1.7 KiB
1.7 KiB
title, created, updated, type, tags, sources
| title | created | updated | type | tags | sources | |||||
|---|---|---|---|---|---|---|---|---|---|---|
| 上下文增强嵌入 — Context Enriched Embeddings | 2026-06-19 | 2026-06-19 | concept |
|
|
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