用 PostgreSQL 留存 RAG 回答的审计证据
文章用 Aurora PostgreSQL、pgvector 和 Bedrock Guardrails 为 RAG 问答建立追溯记录,在 SQL 中保留检索来源、分数和护栏执行轨迹。
原文暂未完整获取,基于公开信息的快读
AWS ML Blog 给出了一套客服问答的审计设计。它用 Amazon Aurora PostgreSQL 和 pgvector 检索历史工单与知识库文章,再把检索命中的来源、回答实际引用的来源、相似度分数和 Amazon Bedrock Guardrails 的执行轨迹留在数据库里,方便事后用 SQL 核对一次回答是怎么生成的。
目前能确认什么
文章把 AWS 的八个负责任 AI 维度映射到 Aurora PostgreSQL 的能力,具体展开的是「可解释性」。在这套检索增强生成(RAG)流程里,资料入库前先脱敏,再通过 Aurora ML 在 SQL 中生成向量。用户提问时,AWS Lambda 用同一个模型把问题转成向量,由 pgvector 做相似度检索,行级安全(RLS)把结果限制在当前租户。Lambda 随后给检索片段加上来源编号,和问题一起交给 Amazon Bedrock。
检索命中和回答引用是两份记录。一段资料可以被搜到、放进提示词,却没有出现在最终引用里。相似度分数反映问题和片段在向量空间里的接近程度,判断片段能否支持答案,还得核对原文。
我的判断
客服机器人答错账单问题时,我会先查正确的计费说明有没有被检索到,再核对回答引用了哪条说明,以及护栏对这次请求做了什么。有了这些记录,才能更快判断下一步该查检索、模型生成,还是护栏配置。
现有节选还没说清护栏轨迹具体保存哪些字段、失败请求能留下哪些记录,以及审计数据的访问权限和保留期限怎么配置。尤其是客服场景,日志里会不会留下问题原文或拦截前的内容,需要等完整原文或官方文档确认。