上下文检索（Contextual Retrieval）是 Anthropic 于 2024 年 9 月 19 日公布的 RAG 改进方法。
要解决的问题
传统 RAG 把文档切成块再写入向量库，块一旦脱离原文就会丢失语境。例如一块只写着「公司本季度营收增长 3%」的文本，检索时无法判断它属于哪家公司、哪个季度，于是检索失败。
做法
该方法包含两个子技术——Contextual Embeddings（上下文嵌入）与 Contextual BM25。核心是在把每个块写入索引之前，先为这一块生成一段说明它在整篇文档中位置的专属语境，把这段语境前置到块内容上，再去做嵌入与 BM25 索引。官方说明可以在 Claude 上直接部署这套方案。
效果
官方博客给出的量化结果是，该方法可把检索失败（failed retrievals）数量降低 49%；若再叠加重排序（reranking），可降低 67%。官方称这代表检索准确率的显著提升，并会直接传导到下游任务表现。
适用边界
它优化的是检索这一步，不改变生成阶段的做法；代价是要为每个块额外生成一次语境，索引构建阶段的计算与模型调用成本会上升。