Sentence Window Retrieval（句子窗口检索）是一种 RAG（Retrieval-Augmented Generation，AI 词典：检索增强生成">检索增强生成）里的取数策略：用单个句子去建索引、去和问题做匹配，但命中之后并不把这一句直接交给模型，而是把这句话在原文里前后的若干句一起捞出来，作为上下文一起放进 prompt。
它解决的是一个矛盾
RAG 的第一步是切块（chunking）。块切多大，一直是个两难：
- 切得小（一句话），向量表示干净、语义集中，和问题比对时精度高，不会被无关内容稀释；但单句常常缺主语、缺条件、缺指代，模型拿到“它的价格是 199”这种句子，根本不知道“它”是谁。
- 切得大（整段甚至整章），上下文是全了，但一大段文字压成一个向量，主题被平均掉，匹配精度下降，还白烧 token。
句子窗口检索的思路是：把“用来匹配的单元”和“用来生成的单元”拆开。索引时按句子切，每句存两份东西——句子本身用于向量化，以及它在原文中前后各 N 句的原文，存进 metadata（元数据）。检索时问题只跟句子向量比，命中 top-k 之后，再把对应的窗口文本取出来拼进 prompt。
打个比方：查纸质词典。你先在索引页看到一行“apple：苹果”，这行字很短、很好定位；但真正翻到正文，你读到的是完整的释义和例句。索引负责“找得准”，正文负责“看得懂”。
和相邻概念的区别
| 策略 | 建索引用什么 | 喂给模型什么 | 特点 |
|---|---|---|---|
| 固定小块 | 小块 | 同一个小块 | 匹配准，上下文残缺 |
| 固定大块 | 大块 | 同一个大块 | 上下文全，召回噪声大、耗 token |
| 句子窗口 | 单句 | 单句 ± N 句 | 匹配准 + 上下文完整 |
| Parent Document | 小块 | 所属父文档/大段 | 上下文更全，token 更贵 |
几个容易混的点：
- 和滑动窗口分块不同：滑动窗口是切块时就制造重叠、都拿去建索引；句子窗口是检索之后才扩展。
- 和 Parent Document Retriever（父文档检索）不同：父文档靠层级归属（小块属于哪个大段），窗口是原地前后滑动的，可能跨段落甚至跨小节。
- 和 rerank（重排）不同：重排改的是候选的排序，窗口改的是候选的“内容边界”，两者可以叠加用。
对从业者的实际意义
实现成本很低：切句 → 每句算 embedding → 把窗口原文塞进 metadata → 命中后取窗口文本。要注意几件事：窗口大小 N 是超参，调大上下文更全，但 token 和噪声一起涨，够用就好；相邻句子的窗口会大量重叠，拼进 prompt 前要去重合并；中文切句不能只认句号，分号、换行、列表项都要考虑，超长句还得截断。具体实现细节各家框架不同，以官方文档为准。
对普通用户来说，它解释了一个体验差异：好的企业问答助手，不只是“准确引用到那一句”，还能顺带把这句话的前因后果讲清楚——因为喂给模型的本来就是一小段原文，而不是孤零零的一行字。