让检索提供真正需要的证据

继续看相关机制：F28 · 检索先找候选，再判断能否回答F35 · 读指标，先问它的分母是谁F37 · 资料能影响模型，不代表获得了权限

检索质量从原始材料开始

本篇对应Contextual Retrieval。检索不是只选一个向量数据库，而是从来源、切分、索引、查询、召回、重排到上下文拼装的一条链。[S095][S096]

原始材料过期，检索再准也只会更快找到旧事实。切分丢了“仅v3适用”的条件，模型可能正确引用错误范围。因此证据需要来源、版本和足够上下文。

给孤立片段补上可证实背景

原创片段：“默认关闭，升级后开启。”它缺少字段和版本。若原文明确说明是normalize_paths从v2到v3的迁移，可以补充这些信息；若原文没说，不能自行编造。

Contextual Retrieval的思想是帮助片段保留所属背景，再结合检索与重排。文章的实验收益有特定条件，不能当作所有代码库的固定提升。[S096]

词项与向量怎样互补

错误码、符号和路径适合精确匹配；语义检索帮助不同表述的意图匹配。include与exclude语义相近但行为相反，版本与否定条件尤其需要核查。[S098][S102]

RRF按名次融合多个列表，不直接相加不同分数。重排进一步判断候选相关性，但无法补回所有召回器都漏掉的证据。[S097]

用小例子计算检索指标

假设正确判断需要文件A和B，返回A、X、Y，则Precision@3为1/3，Recall@3为1/2。虽然找到了一个相关文件，任务仍可能因缺B而失败。所有数值均为原创教学例子。[S110]

再假设候选中有A、B，但拼装只保留A。召回阶段成功，Agent输入仍不充分。这说明评价必须跨越候选、排序和上下文三个环节。

代码检索的递进路径

先找字段与入口，再找定义、引用和调用关系，再读测试与历史，最后运行复现。Tree-sitter提供语法结构，LSP提供语言服务，两者不自动证明运行时行为。[S103][S104][S105]

完成本篇后，应能为一次错误回答定位：来源错、索引缺、查询偏、重排删、截断漏，还是模型误用。这样的诊断比无条件扩大Top-k更有价值。