跳到主内容
快讯直播
AI智模界
AI 词典

证据保持上下文:字数可以压,出处不能丢

一句话定义:证据保持上下文(Evidence-Preserving Context)是一种处理检索结果的原则——把长文档压进模型AI 词典:上下文窗口">上下文窗口时,压缩的对象是冗余表述,而不是"可核验性";每条关键结论都要能指回原始的原文片段(span)和出处(metadata)。

打个比方。办案时不方便把整个档案柜搬到法庭,于是整理成一册卷宗:只留关键几页,但每页都带页码、来源和原文摘录,法官随时可以调原件核对。糟糕的做法是只交一页"情况 summary",写着"某证人称合同有问题"——结论有了,出处没了,谁也查不了。检索增强生成(retrieval-augmented generation, RAG)里常见的截断、摘要式压缩,很容易滑向后一种。

原理上分三步。检索阶段拿到若干文档块;压缩阶段不是简单改写成一两句概括,而是保留"证据单元":一句原文、它在原文中的位置、来自哪份文档。拼接阶段再把这些证据组织成一段连贯上下文。以 StitchRAG 这类方法为例,它用扩散式拼接(diffusion-style stitching)的思路,在多段证据的衔接处做平滑过渡,而不是各自截断后硬拼——效果是上下文更紧凑、读起来像一段话,但引用锚点仍钉在原始片段上。这样模型生成答案时可以带上出处,下游也能做校验:这句话到底有没有原文支撑。

和相邻概念的区别值得说清:

概念关心什么典型失败
上下文压缩(context compression)省 token、提速度压完看不出结论从哪来
摘要式压缩(summarization)读起来顺、信息密度高改写引入偏差,原文消失
归因/引用(attribution)输出后补引用引用是事后贴的,可能对不上
证据保持上下文压缩过程本身不破坏可追溯性压缩过度,锚点断裂

对从业者,这决定了系统能不能被审计:客服、法务、医疗场景里,"模型说合同有风险"没用,"模型说合同第 3.2 条有风险,原文如下"才有用。它也让评测从"答案像不像"变成"证据对不对",幻觉更难藏。对普通职场人,意义更直白:AI 给的结论旁边能点开看原话,你才敢把它放进汇报里。具体工具怎么做、支持到什么粒度,以官方文档为准。

一句话记住:好的压缩是"删水不删账",留下的是能对质的原文,不是漂亮的转述。

AI 生成本文由 AI 基于公开信息自动生成,仅供参考。