智能问答 Question Answering 是什么？

智能问答（Question Answering，简称 QA）是让计算机针对自然语言提出的问题，直接给出答案的一类技术，而不是丢给你一排网页链接。打个比方，搜索引擎像图书馆的检索台，只告诉你“这几本书里可能有”；智能问答像替你翻完书的馆员，开口就是“答案在这儿”。

它到底在干什么

QA 的任务看着简单，一个问题进去，一个答案出来，麻烦在于答案从哪来。常见有三条路。

第一条，递给模型一段文字，让它在里面圈出答案，这叫抽取式。第二条是开放域问答，没人替你备好文章，系统得先从海量文档里找出相关的几篇，再从中读出答案，也就是“先检索，后阅读”。第三条是生成式，模型直接写出一句话，知识可以来自训练时记进参数的内容，也可以来自你临时塞给它的材料。今天在聊天框里问大模型问题，走的多半是第三条，复杂些的产品会在前面再加一道检索。

它是怎么一路走来的

把问答推成正经评测任务的，是 1999 年的 TREC-8。美国 NIST 主办的这场文本检索会议开了问答赛道，这是第一次大规模评测领域无关的问答系统，要求系统交出答案，而不是文档列表。

2010 年，IBM 的 Ferrucci 等人在 AI Magazine 发表《Building Watson》，介绍 DeepQA 架构，目标是让机器在智力竞赛节目 Jeopardy! 上实时与人类冠军同场。论文强调，对答案“有几分把握”的置信度估计，是整个方案的关键。

2016 年，斯坦福的 Rajpurkar、Zhang、Lopyrev 和 Percy Liang 在 EMNLP 发表 SQuAD：107785 个众包问答对，覆盖 536 篇维基百科文章，答案都是原文片段。论文里逻辑回归基线的 F1 是 51.0%，人类是 86.8%。

2017 年，陈丹琦等人在 ACL 发表《Reading Wikipedia to Answer Open-Domain Questions》，做出 DrQA：以 500 多万篇维基百科文章为唯一知识源，先用二元词哈希加 TF-IDF 匹配挑文章，再用多层循环神经网络在文章里找答案片段。

2020 年，Patrick Lewis 等人在 NeurIPS 发表 RAG 论文，把预训练的 seq2seq 模型当“参数记忆”，把维基百科的稠密向量索引当“非参数记忆”，由神经检索器去取，并报告在三个开放域问答任务上刷新了此前的结果。

现在在哪儿用得上

最常见的形态是“检索加生成”：企业知识库问答、客服机器人，先找相关文档片段，再让模型据此作答。Anthropic 介绍 Citations 时举的例子之一就是客服：系统参考多份产品手册、FAQ 和工单来回答，并给出确切出处。

Citations 是 Anthropic API 的功能，2025 年 6 月发布。你把源文档放进上下文并开启引用，Claude 对来自文档的论断会附上指向原文句子或段落的引用，PDF 和纯文本会先被切成句子。官方文档目前写明只支持文本引用，图片引用还不行。

Gemini 走联网这条路。Grounding with Google Search 把模型接到实时的公开网页内容上，回答能越过知识截止日期，并附可核查的来源；它还支持动态检索，由 Gemini 判断这个问题要不要查，因为多查一次会增加成本和延迟。想查企业内部数据，Vertex AI 上也能接入你自己的搜索接口。

容易混的地方

先说搜索：搜索给文档列表，QA 给答案，TREC-8 开赛的出发点正在这里。再说 RAG：QA 是要完成的任务，RAG 是做法之一，模型不检索、凭记忆直接答也算 QA。

阅读理解和开放域问答也常被混着说。前者材料已经给你，后者得自己找。DrQA 论文里有一组数字：同一个阅读模型，在标准 SQuAD 上精确匹配约 70%，放进开放域、用多任务训练后，SQuAD 的题只剩 29.8%。

最容易吃亏的是把“答得流畅”当成“答得对”。RAG 论文开头就承认，模型把知识存在参数里，要给出判断依据、要更新知识，都还是开放问题。

对使用者来说有三件事。写提示词时，把材料贴进去，要求“只依据材料作答，材料里没有就直说没有”，再让它标出处。选方案时，涉及最新信息或私有文档就走检索或联网，纯常识类让模型直接答就够。控成本时，别每次塞整本文档，先检索再喂片段；同一批文档反复用，可以看看提示缓存，Claude 的引用文档里写明两者能一起用。我们 AI主线 的建议是，动手前先想清楚答案该从哪来，再挑模型和工具，这往往比纠结换哪个模型更有用。