08-25T10:00:00+08:00",
  "parser_version": "teaching-parser-v1",
  "chunker_version": "fixed-heading-chunker-v1",
  "synthetic": true
}

示例 URI、hash、日期和版本是为了展示一个已填写完成品，不对应真实系统。你的记录要替换成实际可核对的值，并遵守数据保留和分享范围。

一个分块必须原子继承限制：

{
  "chunk_id": "billing-general-v3#section-04",
  "document_id": "billing-general-v3",
  "text": "套餐升级后的差价处理以购买地区和生效日期为准……",
  "version": "3",
  "effective_at": "2026-08-01T00:00:00+08:00",
  "classification": "internal-general",
  "allowed_roles": ["support-agent", "support-supervisor"],
  "corpus_snapshot": "northstar-corpus-teaching-v1",
  "synthetic": true
}

如果一个 chunk 混合了普通条款和主管条款，不能只给它普通权限。选择最严格权限，或回到来源边界重新切分。

完整示例：从接收到候选检查

第一步：写来源与责任矩阵

文档	谁能确认正文	谁能确认权限	谁能确认有效期	信息不足时的动作
普通计费政策	计费知识所有者	IT / 安全角色	计费知识所有者	隔离
主管例外政策	主管流程所有者	IT / 安全角色	主管流程所有者	隔离
群通知	发布者只能证明发过消息	不能自行确认	正式知识所有者	标记冲突或隔离
个人笔记	笔记作者只能解释用途	不能授予组织权限	不能确认	隔离

这张表防止“文件在共享盘里，所以应该能用”的推断。

第二步：把每份文档路由到明确状态

来源在允许范围？
  否 → quarantined
  是 → 有所有者、ACL、版本、有效期？
          否 → quarantined
          是 → 已过期或被替代？
                  是 → expired
                  否 → 与其他当前来源冲突？
                          是 → conflict_review
                          否 → accepted / accepted_restricted

冲突材料可以保留在快照中，用于以后测试系统能否识别冲突；但它不能被标成“可靠且唯一的当前答案”。

第三步：固定一次确定性分块

本周不比较分块策略。选择一种与你文档结构相符、可以重复执行的规则，例如按固定标题边界切分；记录规则版本。相同来源、相同规则和相同配置应产生相同 chunk ID 集合。

检查两次构建：

第一次：northstar-corpus-teaching-v1 → 18 个 chunks
第二次：northstar-corpus-teaching-v1 → 18 个相同 chunk IDs

数量相同还不够；要比较文档 ID、chunk ID、内容摘要和权限元数据。

第四步：在任何模型调用前检查角色候选

使用你现有系统可以检查原始候选的方式，不要求特定数据库或检索产品。对于固定北辰快照，预期是：

身份	可以出现	不能出现
普通客服	billing-general-v3、其允许的当前普通来源	refund-supervisor-v2、隔离文档、过期文档
客服主管	普通来源、允许的主管来源	隔离文档、无权业务单元材料
未知角色	无可靠候选	所有受限正文和敏感元数据

若普通客服候选中出现主管 chunk，本周直接失败。不要继续做 embedding，也不要尝试用提示词遮盖。

第五步：让知识所有者或可信模拟角色回读

回读问题不是“这个语料库够智能吗”，而是：

1. 哪一份材料是正式来源？
2. 哪个字段决定当前有效？
3. 谁能修改、下线或解决冲突？
4. 一线遇到冲突时当前怎样升级？
5. 哪些内容即使相关，也不允许进入普通客服上下文？

真实参与者必须知道用途、记录方式和可见范围，并可以纠正、停止和撤回。没有真实权限时，只使用本页合成材料，并标为模拟走查。

轮到你：五天最小路径

本页没有提供可下载的文档包或摄取脚本，也不规定解析器、数据库或向量库。你可以用自己的获准资料；没有资料权限时，直接复制本页的八条合成文档元数据，在你自己的最小格式中完成治理练习，不要伪造真实文件内容。

学习日	建议时间	动作	离开前必须有的证据
第 1 天	1–2 小时	复核 RAG 是否获准，并比较普通搜索、内容治理、RAG 或停止	一页 option note 与有权决定/模拟标签
第 2 天	2 小时	建来源、所有者、版本、生效期、分类和角色矩阵	corpus contract v1
第 3 天	2 小时	复用已有数据入口，产生确定性文档与 chunk manifest	corpus manifest 与快照摘要
第 4 天	2 小时	重复构建并检查普通、主管、未知角色的原始候选	ingestion/isolation report
第 5 天	1–2 小时	做知识所有者回读或模拟，记录确认、冲突、未知与限制	corpus card v1 与回读记录

