---
title: "上下文增强嵌入 — Context Enriched Embeddings"
created: 2026-06-19
updated: 2026-06-19
type: concept
tags: [embeddings, context-enrichment, vector-retrieval, tool-discovery]
sources:
  - https://arxiv.org/abs/2509.20386
---

# 上下文增强嵌入（Context Enriched Embeddings）

## 定义

Dynamic ReAct 论文中的关键向量检索优化策略：使用 LLM（Sonnet 4）**程序化增强工具描述**——生成隐式功能和用例描述——再嵌入。将 Top-5 检索准确率从 40% 提升至 60%（+50% 相对提升）。

## 为什么需要增强

工具文档通常只描述**显式功能**（参数、返回类型），缺少：
- 隐式功能（"send email" 暗示需要 SMTP 能力）
- 用例上下文（什么场景下用这个工具）
- 工具间的关系（这个工具通常和哪些工具配合）

## 实验数据

| 策略 | Top-5 | Top-10 |
|------|-------|--------|
| OpenAI text-embedding-3-large (baseline) | 40% | 64% |
| voyage-context-3 | 48% | 68% |
| **voyage-context-3 + Sonnet context enrichment** | **60%** | 68% |
| + BM25 hybrid | 56% | 72% |

Sonnet 增强带来 **+12pp**（vs voyage-context-3 alone）。BM25 混合提升 recall（+4pp Top-10）但降 precision（-4pp Top-5），因为关键词重叠引入误匹配。

## 实际案例

查询 "send email"：
- Baseline（OpenAI）：resend__send_email #4，google_mail__send_email #6，outlook__send_mail 未进 Top-10
- Optimized（Voyage + Context）：outlook__send_mail #1，google_mail__send_email #2，resend__send_email #4 ——三个期望工具全进 Top-5

## 参考

- [[dynamic-react|Dynamic ReAct]]
- [[gaurav-dynamic-react-2025|论文]]
- [[search-and-load|Search and Load]]