Loading...

🔧

动态上下文组装(DCA)

基于查询分析和相关性评分，从多个来源智能地实时构建上下文

复杂度: high上下文编排

In 30 seconds

What: 分析传入查询以识别相关领域，然后在生成回答之前，从多个来源按相关性得分排序汇集上下文。
When to use: 跨越多个领域的复杂查询，若将所有可用上下文全部拉入会超出 token 上限或降低答案质量。
Watch out: 相关性打分出错会把关键信息排除在外，留下模型自己都不知道存在的盲区。

Loading technique guide…

Patterns

Loading...

Loading Agentic Design…

Agentic Design面向生产环境 AI 智能体的模式与工具

专家支持价格

设计模式与技术

Loading...

🔧

动态上下文组装(DCA)

基于查询分析和相关性评分，从多个来源智能地实时构建上下文

复杂度: high上下文编排

In 30 seconds

What: 分析传入查询以识别相关领域，然后在生成回答之前，从多个来源按相关性得分排序汇集上下文。
When to use: 跨越多个领域的复杂查询，若将所有可用上下文全部拉入会超出 token 上限或降低答案质量。
Watch out: 相关性打分出错会把关键信息排除在外，留下模型自己都不知道存在的盲区。

核心机制

动态上下文组装在运行时构建最优上下文窗口：分析查询、为候选来源打分（相关性、质量、时效性、多样性、风险）、在来源之间分配 token 预算，并组装出经去重、压缩和排序的上下文供生成使用。组装过程会依据利用率信号与反馈在生成期间自适应调整。

🧭

分析

意图与领域识别

📊

评分

工作流 / 步骤

解析查询的领域、意图、复杂度、时效敏感性与约束。
枚举候选来源（知识库、向量数据库、文档、API、日志）及其元数据与成本。
按相关性、质量、时效性、覆盖度和风险为候选打分；校准分数。
在各来源间分配 token 预算；设定每来源上限与排序策略。
检索最优分块；进行语义去重；在保留要点的前提下压缩。
以清晰分节与溯源信息组装上下文；包含针对任务的提示。
进行生成；监控利用率与引用；出现缺口时调整权重或重新检索。
记录特征、决策、预算与结果；反馈用于改进评分。

最佳实践

维护带 SLA、成本、时效性与合规标签的类型化来源注册表。

使用经校准的打分器（BM25/嵌入 + 重排器），并与质量/时效性权重结合。

预算优先：在检索之前先确定 token 分配与每来源上限。

规范化：语义去重、去除模板化内容，并用重点感知的摘要进行压缩。

保留溯源信息（来源、分块 id、时间戳），并在输出中展示引用。

缓存高频查询与中间检索结果；按时效性规则失效。

引入多样性约束以避免近似重复的证据；优先选择互补来源。

护栏：在组装前后施加 PII/合规过滤；按区域/角色强制允许或拒绝。

使用带标注的查询与基于评分量表的评审建立在线评估闭环。

新组装策略上线前先做影子运行；与当前基线对比成本/质量。

何时不宜使用

仅需检索加直接提示即可完成的单来源简单任务。
无法承受检索与重排开销的严格实时约束。
存在严格合规边界、禁止跨来源混合的场景。
要求高确定性、动态输入可能降低可复现性的情况。
上下文极小、组装开销大于收益的情形。

常见陷阱

用冗余或低价值分块塞满上下文窗口（“上下文填塞”）。
忽视去重与规范化 → 信号被稀释且成本上升。
因缺少时效性策略或缓存失效机制而使用过期内容。
分数未校准；过度依赖单一相似度指标。
没有溯源或引用，导致审计、恢复和幻觉排查更困难。
缺少严格的每来源上限与全局预算，token 无节制增长。

核心特性

带校准相关性/质量/时效性权重的多来源融合

预算化的 token 分配与排序策略

语义去重、规范化与压缩

生成期间基于利用率反馈的自适应组装

缓存、预热与感知时效性的失效机制

溯源、引用与可解释的组装依据

组装前后的合规与安全过滤

KPI / 成功指标

相对评估器/oracle 的相关性覆盖度与回答质量。
来源利用效率与每 token 的边际收益。
新颖度/多样性得分；冗余度的下降。
token 效率（每 1K token 的质量）与每条回答的总成本。
组装带来的延迟开销（P50/P95）与生成完成率。
幻觉率与引用的准确性/一致性。
对时效敏感查询的时效性达标率与 SLA 合规度。

Token / 资源消耗

总量 ≈ 查询分析 + 评分 + 检索 + 已组装上下文 + 生成。
打分/重排使用小而快的模型；把大模型留给生成。
设定严格的每来源上限与全局预算；优先压缩而非丢弃来源。
对热点查询利用缓存与预取；以流式检索与评分重叠执行。
用重排器在组装前减小 k；根据要点密度调整分块大小。
限流并施加背压；避免跨来源的爆炸式扇出。

最佳适用场景

跨领域问答与企业知识综合。
跨来源比较论文、标准与报告的研究助手。
需要均衡证据与引用的分析师副驾。
结合产品文档、工单与政策知识库的客户支持。
需要溯源与时效性的合规/政策问答。

参考资料与延伸阅读

学术论文

Retrieval-Augmented Generation (Lewis et al., 2020)
Self-RAG 与感知反馈的检索（Asai et al., 2023）
HyDE: Hypothetical Document Embeddings (Gao et al., 2022)
面向开放域问答的 Fusion-in-Decoder 与重排技术
用于条件计算的 MoE 路由与门控

实现指南

多来源 RAG 编排与上下文组装模式
LangGraph/LangChain 路由 + 带重排器的 RAG 流水线
用于压缩的 LlamaIndex QueryEngine + Node PostProcessors
包含检索、重排与自适应提示的 DSPy 流水线

工具与库

LangGraph、LangChain、LlamaIndex、DSPy、Haystack
向量数据库：FAISS、Pinecone、Weaviate、Milvus、Vectara
重排器：Cohere Rerank、ColBERT、交叉编码器
压缩：token/语义压缩器与 TL;DR 摘要器

社区与讨论

RAG 综述与最佳实践（2023-2025）
LlamaIndex 与 LangChain 社区论坛
关于评估、路由与上下文优化的 LLM ops 社群

Loading technique guide…

Patterns

设计模式与技术

Loading...

