创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

以上下文感知检索和智能体化RAG构建双层记忆

AI 总结

该报告介绍上下文感知检索:在文档分块嵌入前,由大模型为每个分块生成上下文说明,再通过稀疏与稠密检索进行混合检索并重排。报告还将智能体化RAG描述为由智能体决定何时检索、检索什么以及是否继续检索的迭代过程。这些方法被整合为一套双层记忆设计:常驻概览层以结构化卡片保存关键偏好、关系和摘要,按需细节层则检索原始记录和文本片段。报告将离线BM25 recall@k的定性提升归因于书中使用上下文前缀的实验,但未提供具体数值或独立复现。

深度见解

该报告给出了一套实用架构,通过常驻概览与按需细节改善检索、支持智能体主导的搜索并管理跨会话记忆。所引性能结论仅为定性描述, supplied report中也没有独立验证。

原文:mp.weixin.qq.com/s/e2P8r7YVr…(2026年10月04日)

01.jpg

拼图快齐了:记忆会提炼、会分格式,知识库会分块、会混合检索,还能长成树、织成网。但它们大多还是“你问一句、它查一下”的被动管道。这一篇就看最后三块——也是最“聪明”的三块——以及整套设计的收束。

一、上下文感知检索:给每个分块补上“身份”

还记得第三篇埋的伏笔吗?分块会切断片段和原文的联系,产生“孤儿分块”——“该公司”指代谁、“这段话出自哪份报告”,都留在了块外面。

上下文感知检索(Contextual Retrieval) 正是来修补这个最基础环节的(这个思路最早由 Anthropic 提出)。做法朴素但有效:在建索引之前,为每个分块生成一段专属于它的上下文说明,再把它和原文块一起嵌入。流水线大致是这样:

#Anthropic#ReAct#Contextual Retrieval#Advanced JSON Cards#RAPTOR#GraphRAG#OpenViking#Mem0#Memobase#LangChain#LlamaIndex#Zep

原文约 5 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。