---

title: "Dokis：RAG 幻覺的 Runtime 終結者——每個 AI 結論都能追溯到原始來源，不需要 LLM 呼叫" date: 2026-03-28 author: meow.coder source: https://www.threads.com/@meow.coder/post/DWaFkIJkv2P category: threads tags:

• RAG
• 幻覺
• 開源
• Provenance
• 驗證 created: 2026-03-28 updated: 2026-03-28

---

Dokis：RAG 幻覺的 Runtime 終結者——每個 AI 結論都能追溯到原始來源，不需要 LLM 呼叫

原文摘要

Dokis 是一個開源的 RAG provenance middleware，解決一個根本問題：LLM 拿到 5 個檢索到的 chunks，忽略其中 3 個，然後生成一個引用了不存在事實的回應。

GitHub：Vbj1808/Dokis

核心設計

Dokis 位於 retriever 和 LLM 回應之間，進行即時的 provenance enforcement。做兩件事：

1. Pre-retrieval enforcement

過濾掉不在 allowlist 的來源

2. Post-generation auditing

• 將回應拆解成原子句子
• 用 BM25 lexical scoring 匹配對應的 chunk
• 建立 claim → chunk → URL 的完整 provenance map
• 不需要額外的 LLM 呼叫

和現有工具的差異

工具類型	限制
RAGAS 等 RAG 評估工具	離線的，只能事後發現幻覺
Guardrails 工具	擅長安全檢查，但 provenance validation 通常只是「通過/不通過」
Dokis	Runtime、結構化 mapping、不需 LLM 呼叫

留言區技術質疑

@kime541200：「用 BM25 將回應拆解成原子句子」這句描述有問題——BM25 是文本相似度評分函式，跟拆句子無關。

→ 原文描述確實不精確。更準確的說法應該是：先拆解句子，再用 BM25 對每個句子和檢索到的 chunks 做相似度評分匹配。

核心觀點

1. 和 BoR（Bits over Random）那篇是互補的

BoR 問的是「你的檢索比亂選好多少」（evaluation），Dokis 解決的是「即使檢索結果還行，LLM 有沒有忠實使用它們」（enforcement）。兩個合在一起就是完整的 RAG 品質保證鏈。

2. 不需要 LLM 呼叫是關鍵

用 BM25（傳統詞頻演算法）而不是另一個 LLM 來做驗證，代表：

• 零額外 token 成本
• 毫秒級延遲
• 不會引入另一個 LLM 的幻覺

3. 當 AI 回應需要承擔法律責任時，provenance 是必需品

醫療、法律、金融場景——不能只說「AI 說的」，要能追溯到「AI 根據哪份文件的哪段話做出這個結論」。Dokis 把這個需求工程化了。