本周产物

week-09/
  option-note-v1.md
  knowledge-owner-acl-matrix-v1.md
  corpus-card-v1.md
  corpus-manifest-v1.json
  ingestion-isolation-report-v1.md
  role-candidate-check-v1.md
  source-review-note-v1.md

corpus-card-v1.md 至少回答：语料服务哪个任务、来源从哪里来、谁负责、快照日期是什么、怎样更新和下线、有哪些角色、哪些状态不允许回答，以及当前材料不能代表哪些真实分布。

验收门

• 本周使用的业务决定、Brief、流程和权限版本已记录；
• 每份文档和每个 chunk 可追溯到来源、所有者和版本；
• 缺少所有者、ACL、版本或有效期的材料默认隔离；
• 过期、被替代、冲突和未知状态没有被更新时间或文件名掩盖；
• 同一输入与配置可以生成相同文档与 chunk 清单；
• 普通角色的原始候选在模型调用前已经排除受限内容；
• 混合权限 chunk 使用最严格权限或重新切分；
• 真实材料有合法访问与使用范围，普通仓库不含客户正文或密钥；
• 回读记录说明参与者保护、模拟边界以及会更新或停止 RAG 的新证据；
• 结论没有把“语料可构建”写成“RAG 会改善任务”。

常见失败与恢复

失败	诊断信号	恢复动作
文档能打开就当正式来源	没有所有者、版本或下线规则	隔离，找有权角色确认来源合同
分块后只剩正文	chunk 找不到 document ID 或 ACL	停止构建，让限制随 chunk 原子继承
“最新修改”被当成“当前生效”	更新时间晚，但没有正式生效关系	使用 effective、expires 和 supersedes 关系
删除过期材料掩盖风险	无法测试旧内容或索引延迟	保留状态和来源记录，但不作为可靠答案
先全库召回再过滤	普通角色的原始候选出现主管内容	将 ACL 下推到存储或查询层
混合权限 chunk 按宽权限处理	普通正文里夹带主管条款	采用最严格权限或回到来源重新切分
语料有冲突仍继续调模型	团队希望模型自行选一个答案	先指定所有者和升级路径，保留冲突状态

独立迁移：供应链 ETA SOP

一家供应链团队提供：正式承运商 SOP、仓库群通知、外包人员不可见的内部备注、一份上季度旧流程，以及一份没有所有者的个人表格说明。

你的任务：

1. 为五份材料填写来源、所有者、版本、有效期、分类和角色；
2. 决定每份材料进入 accepted、accepted_restricted、expired、conflict_review 或 quarantined；
3. 写出普通计划员与外包计划员的候选差异；
4. 选择一个混合权限段落并决定最严格权限或重新切分；
5. 写出一条会让你停止 RAG、先做内容治理的证据。

查看答案检查点

• 群通知证明消息存在，不自动成为正式 SOP。
• 内部备注即使相关，也不能进入外包角色候选。
• 上季度流程需要明确失效或被替代关系，不能只看文件名。
• 没有所有者的个人表格说明应隔离，不按公开材料处理。
• 如果两个当前正式来源持续冲突且没有责任人，先治理内容比调检索更合理。

用同一证据向三类人解释

• 老板版： 当前证明了哪些知识可以被受限实验使用，以及内容治理、维护责任和停止条件；没有证明 RAG 质量或业务收益。
• 一线版： 答案以后必须显示来源与有效时间；遇到过期、冲突、无权限或无答案时仍可拒绝和升级。
• 工程版： source、owner、version、effective/expiry、classification、ACL、chunk 和 snapshot 怎样形成可重复、默认拒绝的数据边界。

相邻周

• 上一步： 第 8 周：重复部署与回滚提供本周要冻结的确定性基线。
• 下一步： 第 10 周：先定义评测合同只使用本周冻结的 corpus manifest 与权限元数据。

来源与事实边界

• 企业 RAG + MCP 助手项目合同：公开的数据与 RAG 合同、文档元数据、ACL、摄取门槛和可重建索引要求。
• Google PAIR — Identify user needs and AI strengths：从用户任务和现有流程判断 AI 是否适用，而不是从工具开始。
• 资料来源与事实边界：本课程对 AI 资料、版本变化和模拟材料的引用原则。

北辰协作、文档 ID、来源 URI、日期、角色、hash、分块数量和状态全部是合成教学材料。状态名、字段组合和五类路由是本教程的教学设计，不是行业统一标准。真实组织必须由其业务、数据和安全责任人确定权限、保留、删除和合法用途。