即使擁有了先進的智能體化RAG框架，傳統文件分塊方法本身存在根本性缺陷，仍然是限制RAG系統性能的瓶頸。
這正是"文件分塊"-這篇埋下的伏筆：標準分塊方法無論是固定大小切分還是遞歸切分，都不可避免地將緊密關聯的上下文分離。一個孤立的文本塊如"該公司第二季度的收入增長了3%"，脫離原始上下文後變得模稜兩可 --無法回答代詞指代("該公司"是哪家公司?)、時間參照(報告發布於何時?)或實體相關(與哪個產品線相關?)等關鍵問題。這種上下文丟失在訊息嵌入階段就造成了語意訊息的嚴重損失，直接導致後續檢索準確率下降。

為了解決這個問題，Anthropic提出了"上下文感知檢索(contextual retrieval)"。核心思想非常直觀：在對文本塊進行向量化檢索前，先利用LLM為其生成一段簡短的、包含核心上下文的"前綴摘要"，然後將前綴與原始文本塊拼接後再索引。例如系統可能生成前綴："本段內容選自ACME公司2025年Q2財務報告的"關鍵業績指標"章節"。通過這種方式，原本模糊不清的文本塊被重新"錨定"再了其原始的語意環境。

同時要與"上下文感知壓縮"劃清界線。兩者名字相近但作用的時機與對象完全不同：我們目前講的上下文感知檢索發生在"索引期"，針對的是知識庫裡的文本塊，做的是"補前綴、加背景"以提升可檢索性; 上下文感知壓縮發生在運行期，針對的是當前會話的"對話歷史"，做的是"按當前任務裁減、丟棄無關內容"以節省窗口。一個作加法(補上下文)，一個做減法(去冗餘)。

這種方法的精妙之處在於同時增強了稀疏檢索與稠密檢索兩種模式。對於BM25這樣的稀疏檢索，上下文前綴增加了豐富的、可精準匹配的關鍵詞("ACME"、"2025第二季度")。對於向量嵌入這樣的稠密檢索，前綴注入了關鍵語意背景，使生成的向量表示能更精確地反映文本塊的真實含意。

複習一下

稀疏檢索（Sparse Retrieval）：基於關鍵字匹配（TF-IDF、BM25），速度快、可解釋性高，但不理解語意。

稠密檢索（Dense Retrieval）：利用 Embedding 向量搜尋，可理解語意與同義詞，適合 RAG 與知識庫問答。

現代 RAG 最佳實踐：通常採用 混合檢索 Hybrid Retrieval（BM25 + Dense + Reranker），兼顧關鍵字精確度與語意召回能力。

OpenAI 於 2026 年 9 月 29 日 的年度開發者大會（DevDay）上正式推出了 GPT-6.1 Sol。
這款模型被定位為「高性價比」的中階模型，其 API 成本僅為旗艦版 GPT-6 Astra 的五分之一，並特別針對 Agentic Coding（智能體程式設計）、電腦操作以及專業開發工作進行了最佳化。
https://www.aiposthub.com/gpt-6-1-sol-price-benchmark-guide/