AITOPAI热报
ModelsOfficial

Anthropic 推出 Contextual Retrieval 提升 RAG 准确性

Introducing Contextual Retrieval Sep 19, 2024

Primary sourceAnthropic: Engineering
News· 11 sources
Read the original
Why we picked it

做 RAG 应用的开发者终于有了解决上下文丢失问题的实用方案，错误率直降 67%，建议直接看实现指南。

Anthropic 发布 Contextual Retrieval 技术，通过为每个文本块添加上下文说明，显著提升检索增强生成（RAG）的准确性。

Image · Anthropic: Engineering
Body

传统 RAG 中，孤立文本块常因缺乏上下文导致检索错误，而 Contextual Retrieval 利用 Claude 模型为每个块生成简短描述，使检索更精准。该方法结合 BM25 和嵌入搜索，在多个基准测试中错误率降低 67%。

Anthropic 还提供了高效实现指南，包括使用 prompt caching 降低 1.6% 的成本。

Industry Coordinates & Source Verification

This report is categorized under AITOP's "Models" desk, focusing on US frontier AI labs and Silicon Valley technology leaders. Within our cross-regional analytical framework, it directly maps to US-China foundation model benchmarks and commercialization comparison. Key entities and technical topics under continuous tracking include RAG, Contextual Retrieval, Anthropic, Claude.

Primary source verification: published directly by Anthropic: Engineering with first-party authority. Cross-source corroboration: 11 independent sources have covered this development (including Ethan Mollick, Claude: Blog, Dario Amodei Blog), confirming industry-wide signal strength.

#RAG#Contextual Retrieval#Anthropic#Claude#检索增强

Keep reading

Recent stories with the same tag or section
PapersBuilders15:00
Chinese content研究：RAG 引文失实，1.2%–15.7% 的可引用论断其实来自参数记忆

做 RAG 系统的人值得认真看这篇。它用反事实替换的实验设计证明：NLI 引文验证基本是摆设，1.2% 到 15.7% 的引文是模型靠记忆编的。论文还对比了十种归因方法的效果，对评估流程设计有直接参考价值。

#RAG#归因方法#NLI验证#arXiv
arXiv cs.AI@Tanzeel Abbas et al. (3)Source
PapersBuilders13:58
Chinese contentAstroMemBench：面向航天智能体记忆系统的基准测试发布

做航天自主智能体的团队可以关注这个基准。它把通信延迟、供电约束这些真实太空场景变成可量化的记忆测试，实测发现 Mem0 在会话重启后比 RAG 高 12.25 分，但平时两者差距不大。开源地址直接可用，做长程记忆系统设计的开发者可以拿来跑跑自己方案。

#AstroMemBench#Mem0#RAG#智能体
arXiv cs.AI@You Wu et al. (5)Source
PapersBuilders13:57
Chinese contentarXiv 论文：任务委派式生成搜索效果不佳，直接工具调用更稳

做 multi-agent 系统的人应该看看这篇。它用 pre-/post-cutoff 数据集实测发现：委派别的模型干活有时还不如让同一个 LLM 直接调工具，还总结了查询被扭曲、信息传递丢失等失败模式，能帮你判断什么时候别乱委派。

#多智能体#RAG#LLM#工具调用
arXiv cs.AI@Tamara Stojanovska et al. (4)Source
Papers13:37
Chinese contentLAAM 混合检索框架：用主动学习逼近 LLM 排序，能耗降至 3.3%

搞检索的同学可以看看这篇：LAAM 用主动学习只挑最关键的文档丢给 DeepSeek v3 打分，能耗只要全量重排的 3.3%，精度还能保住 87% 的 P@10。想自建 RAG 或搜索又心疼 LLM 调用成本的团队，这套能耗-精度可调的思路很实用。

#DeepSeek v3#LAAM#BM25#RAG
Event
arXiv: DeepSeek@Ohad Porat, Elad Yom-TovSource
PapersBuildersMulti-source13:19
Chinese contentRMIT-ADM+S 团队在 TREC 2026 RAG 赛道：研究智能体、检索消融与开源模型复现

搞 RAG 和智能体的同学可以看看这份 TREC 2026 参赛报告。七个方案横跨 OpenAI 和开源模型，消融结果指出写作模型选择比检索策略更关键，开源的 owa-glm5 甚至在人工评审里赢了一个批次。想用低成本模型搭研究智能体的话，这些数据很参考价值。

#TREC#RAG#owa-glm5#OpenAI
Event
arXiv: OpenAI@Oleg Zendel et al. (5)Source