人工智能检索增强为何有证据仍答错？

检索结果包含答案所在文档，系统却仍可能生成错误解释。人工智能检索增强的质量，需要分别检查证据有没有在切块时被拆散，以及真正回答问题的片段能否进入有限的生成上下文。

固定长度切块最容易破坏的不是句子外观，而是判断所需的条件关系。设备手册可能先写允许条件，下一段才列例外；若两者分别进入不同片段，检索命中结论也可能遗漏限制。表格中的数值若失去列标题、计量单位或所属型号，同样会成为无法独立解释的孤立信息。向量相似度能够描述内容接近程度，却不会自动恢复这些已经从输入中消失的结构联系。

切块策略应先确定什么证据必须共同出现，再安排长度。对层级文档，可以将章节路径随正文一起编码，使同名术语保留所属设备或工序；对表格，按行展开时携带必要表头，避免只留下数字。段落过长时允许二次分割，但应保留能追溯到原文位置的标识。这样既可在检索后补充邻接片段，也能检查生成答案使用的是哪一版原文，而不是把片段当作没有来源的文本。

增加重叠区间能够降低边界恰好切断关键句的概率，却不能无限扩展。重叠过大，会让多个候选重复同一事实，消耗索引空间与后续上下文；片段过长，又可能把多个主题压成一个向量，使局部关键问题不够突出。比较切块方案时，测试集应标注支持答案所需的完整证据范围，再检查召回是否覆盖这些范围。仅统计文档是否被找到，会掩盖条件遗漏和表格结构丢失。遇到跨段定义，可以先用短片段定位，再按父章节补齐解释，但补齐范围仍要受预算约束。补充内容必须沿原文结构取得，不能依据主题相似度拼接另一型号的限定条件，否则片段变完整的同时也可能把证据关系接错。

证据切片完整以后，还要解决候选排序。双编码器分别计算查询与片段表示，适合提前建立索引并快速召回，但独立编码限制了细粒度词语交互。交叉编码器将查询和候选共同输入，可以进一步辨别否定关系、型号差异和条件匹配。它的计算随候选数量增加，因此通常放在召回之后处理有限候选集；直接对整个知识库逐条精排，往往无法满足请求时延。

重排也无法弥补召回阶段彻底丢失的答案。应先固定候选池，确认完整证据已经在池内，再评价重排是否把它推到前列。若一边调整召回数量，一边更换重排模型，最终质量变化就难以归因。对于人工智能问答，还应区分片段看起来相关与片段足以回答问题：一段介绍故障名称的文字可能高度相关，却没有处理阈值；精排数据若只标主题相关性，仍可能奖励这类无效候选。

生成阶段的预算最终决定哪些片段真正被读取。应先去除近乎重复的候选，再将核心证据和必要限定一起装入上下文，不能简单截取排名列表的前若干字。长上下文模型也不保证均匀利用每个位置的信息，因此需要在目标模型上改变证据位置与干扰量，测量答案是否稳定。若正确条件已经进入输入却持续未被使用，问题才转向生成器，而不是继续盲目扩大检索数量。

检索增强的验收应贯穿完整证据的切分、召回与装载。先保证条件没有丢失，再让有限上下文容纳真正能支撑结论的片段，才能解释有文档为何仍会答错。