共计 684 个字符，预计需要花费 2 分钟才能阅读完成。
随着大型语言模型（LLMs）与实时网络检索的结合，临床医生和患者查找医学证据的方式正在发生革命性变化。主要搜索引擎将 LLMs 整合到其界面中，这种混合方法可能成为互联网的新“门户”。然而，开放网络检索使模型暴露于非专业来源，可能导致幻觉和事实错误，从而危及循证护理。
本研究旨在量化指南领域白名单对三个公开可用的 Perplexity 网络检索增强生成（RAG）模型答案质量的影响，并将其与一个专门构建的生物医学文献 RAG 系统（OpenEvidence）的性能进行比较。
研究应用了来自美国神经病学学会（AAN）指南的 130 个问题集（65 个事实性问题和 65 个基于案例的问题）。对 Perplexity 的 Sonar、Sonar-Pro 和 Sonar-Reasoning-Pro 模型分别进行了四次查询，首先使用开放网络检索，然后限制检索范围为 aan.com 和 neurology.org（“白名单”）。OpenEvidence 也被查询了四次。两位神经科医生在盲法条件下对每个回答进行评分（0= 错误，1= 不准确，2= 正确）；任何分歧由第三位神经科医生解决。使用有序逻辑模型评估问题类型和来源类别（AAN 或神经病学与非专业）对准确性的影响。
在评分的 3640 个 LLM 回答中（评分者一致性：κ=0.86），正确答案率如下（开放 vs 白名单）：Sonar，60% vs 78%；Sonar-Pro，80% vs 88%；Sonar-Reasoning-Pro，81% vs 89%；OpenEvidence 的正确答案率为 82%。对七种配置的模态评分进行 Friedman 检验，结果显著（_χ_ 2 6=73.7；_P_<.001）。白名单使 Sonar 的平均准确性提高了 0.23（95% CI 0.12-0.34），Sonar-Pro 提高了 0.08（95% CI 0.01-0.16），Sonar-Reasoning-Pro 提高了 0.08（95% CI 0.02-0.13）。包含≥1 个非专业来源使 Sonar 获得更高评分的几率减半（OR 0.50，95% CI 0.37-0.66；_P_<.001），而引用 AAN 或神经病学文档则使其几率翻倍（OR 2.18，95% CI 1.64-2.89；_P_<.001）。此外，事实性问题在 Perplexity 模型中的表现优于案例问题（OR 范围为 1.95，95% CI 1.28-2.98 [Sonar + 白名单] 到 4.28，95% CI 2.59-7.09 [Sonar-Reasoning-Pro]；所有_P_<.01），但 OpenEvidence 未显示出这种差异（OR 1.44，95% CI 0.92-2.27；_P_=.11）。
将检索限制在权威神经病学领域，使正确性提高了 8 到 18 个百分点，并将输出变异性减半，将消费者搜索助手升级为决策支持级别的工具，至少与专门的文献引擎表现相当。因此，轻量级来源控制是维护基于网络的 RAG 增强 LLM 适合循证神经病学的实用安全杠杆。
