在构建基于李常受信息的 RAG 系统时，处理“敏感话题”不仅是为了合规，更是为了确保神学表述的严谨性。由于这些术语在不同神学背景下有截然不同的解读，系统极易产生误导性的输出。
以下为您梳理的敏感词汇表及其在 RAG 系统中的专项处理方案：
1. 基督论：关于“受造”与“人”
这类词汇最容易引发“基督是否具有神性”的误解。
* 敏感词汇： 受造之物的首生者、受造物、人（强调基督仅仅是人时）、肉体。
* RAG 处理策略：
* 双重属性锚定： 检索到“受造”时，强制在 Prompt 中插入：“必须同时提及基督的神性与人性，不可偏废”。
* 上下文注入： 自动补充《歌罗西书》1:15 的职事解释，明确“受造”仅指其人性，而非其神性的起源。
2. 神论：关于“神化”与“神人”
这类词汇容易被误解为“泛神论”或“人进化为神格”。
* 敏感词汇： 神人、神化 (Deification/Divinization)、在生命和性情上成为神、大量复制。
* RAG 处理策略：
* 界限声明： 必须在生成的答案末尾或过程中，强制加入**“但不在神格（Godhead）上”**的免责声明。
* 术语对齐： 将“神化”关联到早期教父（如亚他那修）的“神成肉身，为叫人成神”的传统，以学术正统性抵御异端指控。
3. 三一神：关于“常驻”与“形态”
李常受弟兄强调“素质的三一”与“经纶的三一”，若处理不当，易被判为“形态论”。
* 敏感词汇： 子就是父、主就是灵、形态、经纶的三一、调和 (Mingling)。
* RAG 处理策略：
* 区分逻辑： 当用户问“主就是灵吗？”时，系统应自动检索并区分“素质上的区别”与“经纶上的引用”。
* 关系图谱： 内部建立三位一体位格（Person）间“互住（Coinherence）”的逻辑关联，防止 AI 简单地输出“A=B”这种容易引起神学攻击的等式。
4. 召回与组织：关于“宗教”与“公会”
这类词汇涉及地方教会的独特立场，容易引发社会性或教派间的争议。
* 敏感词汇： 宗教的巴比伦、公会、唯一立场、职事。
* RAG 处理策略：
* 语境锁定： 限制 AI 仅从“属灵含义”和“圣经预表”角度解释，禁止其针对具体的现代教派进行评判或点名。
* 中立化输出： 引导 LLM 使用“根据职事信息，这里的公会是指…”这种客观引用体，而非直接下定义。
汇总处理方案建议
为了彻底优化这些敏感点，建议在您的方案中增加一个**“语义守门员” (Semantic Guardrail)** 模块：
| 模块 | 实现方式 | 作用 |
|—|—|—|
| 敏感词检测 | 基于 IK 分词的敏感词库黑名单。 | 触发特定词汇时，激活高强度 Prompt 约束。 |
| 平衡重排 (Balanced Rerank) | 在 Reranker 阶段，手动提升“平衡性论述”段落的权重。 | 确保用户看到“受造”时，前三名结果里一定有“创造者”的论述。 |
| 强制后缀 (Hard-coded Suffix) | 在 LLM 生成答案后，由后端代码自动拼接神学平衡声明。 | 消除幻觉带来的法律和神学风险。 |
下一步建议
您是否需要我针对“神人调和（Mingling）”这一最核心也最易被误解的敏感术语，为您写一段高强度的 LLM 约束指令（System Message）？ 这将直接决定您的 RAG 系统在回答高难度神学问题时的“安全系数”。