SCAR：用于 RAG 中高效上下文扩展的语义连续性感知检索

检索增强生成（RAG）中的固定长度分块通常会导致边界碎片，其中关键证据被分割成多个片段，从而降低检索召回率。虽然静态窗口和父检索提高了召回率，但它们引入了显着的词元开销。我们提出了 SCAR（语义连续性感知检索），这是一种自适应检索策略，通过权衡查询-邻居相关性与结构连续性惩罚来选择性地扩展相邻块。 SCAR 使用与每个检索到的块自身的查询相关性相关的相对扩展阈值，产生近似尺度不变的决策规则，无需重新校准即可在嵌入模型之间传输。在四个不同的语料库（RFC、GDPR、10-K 报告和合并协议；N=320 个查询；160 个边界碎片）中，SCAR 仅用 7.84 个块就在边界碎片查询上实现了 92.8% 的召回率，与静态窗口（10.16 个块）相比减少了 22.9%。配对引导测试 (B=10,000) 确认块减少非常显着（p<0.0001，Cohen's d=-1.49，大效果），召回差异很小（Cohen's d=-0.33）。使用相同的单个超参数设置在三个嵌入模型（text-embedding-3-large、BGE-large-en-v1.5、zembed-1）之间进行策略传输，对 10-K 语料库的下游 RAGAS 评估确认 SCAR 保留了 忠实性 代，同时将上下文标记减少了 27.1%。