Contextual Retrieval

了解上下文检索如何通过文档感知分块、混合搜索和重排序改进 RAG，并探索 Ultralytics YOLO26 如何提供多模态视觉上下文。

上下文检索是一种预处理技术，通过在为每个数据块建立索引前添加简短的文档专属说明，改进检索增强生成（RAG）。该技术由Anthropic 2024 年上下文检索指南提出，可帮助搜索系统理解原本含义模糊的段落所属的位置，从而改进提供给大语言模型的证据。（anthropic.com）

上下文检索的工作原理#

标准 RAG 会将文档拆分为数据块，并将其转换为嵌入。然而，诸如“收入增长了 3%”这样的数据块可能会遗漏公司、报告期间和文档类型等信息。上下文检索会使用完整文档生成简洁的前缀，例如“此段内容描述了 ACME 2025 年第二季度的财务结果”，然后再为组合后的文本建立索引。

典型工作流程包括：

语义分块： 将文档划分为连贯的段落，使其符合检索和模型的限制。分块的主要目的是让大型来源可供搜索，同时不超出模型的上下文窗口。
上下文生成： 使用模型总结每个数据块与其来源之间的关系，遵循类似于Claude 上下文嵌入教程的流程。
混合搜索： 使用密集向量和BM25 关键词排序等词法方法，为已添加上下文的数据块建立索引。
重排序： 在将最佳证据发送给生成器之前，使用更深入的查询与数据块比较来重新排列检索到的候选项。

Anthropic 报告称，在其测试中，上下文嵌入与上下文 BM25 结合使用后，将前 20 个结果的检索失败率降低了 49%；加入重排序后，降幅达到 67%。结果会因数据集而异，因此这些数字应被视为基准，而非保证。（anthropic.com）

计算机视觉中的上下文检索#

在多模态 RAG中，文档上下文可以包括检测到的对象、图像说明、时间戳、摄像头位置或周围的视频事件。下面的示例使用Ultralytics YOLO26为图像创建可搜索的上下文：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg")[0]
labels = [model.names[int(cls)] for cls in result.boxes.cls.tolist()]
context = f"Street-scene image containing: {', '.join(labels)}."
print(context)

生成的文本可以在嵌入前添加到图像说明或元数据记录的开头。开发者可以探索相关的YOLO 预测工作流和视觉相似性搜索。