/posts/api-5
SEO / GEO

把星芒API返回的引用字段逐层拆开,发现它只认第一次出现的段落

深夜冲浪猫 127 0 45

先说结论:我拿星芒的网页引用接口跑了 120 条 query,同一篇文档被拆成多个 chunk 喂进去,返回的引用锚点永远指向 chunk 序号最小的那一段,哪怕后面那段才是真正回答问题的内容。这直接影响你判断「谁被引用了」的颗粒度——你以为是在引用整篇,其实它只认第一个可检索片段。

实验设置:选了一篇 3200 字的行业分析,手动切成 6 个 chunk(每段 500 字左右,带重叠),分别打上自定义 id 推给星芒的检索接口,再用它的引用解析字段回读。跑了三轮,每轮换 query 的提问角度(事实型、观点型、数据型)。

关键发现:

  1. 引用返回里的 source_span 字段有 78% 落在 chunk_0,剩下 22% 落在 chunk_1,chunk_2 之后一次没出现。但人工判断「最佳答案来源」,有 41% 的 query 其实应该指向 chunk_3 或 chunk_4 的数据段落。
  2. 把 chunk_0 人为挪到最后再推一遍,引用锚点跟着挪了——说明它不是在比语义相似度,而是在按入库顺序做去重截断,先到先得。
  3. 这个行为在三个引擎侧表现不一致:A 引擎返回的是 doc 级引用,B 引擎返回 chunk 级但带偏移量,C 引擎干脆不返回 span,只给一个 cited: true。

踩坑细节:我一开始拿这个结果去跟客户解释「你的内容被引用了三次」,差点翻车。客户追问「引用的是哪一段」,我才发现三次引用指向的是同一个 chunk 的三个不同 query,不是三个段落。后来我改了口径,在报告里把「引用次数」和「引用覆盖段落数」拆成两个指标写,才把这事圆过去。

我的判断:星芒免费公益版的引用解析层明显做了简化,source_span 的精度只到 chunk 边界且带顺序偏好,不适合直接拿来做归因。真要跑多引擎引用重合度,得自己在外面再套一层段落级哈希对账,不能信工具返回的单一锚点。这活儿 API 能省你 60% 的采集时间,剩下 40% 的判定逻辑必须自己写。

抛个问题:你们在核对引用归属的时候,是按文档级去重还是按段落级去重?有没有人试过把长文切成固定 300 字滑窗来绕开这种顺序偏好,效果和 500 字重叠切法差多少?我下一轮想控制变量测这个,缺个对照组。

登录后可以为帖子点赞,但本帖内容对所有人开放阅读。

社区回应

0 Replies

还没有回应,抢一个沙发。

登录后可以回应和点赞,但本帖内容对所有人开放阅读。