Contextual Retrieval in AI Systems

摘要

介紹了 Anthropic 開發的「情境檢索」方法，透過結合情境嵌入與情境 BM25，大幅降低 RAG 系統中資訊檢索失敗的比率。該方法能有效平衡精確的關鍵字匹配與廣泛的語義理解，特別適合處理大規模知識庫。

This article introduces Anthropic's 'Contextual Retrieval' method, which combines contextual embeddings and contextual BM25 to significantly reduce RAG system retrieval failures. By balancing precise keyword matching with broad semantic understanding, it effectively scales to large knowledge bases.

重點

• 結合情境嵌入與情境 BM25，將檢索失敗率降低 49%。
• 透過情境嵌入為每個分塊新增特定背景說明，解決傳統 RAG 中資訊斷裂問題。
• 結合情境檢索與重排序（reranking），進一步將失敗率降至 1.9%。

提到的工具與公司

• Contextual BM25
• Claude

適合誰看

開發者、使用 RAG 解決大資料查詢問題的技術人員。

摘要依據

依據

文章全文

為什麼排在這裡

人氣

0.50

新鮮

0.06

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• The Complete Guide to Hybrid Search in RAG (BM25 + Embeddings + Reranker)影片 ・ Dave Ebbelaar ・ 59 分鐘（在新分頁開啟原站）
• Lexical Search in RAG Applications文章 ・ Jason Liu（部落格）
• Retrieval Augmented Generation (RAG), Search, and Vector Databases影片 ・ Luis Serrano Academy ・ 19 分鐘（在新分頁開啟原站）
• Why Your Agent Still Needs Retrieval - Carly Richmond, Elastic影片 ・ Mastra ・ 22 分鐘（在新分頁開啟原站）
• Agent Skills 做知识库检索，能比传统 RAG 效果更好吗？影片 ・ code秘密花园 ・ 14 分鐘（在新分頁開啟原站）
• Retrieval Augmented Generation (RAG) Explained: Embedding, Sentence BERT, Vector Database (HNSW)影片 ・ Umar Jamil ・ 49 分鐘（在新分頁開啟原站）