分块上下文增强

为片段补上它属于什么

某个chunk只写“增长了12%”，即使切块过程没有丢字，仍缺少主体、期间和指标。Context enrichment在索引前给片段补充简短背景，例如公司、财年和章节主题，使检索更容易把自然问题与孤立片段对应起来。确定性标题路径与模型生成解释是两种不同来源，应分别记录。

Anthropic于2024年提出Contextual Retrieval，把文档内解释加入embedding与BM25输入，并与重排组合评估。其公开实验是特定数据上的作者结果，不能直接外推为企业的固定改进比例；需要自己的切块、模型和query做消融。

增强内容不是新的权威事实

建议保留原始chunk、补充背景、生成器版本和输入文档版本，检索可以使用合并文本，回答事实仍引用原件。生成解释若误认主体或时间，可能系统性地把chunk放到错误位置，因此增强阶段也应检查实体、日期、单位和与原文冲突。

对于结构清晰的制度文档，标题、章节路径和少量元数据可能已足够；对大量跨页、指代或重复段落的资料，模型背景解释才更可能有增益。不要每个chunk都生成长摘要，额外token会提高入库成本，也可能放大猜测内容。

用反例衡量收益

比较原chunk、加入确定性路径、加入生成context及二者组合，固定召回和重排预算。除了Recall，还检查错误实体命中率、时间误归属、重复证据和最终答案支持度。正确段落被召回但生成背景不正确，也应算增强质量缺陷。

更新文档后，背景文本必须随依赖版本失效；只重算正文向量而保留旧解释，会把两版语义拼接。一个有用的验收样本是两家主体使用相同指标的段落，确认增强让系统更好区分它们，而不是把错误公司名写进所有片段。