登录 ModelArts Studio 控制台，进入"服务开通/用量统计"页面可以看到各模型的 token 用量和剩余免费额度，免费额度一般是按自然月发放的，用完后当月不再补充。几个建议：1）开发调试阶段用小参数量的模型或限制 max_tokens，省着用；2）不同模型的免费额度是分开的，某个模型用完可以切到另一个模型继续测；3）正式跑批量任务前先在本地把 prompt 调通，避免烧额度在调试上。具体额度规则以控制台公告为准。

去看看zcode的，送很多

先说结论：RAG 减少幻觉，靠的不是"接了个向量库"这一步，而是把生成的依据从模型参数里挪到了上下文里，并且在"检索不到"时敢于拒答。前者解决"无中生有"，后者决定"编得有多像真的"。下面把链路拆开说，顺带讲几个容易被忽略的坑。一、完整链路里真正起作用的是哪几步切块（chunk）：按语义结构切（按标题/章节/条目），并把来源、章节标题、更新时间一起存成元数据。切得不好，后面全废——固定长度硬切会把一句话劈成两半，检索出来的是半句话。召回（retrieve）：向量检索解决"语义相近但用词不同"，BM25/关键词解决"专有名词、型号、错误码"这类精确匹配。工程上通常做混合召回，只用向量的话，型号、参数名这种 token 很容易召不回。重排（rerank）：召回阶段追求"别漏"（取 top-50），重排阶段才追求"要准"（取 top-3~5）。用 cross-encoder 重排，收益往往比换更大的生成模型还明显。上下文组装：条数、顺序、去重都影响结果。长上下文有"中间遗失"问题——最相关的片段排在中间时，模型容易忽略它。把最相关的放开头和结尾，比塞满 20 个片段更有效。生成（generate）：Prompt 里明确"仅依据给定材料作答，材料不足时回答『知识库中没有相关信息』"，并要求逐句标注引用编号。这一条能显著压掉"检索到了但模型没用"的幻觉。二、RAG 自己也会产生幻觉，这才是很多人"上了 RAG 还是乱编"的原因：检索为空时模型仍会编：query 没命中任何片段，模型面对空上下文依然会按语言概率续写。必须加"无依据拒答"的门槛（相似度阈值、召回条数下限、或先让模型判断证据是否充分）。召回了但不相关：语义漂移，比如问"如何配置安全组"，召回的是"安全组概述"。重排 + 阈值过滤能挡掉大部分。知识库本身有错或已过期：RAG 会把错误忠实地放大，甚至让错误看起来更有依据。所以知识库的版本、更新时间和责任人和检索链路同样重要。三、把幻觉率真正压下去的工程动作建一个带标注的问答评测集（几十到几百条就够起步），每次改切块策略、换模型、改 Prompt 都跑一遍回归，指标看 faithfulness（有据性） 和 answer relevancy，别只看"回答像不像"。加一道后置校验：把生成的答案与它引用的片段做一致性比对，对不上就打回重试或转人工，而不是直接返回。给答案附引用链接，让用户能自己核验——可核验本身就是降低"乱编"感知的最强手段。对高频问题做缓存/兜底：命中固定答案的直接返回，不进生成链路。四、在华为云上怎么落地检索侧可以用云搜索 CSS 的向量检索能力，或 GaussDB / RDS 的向量扩展；生成侧用 MaaS 的知识库（把文档切片、向量、检索、配好的 Prompt 一起管理）；重排与离线评测可以放在 ModelArts 上跑流水线，把评测集、批量推理、指标对比做成常态化的模型迭代流程；线上问答的日志再回灌到 DLI 做效果分析，闭环迭代。一句话总结：RAG 把"闭卷考试"变成"开卷考试"，但开卷也会翻错书。决定幻觉率的是召回和重排的质量，以及"没有依据时敢不敢拒答"的工程约束——只接一个向量库然后放任模型自由发挥，幻觉不会消失，只是换了个更容易被发现的形态。