📰 来源：Towards Data Science　|　📅 翻译日期：2026年7月23日
🔗 原文：查看原文
🤖 翻译：DeepSeek AI · 仅供参考

企业文档智能（第1卷第8期）

本文探讨了将检索到的候选文档发送给生成模块的两种机制，以及选择机制之间的充足性信号，还介绍了基于问题类型的分发策略，以降低成本。

两种检索体制

• 一次性发送全部top-k：将检索到的所有候选文档一次性送入生成模型。
• 逐个迭代top-k：每次仅送入一个候选文档，根据生成结果决定是否需要继续检索下一个。

充足性信号

关键信号是判断当前候选是否足够生成答案。若充足，则停止迭代；否则继续检索下一个候选。

该信号可以通过以下方式实现：

1. 生成模型输出概率的置信度阈值。
2. 基于语义相似度的自适应判别。
3. 混合策略结合多种指标。

按问题类型分发

不同问题对候选数量的需求各异。例如：

• 事实型问题：通常 top-1 即足够。
• 复杂推理问题：可能需要 top-k 中的多个候选才能形成完整答案。

通过问题类型分类，动态调整每次送入生成模块的候选数量，从而在保证质量的前提下降低成本。

总结

Loop Engineering 通过迭代机制和信号控制，实现了高效且准确的 RAG 生成，特别适用于企业级文档智能场景。

参考资料

• 原文：Towards Data Science