AI-Wiki

定义

上下文压缩策略 是指在 RAG 流程里，完成检索之后、生成答案之前，对召回上下文进行“保留什么、删掉什么、是否改写、保留到什么粒度”的方法选择。

它要解决的问题不是“能不能检索到文档”，而是“检索到的内容太多、噪声太大时，最终送进大模型的上下文应该如何瘦身”。原文对它的概括是：在检索后用大模型把无关内容剪掉，只留下和问题最相关的部分。

这一策略直接影响三件事：

在本文语境里，上下文压缩策略 是 RAG 的一个中间环节，位置处于“向量检索 Top-K chunk 之后、最终答案生成之前”。

原文给出的完整流程是：

因此，这里的“策略”不是单指某个模型提示词，而是一个带有明确取舍目标的压缩范式选择：你究竟更在意覆盖面、信息密度，还是原文证据可追溯性。

Selective 的定义是：只保留和问题直接相关的句子或段落，但不改写原文。

它的特点是“像删减原文”，不是重新组织答案，而是从原始 chunk 中把无关部分去掉，把相关片段按原有表达留下来。因此它通常比摘要更忠于原文，也比只摘关键句保留更多上下文。

适合它的典型目标是：

文中的 AI 伦理案例中，Selective 压缩后的风格就是删去与问题无关的内容，只留下与透明性、可解释性、伦理框架、隐私数据处理、自动化就业影响、自主性与问责相关的原文段落。它仍然保留原句表达，因此读起来像“瘦身后的原文”。

Summary 的定义是：把相关内容浓缩成简明扼要的摘要。

它不要求逐句保留原文，而是把检索结果重新整理成更高信息密度的表述。原文明确指出，它的特点是“信息密度高”，在三类方法中通常压缩率最高。

它的输出风格更像“整理后的答案提纲”，也就是先吸收多个相关片段中的信息，再把内容改写、归纳、压缩成更适合生成阶段消费的结构化内容。

适合它的典型目标是：

在 AI 伦理案例里，Summary 压缩后会直接整理出一个列表，概括为：缺乏透明性和可解释性、隐私与数据安全问题、工作替代风险、自主系统带来的控制和问责问题，以及需要明确伦理框架。这种结果明显不是原文删减，而是归纳后的答案框架。

Extraction 的定义是：只摘取最关键的原文句子。

它与 Selective 的差别在于：Selective 可能保留多个相关句子或段落，强调相关内容尽量完整；Extraction 则进一步收缩，只拿最核心、最能作为证据的原文句子，通常逐句列出。

它的输出风格更像“证据摘录”。这意味着它不追求像 Summary 那样做归纳，也不追求像 Selective 那样尽量保留全部相关上下文，而是优先保留可以直接引用、可回溯到原文的关键句。

适合它的典型目标是：

在案例中，Extraction 压缩后仅保留最能支撑回答的关键句，例如关于“黑箱模型导致难以理解决策过程，因此需要透明性与可解释性”的句子，以及“需要建立明确指南和伦理框架”的句子。相较于 Selective，它更短、更像证据条目。

原文给出的核心比较可以整理为以下四个维度。

如果你的业务必须看到原话，Summary 通常不是首选；如果只要求内容更精炼，Summary 则往往最合适。

从原文结论看，Summary 的信息密度通常最高，因为它会把多个相关片段压缩成更短的归纳表达。原文也明确给出选型规则：需要信息密度时选 Summary。

Selective 通常覆盖更完整。因为它会保留所有直接相关的句子或段落，而不是只留最关键几句，也不是把信息重新压缩到更短提纲中。

因此，在知识梳理、全景浏览、希望尽量不遗漏相关点时，Selective 往往更稳妥。

Extraction 更适合保留原文证据。这是因为它直接抽取原始句子，天然更利于引用、核对和溯源。原文据此建议：法律、学术等需要原文证据的场景优先使用 Extraction。

原文以“AI 在决策中的伦理问题有哪些？”这一问题做案例，对不同压缩方式给出了同一批检索结果上的实测数据。原始上下文长度为 10018。

策略	平均压缩比	压缩后上下文长度	原始长度
Selective	39.93%	6025	10018
Summary	63.87%	3631	10018
Extraction	54.41%	4577	10018

这组数字体现了文中的主要结论：