面向企业检索增强系统的结构与多样性感知上下文气泡构建

大语言模型（LLM）上下文通常通过检索增强生成（RAG）构建，即对 top-k 段落进行排序与选择。这种做法会导致文档结构中信息图谱的碎片化、过度检索与内容重复，同时查询上下文不足，包括二阶与三阶侧面。本文提出一个结构感知、多样性受约束的上下文气泡构建框架，在严格 token 预算下组装连贯、可引用的片段束。该方法通过组织多粒度片段（如章节与行）并使用任务条件化的结构先验引导检索，来保留并利用文档固有结构。从高相关锚点片段出发，通过平衡查询相关性、边际覆盖与冗余惩罚的受约束选择构建上下文气泡。它显式约束多样性与预算，产出紧凑且信息丰富的上下文集合，不同于 top-k 检索。此外，系统会输出完整检索记录，追溯每条记录的评分与选择依据，从而提供可审计性与确定性调优。在企业文档上的实验表明，上下文气泡是高效的：显著减少冗余上下文，更好地覆盖次要侧面，并在有限上下文窗口内获得更好的答案质量与引用忠实度。消融研究表明，结构先验与多样性约束选择都不可或缺；移除任一组件都会导致覆盖下降以及冗余或不完整上下文增加。