Большинство руководств по RAG сосредоточены на релевантности — стратегиях разбиения на части, моделях встраивания и гибридном слиянии поиска. Что они редко затрагивают, так это безопасность. В производственной среде конвейеры извлечения данных извлекают информацию из источников с различными уровнями доступа, классификациями конфиденциальности и нормативными требованиями. Агент поддержки не должен видеть данные о вознаграждении руководства только потому, что показатель векторного сходства высок. Агент ИИ, обрабатывающий запросы клиентов, не должен возвращать результаты внутренней проверки, потому что они совпадают по лексике с вопросом.Эта статья заполняет этот пробел. Она описывает добавление элементов управления доступом, осведомленных об идентификации, к существующему конвейеру RAG в качестве тонкого слоя безопасности: принудительное применение разрешений для каждой части перед извлечением, сканирование на предмет внедрения подсказок, безопасное построение контекста для языковой модели и ведение журнала аудита для соответствия требованиям. Каждый шаг дает конкретный артефакт, который вы можете адаптировать. Все примеры используют обычный Python.