在 RAG 系统中 Prompt 应该如何组织检索上下文？
这道题考的是 RAG 检索上下文的组织策略，本质上是在问：怎么把检索到的内容更好地拼接、排序、优化，然后塞进 Prompt 让 LLM 生成正确答案。
核心就一句话：检索上下文不是简单拼接，而是一套从查询优化到后处理的技术组合。
1. 先理解本质——检索上下文是个"拼图游戏"
RAG 的工作流程是这样的：
用户提问 → Query 向量化 → 在向量数据库里做相似度匹配 → 把命中的文档块拼接起来 → 塞进 Prompt → LLM 生成回答
你可以把它想象成 拼图：
用户的问题是"拼图主题"，向量检索是"按颜色形状找碎片"，上下文组织就是"把碎片摆到正确位置、调整方向"，最后 LLM 是"看图说话的人"。
为什么上下文组织很重要？
因为检索回来的内容可能：
- 太长或太短
- 和问题不太相关
- 包含噪音信息
直接塞给 LLM，模型容易"跑偏"或"答非所问"。
2. 上下文组织的三板斧——混合搜索 + 递归检索 + 子问题拆分
这是最常用的三种策略，解决不同场景的问题。
混合搜索：关键词 + 语义的"双保险"
关键词搜索（BM25）找精确匹配，语义搜索（向量检索）找意思相近的。
用户问"感冒了怎么办"，关键词搜"感冒"，语义搜"治疗感冒的方法"，两者结果取并集，命中率更高。
适用场景：查询多样化、包含专有名词或口语化表达。
递归检索：从碎片到大段，"先精准再扩展"
先用小片段检索（比如单句），找到相关片段后，再扩大范围检索周围的段落。
就像查字典：先定位到具体词条，再看上下文解释。
适用场景：需要平衡检索精度和信息丰富度。
子问题查询：复杂问题"分而治之"
把一个大问题拆成多个小问题，每个小问题用不同数据源回答，最后汇总。
用户问"对比 Python 和 Java 的性能、语法、生态"，拆成三个子问题分别检索，最后整合。
适用场景：多维度、需要综合多个数据源的问题。
3. 查询优化——让检索更准的"作弊技巧"
光有检索策略还不够，还需要 查询优化 来提升检索质量。
HyDE 方法：先"猜答案"，再找证据
让 LLM 根据问题生成一个"假设答案"，然后用这个假设答案去做检索。
为什么这样做？因为假设答案包含了更多语义信息，能找到和真实答案更相似的文档。
例子：用户问"如何预防心脏病"，LLM 生成假设答案"预防心脏病需要控制饮食、定期运动、定期体检"，用这段话去找文档，比直接搜"预防心脏病"效果更好。
查询重写：换种说法，命中率更高
把用户的自然语言 query 改写成更利于检索的形式，比如：
- 同义词替换
- 补充隐含信息
- 分解复合问句
例子："那款手机拍照好" → "拍照效果好的手机型号 拍照评测"。
重排序：把最好的放在前面
向量检索召回 N 个结果，通过重排序模型（比如 Cross-Encoder）重新评估相关性，把最相关的文档排到前面，只取 Top-K 塞进 Prompt。
核心作用：过滤噪音，提高上下文质量。
4. 进阶技术——CRAG 自我修正 + RAPTOR 层次化
CRAG：给检索器装上"质检员"
CRAG（Corrective Retrieval Augmented Generation）的核心思想是：让模型判断检索质量，差的时候主动纠正。
流程是这样的：
- 检索得到上下文
- 让 LLM 判断：这些内容和问题相关吗？
- 评估结果分三档：
- 正确：直接用，继续生成
- 模糊：混合网络搜索补充
- 错误：丢弃检索结果，切换到纯网络搜索
说白了，就是加了一个"纠错层"，不让低质量检索结果误导 LLM。
RAPTOR：构建知识的"层次化索引"
RAPTOR（Recursive Abstractive Processing for Tree-Organized Retrieval）的思路是：把文档组织成一棵树，从具体到抽象。
构建过程：
- 把文档切成底层文本块（叶子节点）
- 相邻文本块聚类，生成上一层摘要
- 重复直到形成树根（最高层摘要）
检索时可以从不同层次取内容：问细节从叶子节点找，问概览从根节点找。
例子：用户问"量子计算概述"，从顶层摘要检索；问"量子纠缠原理"，从底层细节检索。
面试怎么答
基础版（能过）：
RAG 的检索上下文组织主要分为三个环节：检索、拼接、后处理。
检索阶段常用混合搜索，结合关键词和语义搜索提高召回率；检索回来的文档需要做分块处理，分块大小要和嵌入模型匹配（比如 sentence-transformers 适合单句级别）。
拼接时常用递归检索或子问题查询来提升相关性；最后通过重排序把最相关的文档排到前面，过滤噪音。
加分版（眼前一亮）：
检索上下文的组织是一套完整的技术栈。
检索策略上，混合搜索兼顾精确和语义匹配；递归检索平衡精度和丰富度；子问题查询适合复杂多维度问题。
查询优化上，HyDE 用假设答案作为检索锚点，比直接搜原问题效果更好；查询重写能处理口语化表达。
后处理上，重排序过滤低相关文档；CRAG 能自动判断检索质量，差的时候触发网络搜索；RAPTOR 构建层次化索引，支持不同抽象级别的检索。
实际应用中要根据场景选择组合策略，没有银弹。
一句话总结
RAG 的检索上下文组织，本质是通过检索策略、查询优化、后处理的三层配合，让最相关的内容以最优顺序进入 Prompt。