Context Engineering for RAG : The Four Typed Inputs Behind Every RAG Answer - Towards Data Science（2026-07-02）

引言：RAG 的“黑盒”其实有四个旋钮

想象一下，你向一个企业级AI助手提问：“公司去年第三季度的营收是多少？”助手从知识库中检索出相关财报，拼凑出一段答案。但结果却出现了幻觉：它把“季度营收”与“年度累计利润”搞混了。

很多人以为问题出在“大模型不够聪明”或“知识库不够大”。但真实原因往往更隐蔽——你根本没有控制好RAG系统的四个核心输入。这就是今天要聊的 Context Engineering：不是简单堆砌上下文，而是精准地喂养四种不同类型的输入。

四个核心输入类型

RAG（检索增强生成）本质上是一个“信息拼图”过程。拼图有四个关键组件：

1. 用户查询（Query）

这是你直接提出的问题，但往往是最容易被污染的输入。用户可能省略细节、包含歧义甚至错误假设。

• 案例：用户问“苹果今年卖得怎么样？”——指水果、iPhone还是影视公司？
• 建议：在查询入口增加意图识别和实体消歧环节。

2. 检索上下文（Retrieved Context）

这是从知识库中召回的相关文档块。问题在于：你需要的是信息，而非文档。

• 数据：研究表明，在5个检索块中，通常只有2-3个与答案直接相关，其余是噪音。
• 实践技巧：使用语义分块而非固定长度分块，让每个块包含完整逻辑单元（如一个段落或一条结论）。

3. 系统指令（System Prompt）

这是模型的“行为规范”。很多人把它当作“神秘咒语”，但实际上它是个任务说明书。

• 反面案例：简单写“你是一个助手” → 模型可能倾向于通用回答。
• 正确做法：明确指定角色、输出格式、引用规则。例如：“你是财务分析师，必须用表格呈现数据，并标注引用来源的页码。”

4. 示例与规则（Few-shot Examples & Constraints）

少量高质量示例比长篇大论的语言描述更有效。

• 数据：3个正面示例 + 1个反面示例（显示“不要如何回答”）可以使错误率降低40%以上。
• 实用建议：将常见错误（如混淆时间、遗漏单位）作为“禁止示例”直接写入指令。

实战案例：一个财务问答系统的优化

假设你正在构建一个用于内部财报查询的RAG系统。初始版本直接扔给模型一个查询和五段文档：

• 效果：60%的答案出现日期错误或单位混淆。
• 优化后：
  • 查询：自动补全季度范围（如“Q3 2025”）
  • 上下文：只检索与时间、指标明确匹配的段落
  • 指令：明确要求“以千美元为单位，四舍五入到整数”
  • 示例：给出三个完美回答 + 一个包含“万元/千元”单位混淆的反例

优化后，错误率降至8%。关键不是模型，而是你给模型的“食谱”。

三个实用建议

1. 拆解查询：将复杂问题拆解为子问题，分别检索再组合。例如“比较A和B的增长率” → 先分别检索A的增长率、B的增长率。
2. 控制上下文长度：每个检索块不超过500 token，且永远只保留与最终答案最相关的3-5块。
3. 动态调整指令：根据用户意图（事实查询 vs 分析总结）自动切换不同的系统提示模板。

行动号召

从今天起，当你的RAG系统输出错误时，别再盲目加数据或换大模型。打开你的上下文设计文档，挨个检查这四个输入：查询是否清晰？上下文是否纯净？指令是否具体？示例是否充分？

做一个“上下文工程师”，而不是模型调参师。 你离一个永不幻觉的AI助手，只差这四步。

免责声明：本文内容基于作者在RAG系统开发中的实践经验与行业研究，旨在提供技术参考。实际部署时请结合具体业务场景、数据隐私要求及模型合规性进行适配，作者不对因直接套用本文方法导致的任何损失承担责任。