夜雨聆风学习资料网

ARTICLE · 1373182

RAG知识库权限怎么配:文档级ACL与召回过滤

RAG知识库权限怎么配:文档级ACL与召回过滤
RAG知识库权限怎么配:文档级ACL与召回过滤
RAG知识库权限怎么配?关键不是让模型闭嘴,是让检索器从一开始就只能看到有权文档:每个 chunk 入库带 ACL 元数据,召回时把权限过滤写进查询、在排序前生效,权限变更走事件驱动同步。下面给一张可直接抄进 Excel 的 6 列权限元数据表、3 种越权路径对照和一套上线自查清单。
一、先纠正一个错:权限不在生成层
常见做法是在 system prompt 里写一句「不要泄露无权内容」,但检索器已经把 HR 表送进上下文。模型只能尽量不说,片段、相关度分数和空答案仍会漏(Agensphere 对事后过滤的判定)。
事后检查即使拦下了无权片段,上下文也已被污染:摘要可能被复述,相关度分数暗示了它的存在,空答案还会逼用户换个问法再试。
可核查的做法是把权限压到索引与查询两层:chunk 带 ACL 元数据,查询按 tenant 与 user 过滤后再排序(lmversity、Nanobase、Applied AI Prep)。

图 1|三种越权路径:漏在哪、补在哪

① chunk 没带 ACL → 受限段落照样可召回;每个 chunk 继承源文档最严权限

② 先排序后过滤 → 片段 / 分数 / 空答案仍漏;把过滤下推进检索查询

③ 撤权不同步 → 离职 ID 仍在 acl_users;事件驱动同步,别等全量重建

三条都发生在检索层,不是靠提示词能补的。

算一笔账:一个向量库混了 10 个租户,若查询不带 tenant 过滤,Top-5 召回里属于别家的概率随租户数上升。
最坏情况下有权内容只占十分之一,等于把九成无权文本送进上下文。这是算术假设,不是统计。
二、6 列元数据:把权限写成可查询字段
权限不能是正文里的一句话,要是能查询的字段:tenant_id、document_id 与 chunk_id、owner、allowed_users 与 groups、classification、acl_version。

表 1|6 列权限元数据:可直接抄进 Excel

① tenant_id:租户硬边界,独立 collection 或强制过滤

② document_id / chunk_id:出事时能定位到具体片段

③ owner:文档所有者,撤权事件的发起方

④ allowed_users / groups:按用户与组双列校验

⑤ classification:与第 12 篇四级清单同一套编码

⑥ acl_version:权限改了没重建,靠这列发现问题

Imversion 的 schema 还包含 source_system、ingested_at 与 policy_tags。

acl_version 最常被省。权限改了、向量没重建,有权状态就停在昨天;BuildMVPFast 要求每个 chunk 带 ACL 快照,Dobryakov 建议 ACL 数组与版本号一起存。
顺序也别反:先对原始文档打标再切块,让 ACL 随 chunk 作为元数据传递;只存在文档表里的权限,检索器看不到。这批标签沿用第 13 篇的打标清单。
三、召回过滤:三道硬规则
① 租户边界硬隔离:独立 collection 或强制 tenant 过滤;② 权限过滤在排序前进查询,不是召回后再查;③ 每个 chunk 继承源文档最严权限,多源融合按就高从严(app-lab.ai、Praesidia、Agensphere)。

图 2|过滤放在哪一步

查询入口 带入 user / tenant 身份 → 服务端校验,不靠提示词

过滤下推 tenant 边界 → ACL 条件,都在向量检索查询里

召回与重排 只看到有权片段 → 排序结果不会带出无权内容

生成与留痕 附引用来源 → 记过滤条件与 acl_version

代价要写清:过滤越严,可用文档越少,答案越容易空或靠模型补;收紧权限会推高幻觉,不是免费午餐。
把「无权限结果」和「无相关结果」分开返回,别让模型猜。个人 ChatGPT 账号里的知识库如此,企业版 通义千问、豆包 也一样。
四、同步与留痕:权限是会变的
权限撤销要事件驱动同步。承包商离职后,user_id 还留在 acl_users 里,直到下一次全量重建才失效(app-lab.ai);RAGyfied 还提醒缓存与日志会跨租户漏。
每次召回记 tenant、user、过滤条件、acl_version 与拦截结果。别把「回答看起来没越权」当证据,要能翻出过滤日志。
缓存要按 tenant 与 acl_version 做键,权限一变旧答案立刻失效;否则撤权后仍能拿到上一轮结果。TraceID 与拦截结果可复用第 9、10 篇的日志字段表。
五、边界,以及一个没解决的问题
以上是公开实践的做法归纳,不是统一法规口径;字段设计、留存与审批以本行业监管和公司制度为准,不做规模测算。
留个真问题:一份文档标 L2,A 员工有权看原文,但召回片段被拼进答案后暴露了跨文档的秘密,权限该按原文算,还是按生成结果算?
资料依据:Digital Divide Data《How to Build a Knowledge Base That Actually Makes RAG Reliable》、lmversity《Access-Controlled Retrieval》、Nanobase AI《Document-Level Permissions in RAG》、Agensphere《Filter by permission before you rank, not after》、app-lab.ai《RAG Document Permissions》、Imversion《Secure Enterprise RAG》、Praesidia《Permission-Aware RAG》、RAGyfied《Permissions and Multi-Tenancy》、BuildMVPFast、Brudite、Dobryakov;先打标再切块见 gigarag(§6.11)。均为公开实践做法归纳,非统一法规口径。
💬 IO 小编唠两句

6 列权限元数据、3 种越权路径和过滤位置图存下来,配知识库时对着勾一遍就知道漏在哪。

用得上就收藏备用,不用转。评论区聊一个具体配置:你们的权限过滤是在召回后检查,还是写进检索查询?下篇:AI客服接通率超九成,外包订单为什么没消失。

本文为原创,转载请注明出处。本文图片为AI生成。

📚 往期回顾

   ① 《敏感字段识别怎么做:数据打标与标签同步》   ② 《企业AI数据分级怎么落地:四级清单与网关检查点》   ③ 《报告能一分钟生成,百万咨询费为什么没降》   

👆 点击标题即可跳转阅读

—— IO · 2026-11-17

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料