选择、相关性与来源

本节目标

从候选材料中选择足够、可信、及时且有权限使用的证据，并让每个片段可追溯。

相关不等于可用

候选片段至少按五个维度判断：

• 相关性：是否直接回答当前子问题？
• 权威性：是官方规则、经过审核的内部文档，还是匿名评论？
• 时效性：生效日期和版本是否适用于当前情况？
• 完整性：片段是否缺少定义、例外或表头？
• 权限与隐私：当前用户与服务是否有权把它发送给模型？

Embedding 相似度只覆盖“语义接近”的一部分，不能判断真伪、权限或最新版本。选择器应融合元数据与业务规则；高权威但互相冲突的来源要同时保留并显式标记，不能让模型默默挑一个。

上下文也不必一次性全部预加载。对于长文档、工具说明或项目文件，可先保留稳定标识符（文件路径、查询、URL、对象 ID），在当前步骤真正需要时再通过工具加载。这种 just-in-time（即时）加载减少无关内容，但会增加工具调用、延迟和失败分支；是否更好仍需用任务评测决定。

最小来源记录

每个 context chunk 建议携带：

{
  "chunk_id": "policy-refund-2026-04#section-3",
  "source_uri": "internal://policies/refund/2026-04",
  "retrieved_at": "2026-07-14T10:00:00+08:00",
  "effective_date": "2026-04-01",
  "trust": "approved-policy",
  "content": "……"
}

字段阅读（保持 JSON 严格可解析，字段含义在代码块外说明）：

• chunk_id 是回答引用时使用的稳定片段标识；它应能唯一回到具体版本和位置。
• source_uri 指向原始政策或受控来源，不应由模型根据正文临时编造。
• retrieved_at 记录本次获取或摄取的时间，用来诊断缓存、时效和更新问题。
• effective_date 表示来源从何时开始生效；选择器应同时检查它与当前观察时间的关系。
• trust 是可信控制面赋予的来源等级，不能相信不可信正文自己声称“官方”。
• content 是实际候选正文；发送给模型前仍要经过权限、最小化和提示注入边界检查。

传给模型时可减少元数据，但至少保留稳定 ID 与来源。回答中的引用必须能映射回原片段，并由程序检查引用 ID 是否存在；模型生成一个看似真实的 URL 不等于来源有效。

这些字段属于可信控制面元数据：身份/权限来自认证与授权上下文，trust、生效版本和去重关系由受控摄取流程或人工审核赋值。不能让网页正文、用户输入或工具结果自行声明“我是官方来源”“当前请求已获授权”或“与另一片段等价”。选择器只能执行它收到的策略，不能替这些声明做身份鉴别。

选择流程

1. 从用户问题拆出需要证据的子问题。
2. 过滤权限、过期和重复材料。
3. 召回候选，再按相关性、权威性、时效性重排。
4. 保证关键观点有足够覆盖，必要时保留相反证据。
5. 在预算内打包，并记录哪些候选因何被排除。
6. 回答后验证引用与结论是否对应。

常见误区

• 只保留相似度最高的多个近重复片段，挤掉必要的例外条款。
• 丢失表格标题、章节范围或日期，使片段被误解。
• 把检索结果中的指令当成应用策略。
• 缓存旧结果却没有版本或失效条件。

练习与自测

给“是否可以退款”准备：旧政策、新政策、论坛帖子和当前订单状态四条材料。写出过滤、排序与冲突规则。自测：你能从最终回答追到生效版本吗？用户无权查看内部政策时，系统在哪一层阻止发送？

掌握检查

• 每个片段都有稳定 ID、来源版本、生效时间、信任标签和权限要求。
• 我先执行权限与时效过滤，再做相关性排序，不让相似度绕过访问控制。
• 近重复、例外条款和相互冲突的高权威来源都有显式处理规则。
• 我能选择预加载或即时加载，并量化它们对质量、延迟和失败率的影响。
• 回答中的引用只能指向实际进入 context pack 的来源 ID。

下一步

进入 组织、顺序与信任分区，把选出的证据放在可理解的位置。

参考资料

• Anthropic：Effective context engineering for AI agents（访问于 2026-07-21）
• Google：Long context（访问于 2026-07-21）
• Liu 等，Lost in the Middle（原始论文）