核心 GUIDE
PRACTICEFOUNDATION5 分钟阅读
相关性优先于信息量
当低价值材料开始与真正关键的证据竞争时，加入更多输入反而可能降低决策质量。
核心心智模型
Context Quality 本质上是选择问题：只放入能够保留当前决策所需证据与约束的最小充分信息集。
为什么重要
团队经常在模型犯错后不断追加更多文档、更多示例和更多历史，这会同时增加噪音、冲突与成本。更可靠的系统会根据当前任务相关性、来源 Authority 与 Freshness 对信息排序，而不是把 Context 当作 Dump。
01
生成之前先做选择
应用需要从多个来源组装 Context。每一个候选项都同时具有“对当前决策的价值”和“占用 Token/Attention 的成本”。因此 Retrieval、Filtering 与 Summarization 本身就是推理质量的一部分，而不仅仅是基础设施优化。
02
例子：五十份文档中的政策答案
客服助手同时得到四十份旧 FAQ 和一份当前政策。当前政策包含真正答案，但大量旧文本制造了冲突。按照 Authority 与生效日期进行筛选后，Context 更小，答案反而更可靠。
常见失败模式
- 把每一个 Retrieval Result 都直接塞进 Prompt。
- 只优化 Semantic Similarity，而不考虑 Source Authority。
- 保留与当前决策没有关系的大量背景信息。
工程启发
- 把 Relevance、Authority 与 Freshness 放在一起排序。
- 为不同 Evidence Class 设置独立上限，而不是只有一个总 Token Limit。
- 记录哪些信息被排除，让 Retrieval 错误仍然可诊断。
关键结论
- 01高质量 Context 是经过筛选的，而不是不断堆积的。
- 02只要保留了正确证据，更小的 Context 完全可能更好。
- 03Context Selection 属于应用正确性的一部分。
阅读记录
未打开Practice 尚未完成
这里只记录你真实做过的动作，不代表掌握、熟练或认证。
用于这些学习路径
这个 Concept 会在多个 canonical 学习路径中复用。
继续学习
来自 Knowledge Graph 的相关知识点
这些关系直接来自 canonical graph，不维护第二套 Guide 分类体系。