模块 07 重要英语词汇

格式：Term — 中文释义 — 一句话架构师视角说明

RAG 管线与索引

• Retrieval-Augmented Generation (RAG) — 检索增强生成 — 将外部证据按需放进上下文，核心风险从“模型不知道”转为“检索是否找对”。
• Ingestion — 数据摄取 — 解析、清洗、权限标注和增量更新都应在进入索引前完成。
• Indexing — 索引构建 — 同一 chunk 可同时进入向量与倒排索引，以支持混合召回。
• Embedding — 嵌入向量 — 它擅长语义近似但不保证错误码、SKU 等精确 token 命中。
• Vector Database — 向量数据库 — 存储 embedding 与元数据，仍需显式处理租户、版本和删除传播。
• Approximate Nearest Neighbor (ANN) — 近似最近邻 — 用近似搜索换低延迟与可扩展性，召回损失必须在金标集上评估。
• Chunking — 分块 — 检索单元的粒度决定召回精度、上下文完整性与 token 成本。
• Chunk Overlap — 块重叠 — 可缓解边界丢失，但会按重叠比例放大 embedding、存储和去重负担。
• Structural Chunking — 结构化分块 — 按标题、函数、条款或表格边界切分，通常比固定 token 硬切更保语义。
• Contextual Retrieval — 上下文检索 — 索引前给 chunk 增加文档级情境前缀，用一次性索引成本换长期召回。

召回、融合与排序

• Semantic Search — 语义检索 — 用向量相似度找意思相近内容，适合词面不同但意图一致的问题。
• Lexical Search — 词法检索 — 按字面 token 匹配，适合编号、专名、函数名和精确短语。
• BM25 — BM25 排名函数 — 基于词频、逆文档频率与长度归一的词法检索工业基线。
• Hybrid Retrieval — 混合检索 — 并行使用语义与词法召回，避免单路系统性盲区。
• Reciprocal Rank Fusion (RRF) — 倒数排名融合 — 通过名次融合不同量纲的检索结果，无需直接相加原始分数。
• Metadata Filter — 元数据过滤 — tenant、ACL、时间和来源应在召回前强制过滤，既是精度组件也是安全边界。
• Top-K — 前 K 个结果 — 进入 prompt 的块数必须同时受召回目标和上下文预算约束。
• Bi-encoder — 双塔编码器 — query 与 chunk 分别编码，适合大规模快速粗召回。
• Cross-encoder — 交叉编码器 — 联合编码 query 与 chunk，精度高但计算昂贵，适合小候选集精排。
• Reranking — 重排序 — 对 Top-N 候选精排到 Top-K，用一跳在线延迟换更高信号密度。

生成、上下文与证据

• Groundedness — 接地性/有据性 — 衡量主张是否被给定证据支撑，不等于来源本身真实或最新。
• Citation — 引用 — 为回答主张提供原文和出处指针，使错误可审计但不自动保证准确性。
• Hallucination — 幻觉 — 输出缺少可靠证据的内容，需要通过证据约束、评估和业务防线共同控制。
• Context Window — 上下文窗口 — 是有限工作内存，塞得下不代表模型能等质量利用所有 token。
• Context Rot — 上下文腐烂 — 随总 token 增长，相关信息利用率和准确性整体退化。
• Lost in the Middle — 中部信息丢失 — 相关证据位于长上下文中部时更易被忽略，是位置性而非容量性问题。
• Attention Budget — 注意力预算 — 每个新增 token 都竞争有限注意力，必须通过策展和排序保护高价值证据。
• Prompt Caching — 提示缓存 — 可摊薄稳定长前缀成本，但无法消除 context rot 与权限问题。

查询与评估

• Query Rewriting — 查询改写 — 将口语、指代或缺限定词的问题改成更可检索形式，但要防意图漂移。
• Query Expansion — 查询扩展 — 加入同义词、缩写展开和领域术语，提高词汇错配场景的召回。
• Query Decomposition — 查询分解 — 把多意图或多跳问题拆成子查询，代价是检索次数与合并复杂度上升。
• Hypothetical Document Embeddings (HyDE) — 假设文档嵌入 — 先生成假设答案再检索，可缩小 query/文档形态差但会增加一次 LLM 调用和漂移风险。
• Recall@k — 前 k 召回率 — 衡量相关块找回多少，必须与 precision 和预算联合观察。
• Precision@k — 前 k 精确率 — 衡量返回块中真正相关的比例，反映上下文噪音密度。
• Mean Reciprocal Rank (MRR) — 平均倒数排名 — 关注第一个相关结果排多前，适合单答案问答。
• Normalized Discounted Cumulative Gain (nDCG) — 归一化折损累计增益 — 衡量分级相关结果是否按价值排在靠前位置。
• Pass@k — 前 k 命中率 — 检查金标块是否出现，简单直观但不反映其他结果噪音。
• Golden Dataset — 金标数据集 — 以人工确认的问题、相关块和答案作为检索与生成回归门禁。