需求背景
为了更好地支持机器人在实际场景中的调试与优化，我们对AI回复内容增加溯源能力。当前，人工管理员或交付人员在发现机器人回答存在问题时，往往难以快速定位该回复所依据的知识来源或决策路径，导致排查效率低、优化周期长。
概念澄清
1. 基础版本tracing：结果性数据，展示的是当前答案，最终使用了哪些知识库，哪个文档里的哪些知识片段给到了LLM，用于答案的生成（注意⚠️：给到LLM的知识是否会被采用，取决于LLM，因此给到大模型的知识，和大模型实际使用的知识，不能完全相等）
2. 深度解析：过程性数据，展示的是当前答案，从用户发出问题，到querry改写、知识召回、排序、LLM生成、到最后答案输出的全流程可视化；
3.Defaut Agent : 也就是目前chat渠道的RAG AI
本期支持内容
坐席侧&playground
| 渠道 | AI对象 | 基础版本tracing | 深度解析 |
| chat | Defaut Agent (RAG AI ) | 支持 | 支持 |
| Chat Agent | 支持 | 不支持 | |
| Flowbot | 支持 | 不支持 | |
| Email Agent | 支持 | 不支持 | |
| Flowbot | 支持 | 不支持 |
基础版tracing
当回复消息对象为AI bot或者Flowbot时，可查看当前答案的tracing内容。
1. 当前查看的知识片段内容为“输入给LLM做答案生成的知识片段”
2. 当使用者有权限时，可对知识片段进行编辑
3. 当回复的AI为Agent时，可查看该Agent的调用的工具信息
4. 当该知识对比被引用时，若进行过修改/删除时，会对比呈现；（上：被使用时的内容 右：被修改后的最新的内容）
知识被引用后未被修改
知识被引用后，做过修改
5. 当查看的是子店铺的会话数据时，无法直接点击跳转查看子店铺的知识库、知识文档；（但知识片段支持编辑）
深度解析
过程性数据，展示的是当前答案，从用户发出问题，到querry改写、知识召回、排序、LLM生成、到最后答案输出的全流程可视化；
Defaut Agent(RAG AI) 说明
1. 根据答案输出的全流程，展示对应经历过的所有节点、耗时
1️⃣querry改写→ 2️⃣知识召回→ 3️⃣知识粗排→4️⃣知识精排→5️⃣答案生成→6️⃣相关度评分→7️⃣输出答案
2. 根据实际情况，某些答案的生成可能只有其中几个环节
3. 标签：展示的当前知识片段关联的【业务标签】【商品标签】（目前无法区分哪些标签用于了召回）
4. 相似问：展示的是召回当前知识使用的相似问
5. 粗排&精排：粗排和精排目前只会做一次过滤；目前：粗排展示的是召回的知识哪些做了过滤和保留，精排环节展示的是上一步过滤后被保留的具体知识内容；
6. 相关度评分说明
相关度评分说明：在知识精排环节后，会将精排后的知识输入给LLM做答案的生成，但实际使用了哪些知识，由模型决定；
相关度评分属于事后评分（由评分模型评估知识片段和生成的答案的相关性），当满足评分阈值后，会将该知识标记为引用，若标记引用了商品相关知识，则会在答案输出环节输出【商品卡片】；但相关度评分并不影响最后的答案生成；