核心机制

🧭

分析

意图与领域识别

📊

评分

工作流 / 步骤

解析查询的领域、意图、复杂度、时效敏感性与约束。
枚举候选来源（知识库、向量数据库、文档、API、日志）及其元数据与成本。
按相关性、质量、时效性、覆盖度和风险为候选打分；校准分数。
在各来源间分配 token 预算；设定每来源上限与排序策略。
检索最优分块；进行语义去重；在保留要点的前提下压缩。
以清晰分节与溯源信息组装上下文；包含针对任务的提示。
进行生成；监控利用率与引用；出现缺口时调整权重或重新检索。
记录特征、决策、预算与结果；反馈用于改进评分。

最佳实践

维护带 SLA、成本、时效性与合规标签的类型化来源注册表。

使用经校准的打分器（BM25/嵌入 + 重排器），并与质量/时效性权重结合。

预算优先：在检索之前先确定 token 分配与每来源上限。

规范化：语义去重、去除模板化内容，并用重点感知的摘要进行压缩。

保留溯源信息（来源、分块 id、时间戳），并在输出中展示引用。

缓存高频查询与中间检索结果；按时效性规则失效。

引入多样性约束以避免近似重复的证据；优先选择互补来源。

护栏：在组装前后施加 PII/合规过滤；按区域/角色强制允许或拒绝。

使用带标注的查询与基于评分量表的评审建立在线评估闭环。

新组装策略上线前先做影子运行；与当前基线对比成本/质量。

何时不宜使用

仅需检索加直接提示即可完成的单来源简单任务。
无法承受检索与重排开销的严格实时约束。
存在严格合规边界、禁止跨来源混合的场景。
要求高确定性、动态输入可能降低可复现性的情况。
上下文极小、组装开销大于收益的情形。

常见陷阱

用冗余或低价值分块塞满上下文窗口（“上下文填塞”）。
忽视去重与规范化 → 信号被稀释且成本上升。
因缺少时效性策略或缓存失效机制而使用过期内容。
分数未校准；过度依赖单一相似度指标。
没有溯源或引用，导致审计、恢复和幻觉排查更困难。
缺少严格的每来源上限与全局预算，token 无节制增长。

核心特性

带校准相关性/质量/时效性权重的多来源融合

预算化的 token 分配与排序策略

语义去重、规范化与压缩

生成期间基于利用率反馈的自适应组装

缓存、预热与感知时效性的失效机制

溯源、引用与可解释的组装依据

组装前后的合规与安全过滤

KPI / 成功指标

相对评估器/oracle 的相关性覆盖度与回答质量。
来源利用效率与每 token 的边际收益。
新颖度/多样性得分；冗余度的下降。
token 效率（每 1K token 的质量）与每条回答的总成本。
组装带来的延迟开销（P50/P95）与生成完成率。
幻觉率与引用的准确性/一致性。
对时效敏感查询的时效性达标率与 SLA 合规度。

Token / 资源消耗

总量 ≈ 查询分析 + 评分 + 检索 + 已组装上下文 + 生成。
打分/重排使用小而快的模型；把大模型留给生成。
设定严格的每来源上限与全局预算；优先压缩而非丢弃来源。
对热点查询利用缓存与预取；以流式检索与评分重叠执行。
用重排器在组装前减小 k；根据要点密度调整分块大小。
限流并施加背压；避免跨来源的爆炸式扇出。

最佳适用场景

跨领域问答与企业知识综合。
跨来源比较论文、标准与报告的研究助手。
需要均衡证据与引用的分析师副驾。
结合产品文档、工单与政策知识库的客户支持。
需要溯源与时效性的合规/政策问答。

参考资料与延伸阅读

学术论文

Retrieval-Augmented Generation (Lewis et al., 2020)
Self-RAG 与感知反馈的检索（Asai et al., 2023）
HyDE: Hypothetical Document Embeddings (Gao et al., 2022)
面向开放域问答的 Fusion-in-Decoder 与重排技术
用于条件计算的 MoE 路由与门控

实现指南

多来源 RAG 编排与上下文组装模式
LangGraph/LangChain 路由 + 带重排器的 RAG 流水线
用于压缩的 LlamaIndex QueryEngine + Node PostProcessors
包含检索、重排与自适应提示的 DSPy 流水线

工具与库

LangGraph、LangChain、LlamaIndex、DSPy、Haystack
向量数据库：FAISS、Pinecone、Weaviate、Milvus、Vectara
重排器：Cohere Rerank、ColBERT、交叉编码器
压缩：token/语义压缩器与 TL;DR 摘要器

社区与讨论

RAG 综述与最佳实践（2023-2025）
LlamaIndex 与 LangChain 社区论坛
关于评估、路由与上下文优化的 LLM ops 社群

动态上下文组装 (DCA) - Agentic Design