> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/context_engineering_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/context_engineering_guide/di-er-bu-fen-he-xin-ji-shu-yu-ce-le/05_select/summary.md).

# 本章小结

本章深入探讨了上下文工程的选择策略，重点介绍了 [RAG](/context_engineering_guide/di-er-bu-fen-he-xin-ji-shu-yu-ce-le/05_select/5.1_rag_principles.md) 技术体系。

## 关键概念清单

| 概念   | 定义                                                                                                                     |
| ---- | ---------------------------------------------------------------------------------------------------------------------- |
| RAG  | [检索增强生成](/context_engineering_guide/di-er-bu-fen-he-xin-ji-shu-yu-ce-le/05_select/5.1_rag_principles.md)，结合信息检索与语言模型生成 |
| 分块   | 将大文档切分为小片段的过程                                                                                                          |
| 嵌入   | 将文本转换为数值向量的过程                                                                                                          |
| 语义搜索 | 基于语义相似度的信息检索                                                                                                           |
| 重排序  | 对初步检索结果进行二次排序优化                                                                                                        |
| 混合检索 | 结合语义检索和关键词检索                                                                                                           |

## 核心观点

1. **RAG 是上下文选择的核心方法**：
   * 弥补模型知识局限
   * 提供时效和准确的信息
   * 知识来源可追溯
2. **分块质量决定检索效果**：
   * 保持语义完整性
   * 大小适中（200-1000 Token 常见）
   * 根据内容类型选择策略
3. **嵌入是语义搜索的基础**：
   * 选择适合领域的嵌入模型
   * 查询增强提升检索效果
   * 注意多语言和长尾问题
4. **重排序显著提升相关性**：
   * 两阶段架构：召回 + 精排
   * 交叉编码器效果最佳
   * 平衡效果与成本
5. **混合检索已成标准**：
   * 结合语义与关键词优势
   * RRF 是常用融合方法
   * 配合查询转换更强大

## 常见误区

* **误区一**：语义检索可以解决所有问题 **正解**：关键词检索对专有名词更有效，应混合使用
* **误区二**：分块越小越精确 **正解**：太小会丢失上下文，需要平衡
* **误区三**：检索到就能用好 **正解**：还需要通过提示词引导模型正确利用

## 实践建议

1. **从基础 RAG 开始**：先实现基本流程，再逐步优化
2. **关注分块策略**：这是影响最大的环节之一
3. **引入混合检索**：可快速提升效果
4. **添加重排序**：在基础效果稳定后引入
5. **持续评估迭代**：收集失败案例，针对性优化

## 检索系统核心指标一览

| 指标维度   | 指标名称            | 典型目标值（示意） | 说明                        |
| ------ | --------------- | --------- | ------------------------- |
| **性能** | 端到端延迟 (P99)     | 取决于产品形态   | 包含检索、排序、生成全流程             |
|        | 检索延迟 (P99)      | 取决于索引与规模  | 仅检索环节耗时                   |
|        | 吞吐量 (QPS)       | 视场景定      | 系统每秒处理请求数                 |
| **质量** | Recall\@K       | 以基线提升为目标  | 前 K 个结果中包含正确答案的比例         |
|        | MRR（平均倒数排名）     | 以基线提升为目标  | 正确答案在结果列表中的排名优劣           |
|        | 准确率 (Precision) | 以基线提升为目标  | 检索结果的有效性（信噪比）             |
| **成本** | 单次查询成本          | 以账单与压测为准  | 包含 Embedding、存储和 LLM 生成成本 |
|        | 索引构建成本          | 视数据量      | 初始向量化和存储的费用               |

## 预告

下一章将讨论压缩策略——如何在有限的上下文空间中容纳更多有效信息，包括摘要、信息提取和对话历史管理技术。

***

> 📝 **发现错误或有改进建议？** 欢迎提交 [Issue](https://github.com/yeasy/context_engineering_guide/issues) 或 [PR](https://github.com/yeasy/context_engineering_guide/pulls)。