---
title: "大模型中的 grounding 是什么？让回答有据可查 | BroadRouter"
description: "Grounding 把大模型的回答与你提供的来源（文档、搜索结果或数据库记录）关联起来，让每个说法都能核查。方法与局限。"
url: https://broadrouter.com/zh/glossary/grounding/
lang: zh-Hans
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。 [阅读英文原文](https://broadrouter.com/glossary/grounding/) (2026-11-14 更新).

# 事实依据（grounding）

更新于 2026-11-14

Grounding（事实依据）是把语言模型的输出与具体、可核查的信息来源关联起来的做法，例如提供的文档、搜索结果或数据库记录，并要求模型依据这些来源作答。有依据的回答可以追溯到来源，也更不容易编造事实。

又称： 接地、落地、基于来源生成、有据回答、事实锚定、grounding、grounded generation、source grounding、grounded answers

没有依据的模型凭记忆作答。有依据的模型根据眼前的材料作答。

## 工作原理

Google 的 Vertex AI 文档把 grounding 定义为 “the ability to connect model output to verifiable sources of information.”（译文：将模型输出与可核查的信息来源关联起来的能力。）来源可以是网页搜索、你自己的文档、地图服务或数据库。无论来源是什么，模式都分三步：

1.  **为问题获取证据**：检索到的段落、整个文件、一张发票图片、SQL 查询出的行。
2.  **把证据放进提示词**，并指示模型只根据它作答。
3.  **让回答可核查**：附上引文、引用标记或指回来源的链接。

检索增强生成是最知名的方法。Lewis 等人把生成器与一个 “dense vector index of Wikipedia”（译文：维基百科的稠密向量索引）配对，通过神经检索器访问，报告称其回答比只依赖参数的模型更具体、更符合事实。构建这种索引要用到[嵌入向量](https://broadrouter.com/zh/glossary/embeddings/)，通常还要用[向量数据库](https://broadrouter.com/zh/glossary/vector-database/)。

一个最简单的有依据提示词：

```text
Answer using only the policy below. Quote the sentence that supports your answer.
If the policy does not answer the question, reply "Not in the policy."

<policy>Refunds are available within 14 days of purchase.</policy>

Question: Can I get a refund after three weeks?
```

有依据的回复会回答“不行”，并引用 14 天那句话。没有依据的模型则可能猜一个听起来很常见的 30 天政策。

对于长输入，Anthropic 建议先摘引文：文档超过 20,000 token 时，先让模型逐字提取引文，然后只根据这些引文作答。

## 为什么重要

-   **更少编造事实。** Google 把减少幻觉列为核心好处。对于涉及你自有数据的[幻觉](https://broadrouter.com/zh/glossary/hallucination/)，grounding 是最直接的解决办法。
-   **信息新鲜。** 模型权重在训练时就固定了。有依据的来源可以每天更新，无需重新训练。
-   **可审计。** 带引文的说法可以由人或代码核查。
-   **成本取舍。** 证据就是输入 token。检索五个段落比发送整本手册便宜，但可能漏掉关键段落。超长提示词还有[中间迷失](https://broadrouter.com/zh/glossary/lost-in-the-middle/)导致召回下降的风险。

## 在 BroadNet Inference 上

BroadNet 的文档没有列出嵌入端点、搜索工具或引用功能，所以检索要在你的代码中完成。API 提供的是容纳证据的空间：DeepSeek V4.1 Flash 和 GLM 5.3 的[上下文窗口](https://broadrouter.com/zh/glossary/context-window/)为 1,048,576 token，Qwen3.8 27B 为 262,144，文档条目注明支持图片或视觉的模型还能接收图片输入。这让“粘贴整份文档”成为一个现实的选项；[长上下文与 RAG 对比](https://broadrouter.com/zh/blog/long-context-vs-rag/)比较了两者的成本，[发票指南](https://broadrouter.com/zh/guides/read-arabic-invoices-with-vision/)则以扫描图片为依据进行信息抽取。

## 常见问题

### Grounding 和 RAG 是一回事吗？

RAG 是实现 grounding 的一种方式：检索段落并加入提示词。你也可以直接粘贴整份文档、附上一张图片，或加入实时搜索或数据库结果来提供依据。

### Grounding 能保证回答正确吗？

不能。模型仍可能误读或忽略来源。要求它给出引文或引用标记，并检查每一条是否真的存在于来源中。

### 怎样让大模型只根据我的文档回答？

提供文档，告诉模型只能使用这些文档，允许它说答案不在其中，并要求每个说法都附上引文。

## 另请参阅

-   [AI 幻觉（hallucination）](https://broadrouter.com/zh/glossary/hallucination/) (术语)
-   [RAG（检索增强生成）](https://broadrouter.com/zh/glossary/rag/) (术语)
-   [嵌入向量（embeddings）](https://broadrouter.com/zh/glossary/embeddings/) (术语)
-   [上下文窗口（context window）](https://broadrouter.com/zh/glossary/context-window/) (术语)
-   [向量数据库（vector database）](https://broadrouter.com/zh/glossary/vector-database/) (术语)
-   [中间迷失（lost in the middle）](https://broadrouter.com/zh/glossary/lost-in-the-middle/) (术语)
-   [用视觉模型识别阿拉伯语发票和收据](https://broadrouter.com/zh/guides/read-arabic-invoices-with-vision/) (指南)
-   [长上下文还是 RAG：百万 token 什么时候能取代向量数据库](https://broadrouter.com/zh/blog/long-context-vs-rag/) (文章)
-   [阿拉伯语 RAG：真正有效的规范化、分块与检索](https://broadrouter.com/zh/blog/arabic-rag-search/) (文章)

用你的真实业务负载试一试。 新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

[开始使用](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-grounding&utm_content=page-cta) ·

**来源**

-   [Google Cloud，grounding 概览（Vertex AI）](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/grounding/overview)
-   [Lewis 等（2020），Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
-   [Anthropic，减少幻觉（直接引用与引文）](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [BroadNet Inference API 参考，模型 ID 与上下文 （英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-grounding&utm_content=sources#models)
