1
### 3？
2
空上下文处理策略
3
当检索不到相关文档时，系统需要优雅降级：
4
- **保守策略**：指示模型不要回答（默认行为）
5
- **自定义策略**：通过自定义模板引导模型给出友好提示，避免生成幻觉内容
6
- **混合策略**：允许模型基于自身知识回答，但明确告知信息来源
7

8
---
9

10
## 面试官追问
11

12
### Q1：上下文查询增强和查询重写有什么区别？
13
**A**：
14
- **查询重写**：修改用户查询本身，使其更适合检索（如扩写、缩写、纠错）
15
- **上下文查询增强**：将原始查询与检索到的文档拼接，形成完整的 prompt
16
- **关系**：查询重写发生在检索前，上下文查询增强发生在检索后、生成前
17

18
### Q2：如何避免增强后的 prompt 超过 token 限制？
19
**A**：
20
- 对检索到的文档做截断或摘要（保留最相关的片段）
21
- 使用动态窗口，根据可用 token 预算调整注入的文档数量
22
- 采用滑动窗口或重排序，只保留 top-k 最相关的文档
23

24
### Q3：上下文查询增强和 RAG 是什么关系？
25
**A**：上下文查询增强是 RAG 流程中的一环。完整 RAG 流程为：
26
查询重写（预检索）
27
向量检索
28
**上下文查询增强**（将查询与检索结果结合）
29
LLM 生成回答
30

31
Spring AI 的 `RetrievalAugmentationAdvisor` 封装了这一流程，`ContextualQueryAugmenter` 专门负责增强步骤。
32

33
### Q4：如果检索到的文档包含矛盾信息，怎么办？
34
**A**：
35
- 在增强 prompt 中明确要求模型基于"最可信"的信息回答
36
- 使用重排序模型，将高置信度文档放在前面
37
- 让模型在回答中标注信息来源，或明确指出信息冲突
38

39
---
40

41
## 总结
42

43
上下文查询增强是连接检索和生成的桥梁，通过将检索到的文档与用户查询智能结合，显著提升 RAG 系统的回答质量。Spring AI 通过 `ContextualQueryAugmenter` 和空上下文处理机制，提供了灵活的实现方式，可优雅处理检索失败等边界情况。
44

45
##
46

47
## 关键点
48

49
- ```
50

51
### 3. 空上下文处理策略
52
当检索不到相关文档时，系统需要优雅降级：
53
- **保守策略**：指示模型不要回答（默认行为）
54
- **自定义策略**：通过自定义模板引导模型给出友好提示，避免生成幻觉内容
55
- **混合策略**：允许模型基于自身知识回答，但明确告知信息来源
56

57
---
58

59
- **A**：
60
- **查询重写**：修改用户查询本身，使其更适合检索（如扩写、缩写、纠错）
61
- **上下文查询增强**：将原始查询与检索到的文档拼接，形成完整的 prompt
62
- **关系**：查询重写发生在检索前，上下文查询增强发生在检索后、生成前
63

64
- **A**：
65
- 对检索到的文档做截断或摘要（保留最相关的片段）
66
- 使用动态窗口，根据可用 token 预算调整注入的文档数量
67
- 采用滑动窗口或重排序，只保留 top-k 最相关的文档
68

69
- **A**：上下文查询增强是 RAG 流程中的一环。
70
- 完整 RAG 流程为：
71
查询重写（预检索）
72
向量检索
73
**上下文查询增强**（将查询与检索结果结合）
74
LLM 生成回答
75

76
Spring AI 的 `RetrievalAugmentationAdvisor` 封装了这一流程，`ContextualQueryAugmenter` 专门负责增强步骤。
77

78
## 备注
79

80
- 本文已做格式统一与噪声清理，保留原始语义。
81
- ## 问题
82

83
Contextual_Query_Augmentation